Studio UE sull’IA nel settore sanitario

I sistemi sanitari europei stanno affrontando pressioni crescenti: la popolazione sopra i 65 anni è in continuo aumento e si stima che circa il 40% dei cittadini UE sopra questa soglia vivono con almeno due condizioni croniche. A ciò si aggiunge la previsione che l'UE avrà una carenza di 4,1 milioni di operatori sanitari entro il 2030. In questo scenario, l’intelligenza artificiale rappresenta una risorsa chiave, ma la sua integrazione nella pratica clinica procede lentamente. 

Uno studio condotto dalla Direzione Generale per la Salute e la Sicurezza Alimentare della Commissione Europea, basato su consultazioni effettuate con oltre 230 stakeholders fra pazienti, professionisti sanitari, rappresentanti ospedalieri, sviluppatori e ricercatori in ambito AI ed esperti di regolamentazione dell’IA, si pone l’obiettivo di rispondere alle sfide che stanno affrontando i sistemi sanitari europei nell’implementazione dell’IA.

Uno dei campi di maggior rilievo è l'ottimizzazione dei processi ospedalieri: algoritmi avanzati in grado di prevedere il flusso dei pazienti, ottimizzare l'assegnazione dei posti letto e ridurre i tempi di attesa, come dimostrato da casi di successo negli Stati Uniti e nel Regno Unito, dove l'IA ha permesso di ridurre i ritardi in sala operatoria fino al 70%.

Un secondo beneficio tangibile è l'alleggerimento del carico amministrativo che opprime i professionisti sanitari. Studi dimostrano che medici e infermieri possono arrivare a dedicare fino al 60% del loro tempo alla documentazione clinica, ma strumenti di IA, come gli “IA-scribes” che trascrivono automaticamente le conversazioni medico-paziente, possono ridurre drasticamente questo onere. Pazienti, medici e rappresentanti ospedalieri riconoscono in questi strumenti di supporto amministrativo il potenziale trasformativo più elevato.

L'IA sta inoltre rivoluzionando l’ambito della diagnosi e il trattamento, in particolare in campi ad alta intensità di dati come la radiologia e l'oncologia. Algoritmi di deep learning possono analizzare immagini mediche (TAC, mammografie, risonanze) con una velocità e una precisione talvolta superiori a quelle umane, identificando lesioni tumorali in fase precoce o assistendo i medici nella scelta di terapie personalizzate.

Lo studio si pone come focus quello di identificare le barriere per l’adozione di questi strumenti e gli acceleratori, ossia le strategie di successo e buone pratiche impiegate dagli ospedali o da altre organizzazioni per superare gli ostacoli comuni.

L’adozione dell’IA su larga scala è infatti frenata da quattro macrocategorie di sfide: tecnologiche, legali, organizzative e socioculturali.

Innanzitutto, vi è la mancanza di standardizzazione e interoperabilità dei dati sanitari. A questo si aggiungono infrastrutture IT obsolete incapaci di supportare le complesse esigenze computazionali dell'IA. Per superare questo ostacolo di natura tecnica è necessaria l’adozione di standard di dati comuni e la conduzione di test di performance locali. Ospedali all'avanguardia stanno già utilizzando standard internazionali per garantire che i dati possano essere scambiati e compresi tra sistemi diversi.

La creazione di "laboratori di garanzia" ("assurance laboratories") interni agli ospedali, dove gli strumenti di IA vengono testati su dati locali prima di un'adozione su larga scala, si sta dimostrando una pratica vincente per garantire affidabilità e sicurezza. La collaborazione precoce tra sviluppatori e ospedali è chiaramente fondamentale per assicurare un'integrazione fluida nei flussi di lavoro clinici.

Il tema presenta poi un panorama normativo complesso che genera preoccupazioni sulla privacy e la sicurezza dei dati. La necessità di gestire dati sanitari sensibili, spesso tramite servizi cloud, solleva timori sulla conformità al GDPR e sui rischi di cyber-attacchi, minando la fiducia di medici e pazienti. 

Persiste inoltre una forte incertezza sulla responsabilità legale in caso di errori dell'IA: medici e ospedali temono di essere ritenuti responsabili per decisioni errate suggerite dagli algoritmi, una questione che frena la fiducia e l'utilizzo clinico degli strumenti. 

Si sta facendo ricorso a comitati di governance dell’IA interdisciplinari a livello ospedaliero con il compito di supervisionare l’adozione degli strumenti e la gestione dei rischi.

L'implementazione dell'IA richiede investimenti significativi, ma i budget sanitari, soprattutto nel settore pubblico, sono spesso limitati e a ciò si aggiunge la mancanza di modelli di rimborso chiari per le prestazioni basate sull'IA. Molti ospedali, inoltre, non hanno ancora sviluppato una strategia aziendale definita per l'adozione dell'IA, procedendo in modo frammentato e poco coordinato.

Infine, anche il fattore culturale continua a incidere in quanto medici e pazienti nutrono ancora scetticismo verso questa tecnologia i cui processi decisionali non sono sempre trasparenti o di facile interpretazione. Persistono timori riguardo alla sicurezza del posto di lavoro e a un'eccessiva dipendenza dalla tecnologia, che potrebbe erodere il pensiero critico dei medici e il rapporto umano con il paziente.

L'acceleratore più efficace sembra essere un investimento massiccio in programmi di formazione e alfabetizzazione digitale. Corsi mirati per il personale sanitario, che coprano non solo gli aspetti tecnici ma anche quelli etici e pratici, sono fondamentali per costruire fiducia e competenza. Allo stesso tempo, iniziative di educazione per il pubblico possono demistificare la tecnologia e migliorare l'accettazione da parte dei pazienti. L'integrazione dell'IA nei curricula universitari di medicina è un passo chiave per preparare le future generazioni di professionisti sanitari.

Lo scopo ultimo dello studio è quello di fornire alla Commissione Europea delle raccomandazioni su come colmare le lacune identificate. Sulla base degli acceleratori si identifica come primo punto la necessità di azioni coordinate a livello europeo: definire standard comuni per la governance dei dati, rafforzare l’interoperabilità, creare Centri di Eccellenza per l’IA in sanità e sviluppare protocolli per valutare le soluzioni prima e dopo l’implementazione. Si propone inoltre la creazione di un catalogo di applicazioni certificate, utile a garantire trasparenza e a guidare le strutture sanitarie verso scelte informate.