LET’S TALK & CONNECT

Algoritmi di imaging, assistenti generativi, modelli predittivi, piattaforme nazionali: negli ospedali i sistemi di intelligenza artificiale si moltiplicano. La domanda è come governarne tanti modelli di AI insieme.

Negli ultimi anni l’intelligenza artificiale è entrata negli ospedali – e nelle filiere sanitarie – un caso d’uso alla volta: un algoritmo per le immagini radiologiche, uno per il triage, un modello predittivo per il rischio di riammissione,… Ciascuno acquistato, integrato e gestito come un progetto a sé. Quella stagione è ormai al crepuscolo, perché il numero dei sistemi AI sta crescendo al punto da rendere insostenibile un approccio basato su soluzioni isolate.

Nella stessa struttura convivono l’AI incorporata nei dispositivi diagnostici, i modelli sviluppati internamente, gli assistenti generativi dei fornitori di software clinico e, in prospettiva, gli strumenti del livello nazionale. È il caso della piattaforma di AI per le cure primarie realizzata da AGENAS con fondi PNRR, in sperimentazione nel 2026 nelle Case di Comunità su inquadramento diagnostico di base, gestione della cronicità e prevenzione, con suggerimenti che restano non vincolanti per i professionisti. L’ospedale diventa così un ambiente multi-modello, in cui sistemi diversi vengono interpellati di volta in volta come supporto alla decisione clinica, organizzativa o amministrativa.

Oltre il registro dei modelli

Molte strutture sanitarie stanno rispondendo al problema della moltiplicazione dei modelli in adozione con un registro, inteso come un inventario dei sistemi di AI in uso con finalità, fornitori e responsabilità. È un passo necessario (anche in vista dell’AI Act), ma limitato al descrivere ciò che esiste, mentre un ambiente multi-modello ha bisogno di qualcosa che ne governi il funzionamento. Serve, insomma, un livello di orchestrazione, una sorta di AI gateway, che indirizzi ogni richiesta al modello adatto, applichi le regole dell’azienda, tracci chi ha interrogato cosa e con quale esito. E presidi due aspetti non negoziabili in sanità: la sicurezza informatica e la sovranità del dato, ossia il controllo su dove e da chi vengono elaborate le informazioni dei pazienti.

Questo livello deve conoscere anche la natura giuridica dei modelli che orchestra. Un algoritmo certificato come dispositivo medico può essere usato solo entro la destinazione d’uso per cui ha ottenuto la marcatura, mentre uno strumento generativo di uso generale segue regole diverse. Instradare una richiesta clinica verso il modello sbagliato è quindi un problema regolatorio e di responsabilità, non solo un errore tecnico. L’orchestrazione diventa lo strumento con cui la governance dell’AI si traduce in pratica.

Il dato viene prima, soprattutto col multi-vendor

La condizione preliminare, come sempre, è la qualità e l’organizzazione del patrimonio informativo. Se ogni modello va integrato con proprie interfacce, propri formati e una propria interpretazione dei dati clinici, moltiplicare i sistemi significa moltiplicare integrazioni, costi e dipendenze dai fornitori. L’alternativa è trattare i dati dell’ospedale come un sistema operativo, con una semantica definita, un’unica fonte di verità e un’interoperabilità che li renda utilizzabili da qualunque modello, presente o futuro. In questa prospettiva acquistano peso temi come i referti strutturati, l’imaging federato e i modelli standard internazionali come il Common Data Model OMOP, già diffusi nella ricerca clinica. Lo stesso vale per il percorso che porta dal Fascicolo Sanitario Elettronico all’Ecosistema dati sanitari e allo Spazio europeo dei dati sanitari: trasformare i documenti in dati strutturati serve alla continuità delle cure, ed è anche il prerequisito perché l’AI lavori su basi affidabili.

L’approccio multi-modello cambia anche il rapporto con il mercato. Molti fornitori stanno passando dalle licenze ai modelli as-a-service, mentre le aziende sanitarie ripensano il procurement lungo l’intero ciclo di vita dei sistemi di AI, dalla gara al monitoraggio delle prestazioni fino alla dismissione. Un’architettura con un livello di orchestrazione e dati indipendenti dai singoli modelli permette di sostituire un algoritmo che perde accuratezza senza riscrivere le integrazioni, e rafforza il potere negoziale della struttura.

Un orchestratore per domarli (e trarne vero valore)

Al di là delle scelte d’impostazione e dei necessari cambi di paradigma organizzativi, l’adozione simultanea di un ventaglio di modelli AI non può prescindere da una valutazione d’impatto. Più modelli significa più suggerimenti e segnalazioni per i professionisti, con il rischio che una maggiore accuratezza diagnostica si traduca in sovradiagnosi, esami inutili e ulteriore carico di lavoro su un sistema sanitario già abbondantemente sotto pressione. Inoltre le competenze per valutare criticamente questi suggerimenti non sono ancora diffuse in modo uniforme tra medici e infermieri. Decidere come orchestrare i modelli significa quindi decidere anche quando interpellarli, con quali soglie e con quale ruolo per il giudizio clinico. L’architettura dell’ospedale multi-modello è prima di tutto una scelta di governance: è su questo terreno, più che su quello degli algoritmi, che si misurerà la capacità della sanità italiana di trasformare l’AI in valore per pazienti e sistema, sia in termini di sostenibilità economica sia di miglioramento delle filiere di presa in carico e cura.

Gianluca Dotti
Giornalista, TIG – The Innovation Group