L’utilizzo dell’intelligenza artificiale e del machine learning per la predizione dell’assorbimento di risorse umane

Scritto il 09/12/2025

da Roberto Bindi

In oltre vent’anni di attività nelle strutture sanitarie italiane emerge un dato costante: la qualità dell’assistenza dipende dalla combinazione tra competenze, organizzazione e capacità gestionale. Ma dotazioni ridotte, distanza tra direzione e reparti e difficoltà nel mantenere le competenze hanno reso fragili i team, aggravando le criticità esplose con la pandemia. Da qui nasce l’idea di un modello predittivo basato su intelligenza artificiale e machine learning per programmare in modo più efficace il nurse staffing, anticipare il fabbisogno e utilizzare le risorse in modo più flessibile e sicuro. Una prospettiva che sposta il focus: non chiedere solo più personale, ma gestirlo meglio.

Ripensare l’organizzazione: dalle carenze strutturali ai modelli predittivi

In oltre vent’anni di lavoro in diverse strutture sanitarie, Aziende Ospedaliere Universitarie, Asl, presidi territoriali e ospedali di riferimento, è emerso con chiarezza un nesso forte tra le caratteristiche dei team e la loro capacità di agire.

Competenze individuali, skill mix e dotazione organica, in termini assoluti, determinano la qualità della risposta alla domanda di salute: una risposta che nasce sempre dal contributo sinergico e multiprofessionale delle figure coinvolte.

A fare la differenza, però, non è solo “chi” lavora. Dimensionamento, struttura, tecnologie, dotazioni organiche e reti cliniche incidono sul risultato, così come i fattori storici, finanziari, sociali e politici del territorio in cui l’organizzazione opera. È la combinazione di queste variabili a spiegare perché la qualità percepita dal cittadino può variare da un contesto all’altro.

Anche il management pesa, e molto. In ogni realtà ricorrono tre criticità, un “minimo comun denominatore” che si ripresenta nel tempo:

distanza crescente tra direzione e linea operativa
dotazioni organiche spesso non allineate ai flussi di domanda
difficoltà a garantire flessibilità organizzativa e, di conseguenza, a mantenere le competenze

La pandemia di COVID-19 ha acuito tutto questo. In poche settimane gli ospedali hanno cambiato pelle: nuovi reparti, reclutamenti, trasferimenti interni. La vera carenza, oltre ai numeri, è stata quella di competenza umana. La lezione è chiara: servono strumenti per allocare meglio le risorse, preservare e sviluppare competenze, e gestire-formare il personale in modo nuovo.

Il quadro è reso più complesso da una stagione segnata dalla fuga di professionisti dal Ssn verso il privato o l’estero, che impoverisce ulteriormente un patrimonio umano già fragile. La gestione appropriata e flessibile delle risorse non è solo un tema clinico-organizzativo: è anche il principale capitolo di spesa per ogni Azienda sanitaria.

Da qui l’idea: avviare un progetto di miglioramento che utilizzi intelligenza artificiale (IA) e machine learning per predire l’assorbimento di risorse, così da programmare in modo più chiaro e flessibile, con una risposta di salute appropriata e sicura.

Il focus di questo studio sperimentale è il nurse staffing: non il reclutamento in sé, ma la gestione delle risorse già presenti in struttura. L’obiettivo è ingegnerizzare un modello logico predittivo che consenta di conoscere in anticipo l’assorbimento e “spostare” le risorse dove servono, salvaguardando:

efficacia
efficienza
sicurezza
flessibilità

Il reclutamento di infermieri, ostetriche e operatori di supporto non è un mero calcolo: incide sulla qualità dei servizi e sul bilancio aziendale, essendo il personale il fattore produttivo più rilevante in termini di costi. La crescente complessità clinica e gestionale ha richiesto un rafforzamento del coordinamento per garantire risposte efficaci e percorsi integrati pubblico–privato.

In Italia, nonostante diverse norme, manca ancora un modello nazionale efficace per definire il fabbisogno di personale; le evidenze statistiche disponibili sono poche e frammentarie a livello locale. Tra limiti normativi, vincoli di bilancio e fuga di professionisti, a livello aziendale restano due strade: razionare o riorganizzare. Con margini di razionamento ormai ridotti, questo lavoro guarda alla riorganizzazione: un cambiamento più profondo, che agisce su più leve.

L’idea è costruire un modello predittivo capace di indicare in anticipo l’assorbimento previsto, fornendo una base scientifica per riallocazioni temporanee e per la rimodulazione degli schemi di servizio. Serve una stima anticipatadel fabbisogno per definire priorità, disegnare accessi, riallocare risorse, ridefinire ruoli, sviluppare e diffondere nuove competenze tecniche e gestionali. Il successo si misura su dimensioni non banali: tasso di copertura dei bisogni, equità degli accessi, qualità dei servizi.

Testato il modello, sarà verosimilmente necessario creare aree funzionali omogenee, distinguendo fin dalla porta di ingresso luoghi e modalità erogative, e prevedendo assetti flessibili per l’allocazione variabile delle risorse, a tutela anche del mantenimento delle competenze.

In sintesi, il paradigma cambia: non chiedere più (solo) più personale, ma usare meglio quello disponibile, proattivamente, riducendo attività non a valore, inefficienze e anticipando le criticità.

Materiali e metodi

Sezione	Dettagli
Quesito di ricerca	In che modo l’IA può aiutare i manager a predire l’assorbimento di risorse umane?
Obiettivo	Verificare se un modello logico predittivo consente di stimare l’assorbimento di risorse per: programmare i turni mensili in base alla necessità stimata; individuare per tempo i casi che richiedono incremento di dotazione centrale; offrire ai manager uno strumento di supporto decisionale basato su machine learning; proporre una revisione organizzativa della divisione del lavoro con aree funzionali omogenee; implementare un sistema di mantenimento competenze, aumentando flessibilità ed efficienza.
Ipotesi nulla	Nessuna differenza tra il delta (risorse presenti vs necessarie) con la programmazione tradizionale rispetto a quella supportata dal machine learning.
Popolazione	Infermieri dell’Unità Operativa di Rianimazione dell’Ospedale di Arezzo.
Intervento	Programmazione mensile mediante modello logistico con machine learning.
Confronto	Programmazione mensile con i modelli usuali.
Outcome	Efficienza di programmazione, misurata come delta tra presenti e necessari.
Tipo di studio	Quantitativo, analitico, prospettico.
Piano di analisi	Dati estratti dal sistema informativo Margherita3: complessità assistenziale (scala NEMS) per ogni giorno e turno; numero di assistiti; necessità teorica di risorse; dotazione reale; Analisi statistiche condotte con Jamovi.
Ricerca bibliografica	Revisione amministrativo–normativa e su IA. Banche dati consultate: Ovid CINAHL, PubMed, MEDLINE, Evidence Based Nursing; keyword: nursing role, NEMS, workload in intensive care, complexity of care; inclusi studi sperimentali, osservazionali e revisioni sistematiche (1990–2023). È emerso come gold standard il NEMS, correlato al Work Utilization Ratio (WUR).
Contesto e dataset	Dati dell’UOC Rianimazione di Arezzo 2022–2023. Variabili indipendenti: NEMS (calcolato automaticamente da Margherita3); Numero di assistiti nei turni M–P–N; Numero effettivo di infermieri presenti. Database finale: 10.950 record.
Modellazione	Descrizione iniziale (Jamovi); Test modello predittivo con autoregressione lineare; Variabili aggiuntive testate (mortalità, esiti clinici maggiori) risultate non significative (p > 0,05); Escluse dal modello definitivo.
Addestramento e orizzonte di previsione	Modello addestrato sui dati 2022, 2023 e 2024 (fino al 31 marzo). Testati lag da 1 a 7 giorni; oltre (fino a 30 giorni) l’accuratezza diminuiva.

Risultati

Il modello funziona e fornisce una stima dei trend di domanda e del conseguente assorbimento di risorse. Ogni giorno vanno aggiornati numero reale di pazienti, score medio NEMS e infermiere stimati dall’algoritmo: così il sistema proietta in avanti fino al 31 dicembre 2024. L’affidabilità è buona per ~2 settimane e decresce verso il mese, caratteristica tipica dei modelli autoregressivi.

Robustezza per variabile:

Variabile dipendente “Numero di infermieri”: R = 0,791, R² = 0,625; significatività dei ritardi p < 0,01.
Variabile indipendente “Media score (NEMS)”: R = 0,730, R² = 0,533; p < 0,01.
Variabile indipendente “Numero pazienti”: R = 0,848, R² = 0,719; p < 0,01.

Nel test ambientale, le previsioni hanno supportato il manager nella programmazione mensile, riducendo il delta tra risorse presenti e necessarie rispetto alla pianificazione just in time giorno per giorno.

Discussione

Il confronto è stato diacronico, valutando la media del delta tra risorse programmate e necessarie teoriche con e senzalo strumento, in due momenti distinti.

Il volume dati è rilevante ma limitato (ultimi due anni); dataset più ampi aumenterebbero l’accuratezza. La significatività statistica delle variabili chiave — Numero pazienti, Media NEMS e Numero infermieri teorici — è risultata solida. L’inclusione di esiti clinici “major” (mortalità, trasferimenti HUB) non ha migliorato la robustezza del modello.

Come per le previsioni meteo, l’affidabilità cala con l’orizzonte temporale: buona nel breve, più incerta oltre la settimana. Nonostante ciò, nell’ambiente di test il modello ha ridotto il delta medio reali/teorici, consentendo di rigettare l’ipotesi nulla e di efficientare l’impiego delle risorse.

L’intelligenza artificiale può supportare i manager nelle decisioni. Va però intesa come strumento aggiuntivo, non come sostituto del professionista. È utile in pianificazione e ancor più in programmazione.

L’affidabilità dipende dalla qualità costruttiva del modello e da fattori esterni: accuratezza dei dati, competenzanell’interpretarli e capacità di comunicare le previsioni. In questo caso è stato decisivo poter misurare la complessità assistenziale con uno strumento validato, efficace ed efficiente come il NEMS. Dove non si misura la complessità, lo strumento non è applicabile.

Dataset più ampi renderebbero il machine learning più articolato e preciso; un confronto sincronico (contemporaneo) fornirebbe indicazioni aggiuntive su efficacia ed efficienza. Sono auspicabili studi successivi e applicazioni in contesti diversi.

Già oggi, però, il modello mostra punti di forza chiari: stima anticipata dell’assorbimento e supporto alla programmazione, pur nel rispetto dell’intervento umano.

Un beneficio collaterale, ma non secondario, è la contaminazione positiva di competenze: per costruire e interpretare il modello, il management sanitario ha lavorato a stretto contatto con l’ingegneria, con esiti virtuosi.

Implicazioni organizzative

Se esteso ad altri contesti, il modello può non solo stimare l’assorbimento e calibrare la programmazione, ma anche sostenere una ridisegno organizzativo per aree funzionali omogenee (per processi, prodotti o competenze), abilitando flessibilità interna e mobilità programmata delle risorse dove la previsione indica maggior bisogno.

La pandemia ha insegnato l’urgenza di allocare meglio, implementare e mantenere le competenze. Politiche di job rotation ragionata possono ampliare l’esperienza degli infermieri, rafforzarne la resilienza, la visione del quadro clinico–organizzativo e ridurre l’impatto psicologico di riassegnazioni improvvise. La predizione dell’assorbimento diventa così un abilitatore di un sistema più efficiente, efficace e sicuro.