Il test ha coinvolto i dati reali di circa 4 milioni di assistiti che hanno avuto almeno un contatto con il SSN nel 2024. La parte previsionale vera e propria, ha spiegato Stefania Vasselli, direttrice dell'ufficio 10 del Ministero, per ora gira su dati fittizi: manca ancora l'abilitazione normativa per applicarla ai dati reali.
Modello predittivo dei bisogni di salute: come funziona e quanta IA c'è davvero
Quali dati usa il modello predittivo del Ministero?
Il modello lavora sui flussi che il Nuovo sistema informativo sanitario (NSIS) raccoglie già: le schede di dimissione ospedaliera (SDO), con una serie storica di trent'anni, la specialistica ambulatoriale, la farmaceutica e l'assistenza domiciliare. A questi si aggiungono prevalenze stimate e proiezioni demografiche ed epidemiologiche. La base giuridica è l'articolo 7 del decreto-legge 34/2020, che autorizza il Ministero a trattare dati sanitari privi di elementi identificativi diretti per sviluppare metodologie predittive (1).
Come funziona il modello predittivo?
Per capire un algoritmo sanitario conviene guardare tre cose: cosa entra, quale calcolo avviene, cosa esce. Il modello del Ministero si regge su tre funzioni distinte, ciascuna con una tecnica propria.
| Funzione | Cosa fa | Tecnica descritta |
|---|---|---|
| Classificazione | Assegna ogni assistito ad aree di patologia, livelli di gravità e pattern di multimorbilità | Criteri espliciti su diagnosi, prestazioni e farmaci |
| Stratificazione | Raggruppa persone con bisogno e complessità simili | Multisource comorbidity score adattato (regressione) |
| Previsione | Stima come cambierà il bisogno negli anni | Proiezioni aggregate su demografia ed epidemiologia |
C'è intelligenza artificiale nel modello predittivo?
Stando a quanto illustrato, no. Nessun relatore ha citato machine learning, reti neurali o altre tecniche di intelligenza artificiale. Il cuore della stratificazione è il Multisource comorbidity score (MCS), un indice pubblicato nel 2017 dal gruppo di Giovanni Corrao (Università di Milano-Bicocca) con Ministero e Regioni (2). L'MCS somma 34 condizioni ricavate da diagnosi di ricovero e prescrizioni farmaceutiche dei due anni precedenti. Ogni condizione pesa in base ai coefficienti di un modello di sopravvivenza di Weibull, allenato su 500.000 assistiti lombardi con almeno 50 anni e validato su campioni di pari dimensione di Emilia-Romagna, Lazio e Sicilia. Il punteggio stima mortalità a un anno, ricoveri e costi.
Da sanitario che lavora con l'IA, considero questa scelta sensata. Un punteggio additivo con pesi pubblici si ricostruisce a mano, si spiega a un direttore di distretto e si difende davanti al Garante per la protezione dei dati personali, presente alla presentazione con il segretario generale Luigi Montuori. Un modello di machine learning allenato sugli stessi flussi guadagnerebbe forse qualche punto di accuratezza, al prezzo della trasparenza che serve a un algoritmo usato per distribuire risorse pubbliche. Il collo di bottiglia, a mio giudizio, sono le fonti: un algoritmo più sofisticato leggerebbe gli stessi ricoveri e le stesse ricette.
Cosa mostra a Regioni, aziende e distretti
L'output è un cruscotto per i decisori. Permette di simulare l'andamento dei costi e, sulle liste d'attesa, di confrontare l'atteso con l'erogato: il volume teorico si ottiene moltiplicando la frequenza annua delle prestazioni previste dai PDTA per la popolazione prevalente. Ne derivano un tasso di copertura e un indice di aderenza ai PDTA, leggibili per gli strati di popolazione del DM 77/2022 (3), gli stessi su cui si organizzano Case della comunità e infermiere di famiglia e comunità.
Fragilità e disabilità restano fuori dal modello
I tecnici del Ministero hanno dichiarato i limiti: il modello vede il bisogno solo quando diventa consumo di prestazioni, coglie in parte i determinanti sociali, non misura la progressione di malattia e non integra disabilità e fragilità. Il limite nasce dall'MCS stesso, i cui autori segnalavano già nel 2017 l'assenza di stato funzionale, disponibilità di un caregiver e instabilità sociale tra le variabili (2). Un lavoro successivo dello stesso gruppo ha mostrato che aggiungere un indice di deprivazione per piccola area non migliora la previsione di mortalità (4).
Per la professione infermieristica è il punto da presidiare. L'anziano solo che non prenota visite, la persona non autosufficiente seguita dal caregiver, il paziente che peggiora tra un ricovero e l'altro: l'infermiere di famiglia e comunità li conosce, i flussi amministrativi no. Le valutazioni funzionali e multidimensionali che gli infermieri compilano ogni giorno oggi non arrivano al modello in forma strutturata. Il Ministero prevede di collegare NSIS, Tessera sanitaria e Anagrafe nazionale assistiti, previo protocollo con il MEF, e in prospettiva dati Istat e registri di sorveglianza. La piena operatività dipende dal decreto sull'interconnessione dei flussi, indicato come prossimo all'adozione, che riguarderà anche il Fascicolo sanitario elettronico.
Fonti
- Decreto-legge 19 maggio 2020, n. 34, art. 7, convertito con modificazioni dalla legge 17 luglio 2020, n. 77. Normattiva. Disponibile su: https://www.normattiva.it/uri-res/N2Ls?urn:nir:stato:decreto.legge:2020-05-19;34
- Corrao G, Rea F, Di Martino M, De Palma R, Scondotto S, Fusco D, et al. Developing and validating a novel multisource comorbidity score from administrative data: a large population-based cohort study from Italy. BMJ Open. 2017;7(12):e019503. doi: 10.1136/bmjopen-2017-019503
- Ministero della Salute. Decreto 23 maggio 2022, n. 77. Regolamento recante la definizione di modelli e standard per lo sviluppo dell'assistenza territoriale nel Servizio sanitario nazionale. Gazzetta Ufficiale Serie Generale n. 144 del 22 giugno 2022. Disponibile su: https://www.gazzettaufficiale.it/eli/id/2022/06/22/22G00085/sg
- Rea F, Ferrante M, Scondotto S, Corrao G. Small-area deprivation index does not improve the capability of multisource comorbidity score in mortality prediction. Front Public Health. 2023;11:1128377. doi: 10.3389/fpubh.2023.1128377
Linguaggio del testo revisionato con IA