Triage con supporto dell'IA: Tempi di attesa ridotti
Che cos'è un sistema di triage assistito da IA
Nei sistemi tradizionali l'infermiere raccoglie dati soggettivi e oggettivi, li confronta con un algoritmo decisionale a diagrammi di flusso e attribuisce la priorità. Nei sistemi assistiti da intelligenza artificiale il confronto lo esegue un modello addestrato su grandi archivi clinici, che restituisce un punteggio di rischio in pochi secondi.
La revisione di Da'Costa e colleghi pubblicata su International Journal of Medical Informatics individua quattro componenti ricorrenti (1). La raccolta e l'elaborazione dei dati, che comprende parametri vitali, sintomi, anamnesi e dati demografici, con l'aggiunta possibile dei valori trasmessi da dispositivi indossabili. I modelli algoritmici veri e propri, dagli alberi decisionali interpretabili alle reti neurali. L'analisi in tempo reale, che riaggiusta le priorità in base al carico del pronto soccorso, ai posti letto disponibili e agli specialisti reperibili. Il trattamento del linguaggio naturale, che estrae informazione clinica dal testo libero delle note infermieristiche e mediche, dove spesso si annidano i segnali precoci di sepsi o ictus.
Il sistema più studiato in ambito europeo è Infermedica, un supporto decisionale che parte da età, sesso e da uno a tre sintomi ben definiti, integra anamnesi e parametri vitali quando disponibili e restituisce una categoria di urgenza allineata ai codici colore in uso (2).
Le evidenze sui risultati
Lo studio più solido a oggi è quello prospettico di Erkan Boğa, pubblicato nel 2026 sul Western Journal of Emergency Medicine (2). In un pronto soccorso di Istanbul con circa 3.000 accessi al giorno, 18.000 pazienti adulti sono stati assegnati con randomizzazione stratificata a tre metodi di triage, 6.000 ciascuno: Infermedica, Emergency Severity Index e Manchester Triage System. Gli infermieri hanno ricevuto 24 ore di formazione su tutti e tre i sistemi e hanno dovuto superare una certificazione con almeno l'80% al test teorico e il 90% di accuratezza nelle simulazioni.
| Esito | IA | ESI | Manchester |
|---|---|---|---|
| Attesa media alla prima visita medica | 14,95 min | 25,06 min | 34,94 min |
| Complicanze in pronto soccorso | 4,42% | 7,15% | 10,25% |
| Errori di attribuzione del codice | 0,93% | 2,17% | 2,70% |
| Pazienti ad alto consumo di risorse | 29,9% | 41,4% | 48,7% |
| Contenziosi e reclami a sei mesi | 0,83% | 1,93% | 2,90% |
| Soddisfazione dei pazienti (scala 1-10) | 9,0 | 8,0 | 7,0 |
Le deviazioni standard dei tempi di attesa sono rispettivamente 5,02, 7,04 e 10,08 minuti, e le complicanze in valore assoluto 265, 429 e 615 casi (2). IA indica il braccio Infermedica, ESI l'Emergency Severity Index, Manchester il Manchester Triage System.
Le deviazioni standard dei tempi di attesa sono rispettivamente 5,02, 7,04 e 10,08 minuti, e le complicanze in valore assoluto 265, 429 e 615 casi (2). IA indica il braccio Infermedica, ESI l'Emergency Severity Index, Manchester il Manchester Triage System.
Sulla mortalità intraospedaliera in pronto soccorso il braccio IA mostra una probabilità inferiore rispetto al Manchester, con odds ratio 0,39 e intervallo di confidenza al 95% fra 0,32 e 0,47, e rispetto all'ESI, con odds ratio 0,61 e intervallo fra 0,51 e 0,74 (2). Il consumo elevato di risorse risulta anch'esso più basso, con odds ratio 0,51 e intervallo fra 0,45 e 0,58.
La revisione dell'International Journal of Medical Informatics riporta risultati coerenti su altri contesti: un pronto soccorso ha documentato una riduzione del 30% dell'attesa media dopo l'introduzione di un sistema che rimodula la priorità sui parametri vitali e sulla capienza del reparto, e diversi studi indicano una riduzione del tempo al trattamento fino al 20% nei casi tempo dipendenti (1).
Perché questi numeri vanno letti con prudenza
L'autore dello studio turco è il primo a delimitare la portata dei risultati, e la sezione dei limiti merita di essere letta prima dei risultati (2). Lo studio è monocentrico e copre 23 giorni, un periodo troppo breve per escludere l'effetto novità: nella fase di avvio di un sistema nuovo il personale è più motivato e più aderente ai protocolli, e questo da solo migliora le performance. Il disegno è osservazionale e non consente di attribuire al metodo di triage le differenze osservate. Non è stato eseguito un calcolo di potenza a priori né una correzione per confronti multipli, quindi i valori di p vanno considerati esplorativi e non confermativi. Gli errori di attribuzione sono stati misurati su un campione di 900 cartelle, 300 per braccio, non sull'intera coorte, sebbene con una concordanza fra revisori robusta (kappa di Cohen 0,81). La soddisfazione è autoriferita, con un tasso di risposta del 71,1%. Tutti gli esiti si fermano alla dimissione dal pronto soccorso: la mortalità a 30 giorni non è stata valutata.
Va aggiunto che ESI e Manchester non sono i sistemi in uso in Italia. Le Linee di indirizzo nazionali sul triage intraospedaliero, approvate con Accordo Stato-Regioni del 1 agosto 2019, hanno introdotto un modello a cinque codici numerici, dal codice 1 emergenza con accesso immediato al codice 5 non urgenza con attesa fino a 240 minuti, passando per il codice 2 urgenza a 15 minuti, il codice 3 urgenza differibile a 60 minuti e il codice 4 urgenza minore a 120 minuti (3). Un algoritmo validato su Manchester non è automaticamente trasferibile a questa scala.
Il bias algoritmico è un problema clinico, non informatico
La letteratura documenta casi in cui il modello ha sbagliato in modo sistematico e nella direzione peggiore. La revisione dell'International Journal of Medical Informatics riporta un sistema di valutazione del rischio che sottostimava in modo consistente la gravità nei pazienti di etnia nera rispetto ai pazienti bianchi, con conseguente ritardo nelle cure e peggiori esiti (1). Descrive inoltre un ospedale europeo in cui un algoritmo di triage declassava con regolarità i pazienti che si presentavano con sintomi atipici di sepsi, per un difetto di riconoscimento del pattern, con ritardo dell'intervento e aumento della mortalità (1).
Il meccanismo è sempre lo stesso. Il modello riproduce ciò che ha visto nei dati di addestramento. Se quei dati contengono disuguaglianze di accesso o di trattamento, l'algoritmo le eredita e le applica come se fossero regole cliniche. Se una presentazione è rara o ambigua, il modello estrapola oltre la propria distribuzione e produce quella che lo studio turco chiama allucinazione algoritmica: una raccomandazione formulata con la stessa apparente sicurezza di tutte le altre, ma priva di fondamento (2).
È il motivo per cui la revisione insiste sui modelli interpretabili, sugli audit periodici di bias e sul framework Human-in-the-Loop, che rende obbligatoria la validazione clinica prima che una decisione algoritmica produca effetti (1).
Cosa dice la norma europea
Il Regolamento (UE) 2024/1689, l'AI Act, non lascia margini interpretativi. L'Allegato III, punto 5, lettera d) classifica come ad alto rischio i sistemi di IA destinati a essere utilizzati per valutare e classificare le chiamate di emergenza e per stabilire le priorità di invio dei servizi di primo soccorso, «nonché per i sistemi di selezione dei pazienti per quanto concerne l'assistenza sanitaria di emergenza» (4). Il triage in pronto soccorso rientra testualmente in questa definizione.
Alla classificazione ad alto rischio l'articolo 14 associa l'obbligo di sorveglianza umana. Chi utilizza il sistema deve essere in grado di comprendere le capacità e i limiti dello strumento, di riconoscere la tendenza a fidarsi automaticamente dell'output (l'automation bias è nominato in modo esplicito), di decidere di non usare l'output e di interrompere il funzionamento del sistema (4). La responsabilità professionale, in altre parole, non si trasferisce alla macchina.
La gestione infermieristica
Questo è il punto in cui la tecnologia incontra la pratica quotidiana. Nelle Linee di indirizzo 2019 la valutazione professionale e l'attribuzione del codice restano dell'infermiere «specificatamente formato», che considera bisogni di salute, quadro clinico e rischio evolutivo (3). Un sistema di IA entra in questo processo come uno strumento di supporto, con lo stesso statuto di una scala di valutazione o di un parametro strumentale.
Tradotto in comportamenti operativi, significa quattro cose.
- Trattare il punteggio come un dato, non come una conclusione. Il valore restituito dal sistema si integra con la valutazione clinica, l'aspetto del paziente, i parametri e l'anamnesi. Non li sostituisce e non chiude la valutazione.
- Documentare ogni scostamento. Quando la priorità attribuita differisce dalla proposta dell'algoritmo, la motivazione clinica va scritta in cartella. È la traccia che protegge il professionista e, insieme, il dato che permette all'organizzazione di individuare i punti deboli del modello.
- Conoscere i limiti del sistema in uso. Su quale popolazione è stato addestrato, quali sintomi accetta in ingresso, come si comporta con le presentazioni atipiche, con l'anziano fragile, con il paziente che non riferisce dolore in modo tipico. Un uso competente presuppone questa conoscenza, che l'AI Act pone a carico del deployer.
- Segnalare gli errori. Una sottostima riconosciuta va riportata al risk management e al referente del sistema. Il modello migliora solo se il feedback clinico rientra nel ciclo di manutenzione.
Segni di allarme e trappole ricorrenti
La sottostima algoritmica ha un profilo riconoscibile. Riguarda il paziente anziano con sepsi senza febbre e senza leucocitosi, la donna con sindrome coronarica che riferisce dispnea, nausea o dolore dorsale invece del dolore toracico tipico, l'ictus del circolo posteriore che si presenta con vertigine isolata, il paziente immunodepresso o in terapia con beta-bloccanti, in cui i parametri restano ingannevolmente nella norma.
In tutti questi casi il modello riceve un quadro che assomiglia a una condizione benigna e risponde di conseguenza. Su presentazioni di questo tipo il punteggio basso non riduce il livello di attenzione, semmai lo alza: se il quadro clinico non convince, decide l'infermiere sul paziente, non il software sui dati.
C'è poi una trappola più sottile, che gli studi chiamano automation bias e che l'AI Act cita in modo diretto. Più il sistema si dimostra affidabile nella routine, più la propensione ad accettarne l'output senza verificarlo cresce, e proprio nel momento in cui l'algoritmo sbaglia il controllo umano è meno vigile. Un sistema accurato al 99% costruisce esattamente l'abitudine mentale che rende pericoloso il restante 1%.
Linguaggio revisionato con IA.
Bibliografia
- Da'Costa A, Teke J, Origbo JE, Osonuga A, Egbon E, Olawade DB. AI-driven triage in emergency departments: a review of benefits, challenges, and future directions. Int J Med Inform. 2025;197:105838. doi:10.1016/j.ijmedinf.2025.105838
- Boğa E. Impact of artificial intelligence-supported triage systems on emergency department management: a comparison of Infermedica, Emergency Severity Index, and Manchester Triage System. West J Emerg Med. 2026;27(2):257-68. doi:10.5811/westjem.48989
- Conferenza permanente per i rapporti tra lo Stato, le Regioni e le Province autonome di Trento e Bolzano. Linee di indirizzo nazionali sul triage intraospedaliero. Accordo rep. atti n. 143/CSR del 1 agosto 2019 [Internet]. Roma [consultato il 10 settembre 2026]. Disponibile su: https://www.statoregioni.it/media/1953/p-01-csr-atto-rep-n-143-01-agosto2019.pdf
- Parlamento europeo e Consiglio dell'Unione europea. Regolamento (UE) 2024/1689 del 13 giugno 2024 che stabilisce regole armonizzate sull'intelligenza artificiale. Gazzetta ufficiale dell'Unione europea, serie L, 12 luglio 2024. Disponibile su: https://eur-lex.europa.eu/legal-content/IT/TXT/PDF/?uri=OJ%3AL_202401689