PNRR E SANITÀ - Artificial Intelligence e Machine Learning


Completiamo con questo intervento la prima fase di approfondimento dedicata ai modelli predittivi multivariati, proseguendo l’analisi di come le società di consulenza attive nei settori della Business Intelligence e Data Analytics possano operare per accompagnare le Organizzazioni Sanitarie nel realizzare, e soprattutto gestire nel tempo, quanto previsto dal PNRR (qui la serie completa).

Come già anticipato negli approfondimenti precedenti, i modelli predittivi sono utilizzati per anticipare gli eventi, scegliere strategicamente tra diversi possibili scenari e ottimizzare progressivamente l’allocazione delle risorse. In sostanza, ci aiutano a gestire fenomeni complessi suggerendoci le scelte ottimali.

Dopo gli approfondimenti dedicati all’Analisi dei Trend (qui), e all’Analisi What-If (qui), tratteremo ora i temi della Artificial Intelligence e del Machine Learning.

Cos’è l’Artificial Intelligence (AI), al di là della nostra percezione un po’ avventurosa in cui, nei film di fantascienza, le macchine si comportano come esseri umani, quasi sempre con risultati migliori ?


Spaziando nell’enorme quantità di definizioni che circolano sull’argomento, quella che ci sembra più utile, in questo contesto tipicamente divulgativo, è:

“L’Artificial Intelligence è una branca della scienza dell’informazione che studia la progettazione e la realizzazione di sistemi hardware/software in grado di dotare le macchine di determinate caratteristiche che vengono considerate tipicamente umane”.


Parliamo, ad esempio, di processi decisionali, o di percezioni visive, spaziali o temporali che, pur essendo tipicamente umane, possono essere ricondotte a particolari processi che le macchine possono riprodurre. In sostanza, l’Artificial Intelligence rivoluziona il modo con cui l'uomo interagisce con la macchina, limitandosi a fornirle quelle informazioni di base che le permettono di svolgere attività, ma soprattutto di ragionare, secondo le caratteristiche proprie di un essere umano.

Un esempio tipico è quello delle auto a guida autonoma, cioè senza conducente. In questo caso, un insieme di sensori consente alla macchina di “vedere” cosa le sta intorno e di prendere le decisioni conseguenti. Ma come possiamo far sì che una macchina sia in grado di “prendere delle decisioni” ? Semplicemente - in realtà, non tanto semplicemente … - dotandola di sistemi hardware/software tali da consentirle di approcciare i problemi sulla base di alberi di decisione, cioè di grafi matematici che, a partire da certe condizioni iniziali, le consentano di valutare, per ogni azione, i suoi possibili effetti, e di fare di conseguenza le scelte più convenienti.


Anche per il Machine Learning (ML) scegliamo una definizione tra le più semplici:

“Il Machine Learning è un ramo dell'AI nel quale si realizzano sistemi hardware/software in grado non solo di prendere delle decisioni, ma anche di imparare automaticamente e progressivamente, consentendo alla macchina di migliorare nel tempo i suoi processi decisionali”.

Un esempio semplicissimo, che quotidianamente abbiamo sotto gli occhi.

Se ieri abbiamo acquistato on-line del vino, nelle pubblicità che ci arriveranno nei giorni successivi la macchina avrà “imparato” a suggerirci siti di vendita di vini on-line, e se poi visitassimo pagine su un particolare tipo di vino, quello stesso ci verrebbe poi riproposto con maggior frequenza. In sostanza, la macchina ha imparato che ci piace il vino, e poi quale tipo di vino preferiamo. I suoi algoritmi, in un certo senso, appaiono in grado di imparare dall’esperienza, riproducendo così un comportamento tipico di un venditore umano.


Quali possono essere le possibili applicazioni in sanità di modelli previsionali basati sull’Artificial Intelligence e sul Machine Learning ?

Ovviamente sono moltissime: si pensi ad esempio al tema della diagnostica per immagini, dove AI e ML consentono sia analisi particolarmente approfondite di specifiche patologie, sia analisi massive di informazioni in tempi estremamente ridotti, che consentono ad esempio di accelerare e rendere più rigorose ed omogenee specifiche campagne di screening.


Quello che però qui ci interessa iniziare a descrivere, è il supporto che Artificial Intelligence e Machine Learning possono dare alle Organizzazioni Sanitarie e ai vari Organismi Istituzionali Centrali e Periferici, per l’applicazione delle linee guida per la riorganizzazione territoriale previste dal PNRR. Il piano prevede infatti lo sviluppo di sistemi informativi evoluti che consentano:

  • la stratificazione della popolazione per profili di rischio di fragilità socio-sanitaria

  • il monitoraggio per fattori di rischio

  • la gestione multidisciplinare integrata di patologie croniche e situazioni complesse, anche con il supporto della medicina digitale

  • Il supporto all’erogazione di PrIS (Progetti Individuali di Salute) coerenti con il livello di rischio individuato.

Sarà quindi fondamentale dotarsi di modelli predittivi in grado di:

  • supportare gli erogatori di servizi sociosanitari nella costante fornitura dell'assistenza giusta nel momento giusto

  • consentire di identificare e comprendere tendenze più estese, conducendo così a migliori strategie di salute per la popolazione e supportando le Direzioni Aziendali nelle decisioni di programmazione sociosanitaria,

e tali modelli potranno vantaggiosamente giovarsi di tecniche basate su AI e ML.


Attesa la complessità della materia e la necessità di produrre soluzioni efficaci in tempi rapidi, è stata ratificata una partnership tra BI Health e KeyBiz (https://key-biz.it/) che ha come obiettivo quello di sommare le rispettive competenze in ambito Business Intelligence, Data Analytics, Artificial Intelligence e Machine Learning, con l’obiettivo di sviluppare soluzioni per supportare al meglio le analisi predittive, le simulazioni di scenario e la costante misurazione dei risultati, a monte e a valle dei processi decisionali che caratterizzeranno le scelte dei vari stakeholder del mondo healthcare.


A tale proposito seguiranno ulteriori approfondimenti, in quanto siamo convinti che, anche attraverso l’uso di queste tecnologie d’avanguardia su cui basiamo i nostri modelli previsionali, si possano supportare concretamente le organizzazioni sanitarie nell’assunzione delle migliori decisioni strategiche e nella conduzione ottimale dei progetti che ne deriveranno.