La sanità dispone di una quantità crescente di dati, ma fatica a renderli davvero utilizzabili nei processi clinici. La Process Intelligence, integrata con AI multimodale, Process Mining e spiegabilità, può trasformare informazioni frammentate in decisioni più contestualizzate, tempestive e affidabili.
L'enigma del dato in sanità
La sanità è uno dei settori più ricchi di dati, ma anche uno di quelli che fatica maggiormente a trasformarli in valore. Il Fascicolo Sanitario Elettronico raccoglie informazioni dettagliate sui pazienti, ma nella pratica questi dati restano dispersi in sistemi non interoperabili, frammentati tra livelli regionali, strutture cliniche e piattaforme eterogenee.
Il punto non è la quantità di dati disponibili, ma la loro accessibilità operativa. In Europa — e in Italia in particolare — il dato sanitario è formalmente presente ma sostanzialmente difficile da utilizzare nei tempi e nei modi richiesti dalla medicina contemporanea. Tra vincoli regolatori, complessità autorizzative e differenze di governance, il rischio è che il dato esista “in teoria”, ma non sia disponibile “in pratica” quando serve davvero.
I dati non risolvono da soli
Il risultato è un paradosso ormai strutturale: una disponibilità crescente di dati non si traduce automaticamente in una migliore capacità decisionale o in modelli predittivi realmente efficaci.
Gran parte delle applicazioni di intelligenza artificiale in sanità continua a basarsi su dati strutturati, numeri, codici e variabili tabellari, ignorando la natura profondamente contestuale dei percorsi clinici. I medici non operano su dataset, ma ricostruiscono storie cliniche nel tempo, integrando segnali eterogenei, referti e immagini.
Ridurre questa complessità a variabili isolate significa perdere proprio ciò che rende la sanità un sistema dinamico: il contesto, la sequenza degli eventi e la loro relazione nel tempo.
Process Mining: fondamento della Process Intelligence
Gran parte della tecnologia che oggi potrebbe migliorare la gestione dei processi clinici è già disponibile. Il Process Mining rappresenta un elemento chiave, ancora poco adottato, ma con un grande potenziale per il futuro potenziamento della sanità digitale.
Questo metodo permette di analizzare i processi reali a partire dai dati registrati nei sistemi informativi, ricostruendo le sequenze di eventi che caratterizzano i percorsi clinici. Si può parlare di una mappatura precisa del percorso del paziente, ad esempio, dall’ingresso in pronto soccorso fino all’esito finale del ricovero.
Il passo successivo: Process Intelligence
Tuttavia, il Process Mining da solo non basta. È proprio dall’integrazione tra la struttura temporale dei processi e la capacità predittiva e interpretativa dell’intelligenza artificiale che nasce la Process Intelligence: un approccio capace di trasformare i dati operativi in decisioni intelligenti, contestualizzate e tempestive.
La vera innovazione emerge quando la Process Intelligence incontra l’AI multimodale. I percorsi clinici possono essere trasformati in narrazioni, ossia vere e proprie “storie del paziente”, che preservano il contesto temporale, e successivamente integrate con immagini diagnostiche come radiografie o TAC. Il risultato è un cambio di paradigma: non più modelli che leggono dati isolati, ma sistemi capaci di interpretare processi complessi attraverso molteplici modalità informative, avvicinandosi al modo in cui ragiona un clinico esperto.
Un esempio concreto: MEDUSA
Un recente studio pubblicato su Information Systems, sviluppato da ricercatori dell’Università di Bari Aldo Moro e della Libera Università di Bolzano con il contributo di NVIDIA, ha dato vita a MEDUSA, un sistema che rappresenta un esempio concreto di Process Intelligence applicata alla sanità.
Il modello integra due dimensioni fondamentali: da un lato la radiografia al torace, che cattura l’informazione visiva, dall’altro la narrazione del percorso clinico, che restituisce il contesto temporale e decisionale. Per ogni paziente viene costruito un prefisso del percorso clinico, ovvero tutto ciò che è accaduto fino a un determinato momento, trasformato in una rappresentazione multimodale coerente.
FLAVA: il motore della Process Intelligence
Queste informazioni vengono poi elaborate attraverso FLAVA, un modello fondazionale pre-addestrato su milioni di coppie immagine-testo e successivamente adattato al contesto clinico.
Testato su un dataset reale di 4.479 pazienti COVID-19 degli ospedali HM Hospitales, il sistema ha mostrato performance superiori rispetto ai modelli tradizionali, con un miglioramento particolarmente significativo nella previsione dei casi più critici.
Spiegabilità e fiducia: la chiave dell’adozione
In sanità, una previsione non basta: serve comprenderla. Per questo motivo, il sistema integra tecniche di explainable AI che permettono di identificare quali elementi, nelle immagini e nei testi, hanno guidato la decisione del modello. I risultati, validati da un clinico dell’Università di Bari, mostrano un allineamento significativo tra le aree considerate rilevanti dal sistema e quelle effettivamente critiche dal punto di vista medico.
L’importanza della spiegabilità
Senza spiegabilità, l’intelligenza artificiale resta una scatola nera, e una scatola nera in sanità difficilmente viene adottata — né dai clinici né dai regolatori. La Process Intelligence consente invece un’interazione più trasparente tra tecnologia e decisione clinica, rafforzando la fiducia e mantenendo centrale il controllo umano, in linea con i principi dell’AI Simbiotica e con gli standard dell’AI Act europeo.
I fondamenti dei progetti futuri
Le soluzioni di Process Intelligence si inseriscono in un contesto più ampio. Il PNRR prevede investimenti significativi nella digitalizzazione della sanità, mentre lo European Health Data Space punta a creare un ecosistema europeo per la condivisione dei dati sanitari.
In questo scenario, la Process Intelligence può rappresentare un abilitatore decisivo: consente di valorizzare i dati già disponibili, migliorare l’efficienza dei percorsi clinici e supportare decisioni più informate e tempestive. Il rischio, altrimenti, è costruire infrastrutture avanzate senza riuscire a sfruttarne appieno il potenziale.
I rischi e le sfide dell’implementazione
Alcuni rischi emergono nell’adozione di queste nuove tecnologie:
- Qualità e interoperabilità dei dati: I modelli di AI funzionano efficacemente quando possono contare su dataset coerenti e ben strutturati. Nella realtà dei sistemi sanitari italiani ed europei, questa condizione rappresenta ancora l’eccezione più che la regola.
- Rischi organizzativi: L’adozione richiede un ripensamento dei processi e una costruzione progressiva della fiducia.