Appropriatezza in tempo reale con Intelligenza Artificiale per ridurre le liste d’attesa

Ridurre le liste d’attesa non è solo una questione di “più offerta”, ma prima di tutto di domanda giusta.  

Ogni prestazione specialistica evitata (perché non realmente indicata) libera subito uno slot per chi ne ha davvero bisogno. Agendo a monte, nel momento della prescrizione, si possono recuperare spazi per le prestazioni urgenti e brevi (classi U e B del Piano Nazionale di Governo delle Liste d’Attesa – PNGLA) e ridurre le attese medie per tutte le priorità. In altre parole, appropriatezza significa tempi più brevi e qualità più alta delle cure. 

Liste d’attesa: dove intervenire sulla domanda 

Nel 2024 è stata creata la Piattaforma nazionale delle liste d’attesa (a cura di AGENAS) per monitorare in modo trasparente i tempi. I primi dati sui primi mesi 2025 mostrano un quadro disomogeneo: i tempi massimi garantiti dal PNGLA vengono rispettati solo per circa metà delle prestazioni. Nelle urgenze (U, entro 72 ore) appena poche visite/esami raggiungono il 75% di prenotazioni entro soglia. Nelle priorità differibili o programmabili (D – 30/60 gg; P – 120 gg) quasi nessuna prestazione arriva a quel 75%. I segnali più critici riguardano esami come la colonscopia: nella classe U la mediana di attesa supera 44 giorni (anziché 3 giorni), e persino il 25% delle urgenze attende ~6 mesi. Anche in visite specialistiche di dermatologia, oculistica e geriatria si registrano picchi oltre 170 giorni nelle classi meno urgenti. Questi dati indicano dove le code sono più lunghe e suggeriscono di intervenire sulla domanda impropria che le appesantisce. 

A livello normativo il PNGLA definisce quattro classi di priorità (U-B-D-P). Ad esempio, una richiesta urgente (U) dovrebbe essere erogata entro 72 ore, una breve (B) entro 10 giorni, una differibile (D) entro 30 giorni (visite) o 60 giorni (esami), e una programmata (P) entro 120 giorni. Un uso corretto di queste classi (noti come RAO – Raggruppamenti di Attesa Omogenei) è fondamentale: assegnare la priorità sbagliata equivale a occupare slot urgenti con pazienti che potrebbero attendere di più, a discapito dei casi più bisognosi. Un Clinical Decision Support System (CDSS, sistema di supporto decisionale clinico) basato su AI può aiutare il medico a scegliere la classe giusta, garantendo che una richiesta “B” venga riservata solo a chi ne ha i criteri clinici, lasciando liberi gli slot rapidi per chi ne ha davvero urgenza. 

Prestazioni inappropriate: quanta pressione inutile sulle agende 

Circa 1 esame TAC su 5 risulta inappropriato secondo criteri internazionali e per le Risonanze Magnetiche la quota è simile (≈21% non indicate). Nell’endoscopia digestiva, diversi studi europei riportano tassi di colonscopie non giustificate tra ~22% e ~30%, con alcuni audit clinici che superano addirittura un terzo dei casi. In ambito cardiologico non invasivo, le revisioni sui test da sforzo con imaging (ecocardiogramma da sforzo, scintigrafia miocardica) indicano quote di esami non appropriati variabili da circa 11% fino a 28% a seconda dei criteri adottati. È stato inoltre documentato che l’introduzione di strumenti di decision support e feedback ai prescrittori può migliorare significativamente questi numeri: in uno studio multicentrico l’uso di un software basato su Appropriate Use Criteria ha ridotto gli esami inappropriati dal 22% al 6% delle richieste. 

Anche il laboratorio offre esempi emblematici. Basti pensare al boom della vitamina D: fino a pochi anni fa i test e prescrizioni di supplementi di vitamina D venivano spesso richiesti in assenza di indicazioni cliniche solide. La Nota AIFA 96 (che limita la rimborsabilità a criteri stringenti) ha fatto calare drasticamente questi numeri. Nei 25 mesi successivi all’introduzione della Nota si è osservata una riduzione di oltre 20 milioni di unità di farmaci a base di vitamina D dispensate, corrispondente a –21% di spesa (circa 139 milioni di euro risparmiati) rispetto a prima. Regole chiare e controlli a monte funzionano: in breve tempo, la vitamina D è passata da “esame di moda” a prescrizione mirata ai soli pazienti che ne hanno reale necessità. 

In sintesi, dati diversi dicono la stessa cosa: una porzione rilevante della domanda specialistica è evitabile. Ogni esame inutile evitato al paziente sbagliato è tempo guadagnato per quello giusto. La letteratura internazionale stima che fino al 20% della spesa sanitaria sia assorbita da prestazioni senza valore aggiunto per la salute. Nel solo campo degli esami diagnostici “a basso valore”, i costi globali aggregati ammontano a diversi miliardi di dollari l’anno, ma gli interventi mirati (linee guida, Choosing Wisely, strumenti di appropriatezza) possono ridurre questi sprechi fino al 95% senza effetti negativi per i pazienti. Tradotto: capacità recuperata che si trasforma direttamente in riduzione delle liste d’attesa nelle aree più critiche. 

Come l’AI può accorciare le code: il CDSS al punto di prescrizione 

Uno strumento di Clinical Decision Support integrato nei sistemi di prescrizione (usato da Medici di Medicina Generale e specialisti al momento di richiedere l’esame) può portare l’analisi di appropriatezza “in tempo reale” dove serve, prima che la prestazione entri in agenda. In concreto, un CDSS a regole funziona così: 

1. Comprensione del caso: il sistema raccoglie dal gestionale i dati clinici rilevanti (sintomi, segni, diagnosi note, comorbidità, terapie in corso, risultati recenti) e li “normalizza”. Anche se il medico scrive un sintomo in testo libero, l’AI lo riconosce e lo confronta con le linee guida e i protocolli locali (es. PDTA – Percorsi Diagnostico Terapeutici Assistenziali). 

1. Verifica di appropriatezza in tempo reale: mentre il medico compila la richiesta, il CDSS verifica se l’esame o visita è indicato per quel caso. Restituisce un semaforo di appropriatezza (verde = appropriato, giallo = indicato con riserva, rosso = non indicato) accompagnato da una motivazione e dalle fonti cliniche. Ad esempio, per una lombalgia senza red flag, il sistema potrebbe suggerire un trattamento conservativo prima di una Risonanza Magnetica, motivando il consiglio con linee guida ortopediche. 

1. Suggerimento di priorità corretta (RAO): il software aiuta anche a scegliere la classe di priorità giusta (U, B, D o P) in base ai criteri clinici inseriti. Per esempio, segnala che la classe B (10 giorni) è riservata a determinati quadri clinici stringenti, evitando che una richiesta di bassa priorità occupi posti destinati a prestazioni da eseguire velocemente. 

1. Alternative e bundling: se la prestazione richiesta risulta non appropriata, il sistema può proporre percorsi alternativi. Ad esempio, invece di una TAC in pronto soccorso per sospetta trombosi, può consigliare prima un esame del sangue D-dimero (un test più semplice per valutare il rischio di coagulo); solo se questo risulta positivo allora procedere con indagini imaging più complesse. Analogamente, può suggerire di abbinare esami correlati (reflex testing in laboratorio) o inserire il paziente in un percorso diagnostico-terapeutico già esistente. 

1. Giustificazione automatica e sicurezza: per esami con radiazioni ionizzanti (RX, TAC) il CDSS genera in automatico la giustificazione prevista dal D.Lgs. 101/2020 (normativa di radioprotezione). Valuta cioè il rapporto rischio/beneficio, stima la dose e segnala eventuali controindicazioni (es. allergie al mezzo di contrasto), producendo un documento che tutela paziente, prescrittore e servizio sanitario. 

1. Integrazione con il sistema di prenotazione (CUP): infine, le richieste classificate come “non appropriate” non vengono accettate nelle agende pubbliche (possono comunque essere erogate fuori SSN se il paziente insiste, ma difficilmente lo farà di fronte a un semaforo rosso motivato). Le richieste “appropriate con riserva” invece vengono tenute “in stand-by” e sbloccate solo quando i criteri indicati sono soddisfatti. Questo meccanismo riduce sia i no-show (prenotazioni che poi il medico cancella perché nel frattempo rivalutate) sia i ripescaggi di pazienti più gravi da liste lunghe. 

Effetto a catena: meno esami a basso valore significano più capacità erogativa dove serve. Gli slot liberati permettono di prenotare entro soglia un maggior numero di prestazioni per le giuste priorità, accorciando le liste d’attesa proprio nei punti più critici (ad esempio colonscopie per sospetto di tumore o screening, RM per indicazioni neurologiche serie, test cardiologici per pazienti con sintomi significativi). L’impatto potenziale è enorme: secondo l’OCSE, un quinto della spesa sanitaria è spesa per prestazioni inefficaci. Reindirizzare queste risorse verso prestazioni appropriate significa ridurre i tempi di attesa senza aumentare la spesa complessiva. I primi dati nazionali sulle liste d’attesa indicano come sfida chiave l’aumento della percentuale di prestazioni erogate entro i tempi standard (il famoso obiettivo del 90% o 100% nei tempi massimi, che oggi molte regioni raggiungono solo nel 50-75% dei casi). Intervenire a monte sulla domanda agisce esattamente su questo denominatore, migliorando quel percentuale senza dover aggiungere straordinari né comprare prestazioni aggiuntive dal privato. 

Priorità di intervento e impatto atteso 

Quali sono le aree dove un sistema di appropriatezza in tempo reale può dare risultati più rapidamente? Di seguito alcuni esempi chiave, con numeri indicativi: 

• Colonscopia: è uno degli esami con attese più lunghe e variabili (mediana di 44 giorni nelle urgenze). Storicamente circa 1 colonscopia su 4 è risultata inappropriata secondo criteri internazionali, e audit italiani hanno stimato fino al 30% di esami non indicati (soprattutto follow-up troppo ravvicinati). Un filtro a monte basato su sintomi “rossi”, indicazioni di screening e criteri di invio specialistici può liberare rapidamente slot per i casi di sospetto clinico serio e per i programmi di screening, riducendo sensibilmente le attese nelle classi D e P. 

• Imaging diagnostico (TAC/RM): diversi studi stimano tra il 20% e il 40% di esami di imaging non appropriati, a seconda del contesto e del Paese. Le situazioni più frequenti: lombalgia senza segni di allarme sottoposta subito a risonanza, cefalea semplice inviata a TAC, controlli radiologici di routine non guidati da sintomi o linee guida (ad es. follow-up oncologici fuori PDTA). Un CDSS può intercettare queste richieste e suggerire alternative (terapie conservative, esami meno invasivi) o il corretto timing. Oltre a ridurre attese inutili, questo comporta meno esposizione a radiazioni per i pazienti e meno “incidentalomi” (riscontri casuali da imaging) che generano ulteriori esami. Esempio: in una ASL con 5.000 RM annue, eliminare anche solo il 15% di risonanze non indicate libererebbe 750 slot all’anno. Redistribuendo questi spazi verso le classi prioritarie (B e D), la mediana di attesa potrebbe ridursi di diverse settimane nei periodi di picco, senza bisogno di ore extra di macchina né di acquistare prestazioni aggiuntive. 

• Cardiologia non invasiva: gli esami da sforzo con imaging (ecocardiogrammi da sforzo, test perfusionali) hanno tassi di inappropriatezza intorno al 10–20% (fino a ~28% in alcuni centri). Integrare in fase di richiesta gli AUC (Appropriate Use Criteria) americani o europei e percorsi basati sui sintomi può evitare esami duplicati o prematuri. Ad esempio, un paziente asintomatico con test da sforzo recente non dovrebbe rifarne uno a breve distanza se non ci sono nuovi sintomi. Ad esempio ridurre del 15% questi test inutili significa dirottare risorse verso chi ha davvero bisogno di diagnosi cardiovascolari, evitando che pazienti con angina effettiva aspettino oltre il dovuto. Studi hanno dimostrato inoltre che dando ai cardiologi feedback strutturati sulle loro prescrizioni (quali erano inappropriate secondo i criteri) si migliora nel tempo la performance appropriativa. 

• Laboratorio (esempio vitamina D e altri): come visto, l’applicazione stringente di criteri (Nota 96 AIFA) sul dosaggio della vitamina D ha tagliato oltre 1/5 delle prescrizioni, senza effetti negativi sulla salute pubblica. Estendere lo stesso approccio ad altri esami “di moda” potrebbe portare benefici analoghi. Pensiamo ai pannelli tiroidei estesi (spesso richiesti oltre le linee guida), ai marcatori tumorali ripetuti troppo spesso, o a test genetici di screening non raccomandati: un CDSS può ricordare al medico la best practice (es. “questo esame andrebbe fatto non prima di 6 mesi dall’ultimo, a meno di nuovi sintomi”) e proporre eventualmente alternative. Il risultato atteso è meno code nei laboratori e risorse concentrate sugli esami realmente utili (ad esempio, più capacità per test urgenti o per esami di screening popolari come HbA1c, ecc.). 

Cosa serve “sotto il cofano” di un CDSS appropriato 

Implementare un sistema di supporto decisionale di questo tipo richiede alcune caratteristiche chiave, sia tecniche che organizzative: 

• Motore di regole multilivello: il CDSS deve poter combinare linee guida internazionali/nazionali (es. raccomandazioni ministeriali, AGENAS, società scientifiche) con regole regionali e addirittura specifiche di singola azienda (es. protocolli interni di un IRCCS – Istituto di Ricovero e Cura a Carattere Scientifico). Le regole vanno versionate e aggiornate con governance chiara, prevedendo override locali se necessario. 

• Spiegabilità by design: ogni semaforo o suggerimento fornito deve essere comprensibile e trasparente. Il sistema deve mostrare perché una richiesta risulta inappropriata (es. “Linee guida X: non indicato TAC per mal di testa tensivo senza segni di deficit neurologico”) e magari suggerire cosa fare prima. Questo aumenta la fiducia dei clinici, che non vedono un “no” arbitrario ma una motivazione clinica solida. 

• Interoperabilità: il CDSS deve integrarsi con l’EHR/FSE (Electronic Health Record / Fascicolo Sanitario Elettronico) per leggere i dati clinici, con i sistemi dipartimentali (RIS/PACS per la radiologia, LIS per i lab) e soprattutto con il sistema di prenotazione (CUP – Centro Unico di Prenotazione). Solo intercettando o differenziando le richieste a monte, infatti, si evita che prestazioni inadeguate finiscano in agenda (a valle sarebbe troppo tardi, avrebbero già preso posto). 

• Cruscotti di governance: è importante misurare e monitorare l’impatto. Il sistema dovrebbe offrire dashboard con indicatori come tasso di appropriatezza per branca, numero di slot liberati, percentuale di prestazioni erogate nei tempi per ciascuna classe RAO, ecc. Questo aiuta il management a identificare aree critiche e anche a distinguere le eccezioni appropriate (casi in cui si bypassa la regola con giustificazione clinica valida) da abitudini prescrittive inadeguate da correggere. 

• Funzionalità di radioprotezione automatica: come accennato, in ambito imaging il CDSS dovrebbe supportare la compliance al D.Lgs. 101/2020 generando la giustificazione radiologica per ogni esame Rx/TAC. Ciò include valutare l’idoneità del paziente (gravidanza? allergie?), la dose attesa e annotare che l’esame è appropriato secondo le regole: informazioni che andranno conservate a norma di legge. 

AI in fase di sviluppo: perché serve l’human-in-the-loop 

I moduli di Intelligenza Artificiale per queste finalità sono attualmente in fase di sviluppo e sperimentazione pre-clinica presso la Connect Informatics. L’obiettivo è affiancare (non sostituire) il medico nel processo decisionale, in una logica di “human-in-the-loop”. In pratica, il CDSS formula un consiglio, ma la decisione finale resta sempre al clinico. Durante questa fase, gli algoritmi vengono validati progressivamente con supervisione umana: si raccolgono i casi reali, si valutano gli esiti, si tarano soglie e regole per minimizzare sia i falsi positivi (blocchi inutili) che i falsi negativi (casi inappropriati sfuggiti). Inoltre, si definiscono i limiti d’uso: ad esempio, il sistema potrebbe inizialmente concentrarsi su poche prestazioni pilota (le più critiche) per poi estendersi ad altre, man mano che l’affidabilità è dimostrata. Questo approccio graduale tutela sia i pazienti sia i medici, garantendo che l’AI porti beneficio clinico senza introdurre rischi o aggravi nel flusso di lavoro. 

Conformità e fiducia: GDPR, certificazione MDR, AI Act 

Oltre all’efficacia, un sistema del genere deve essere compliance by design. I dati sanitari trattati rientrano nelle categorie particolari tutelate dall’art.9 GDPR (dati sensibili), quindi servono basi giuridiche adeguate (es. consenso esplicito o altre condizioni di legge), minima conservazione necessaria, crittografia e audit trail degli accessi. Sul fronte regolatorio, un CDSS che influenza decisioni diagnostiche/terapeutiche rientra nel perimetro dei dispositivi medici software secondo il MDR (Regolamento UE 2017/745). In base alle linee guida europee aggiornate (MDCG 2019-11 rev. 2025), molti di questi sistemi si classificano in classe IIa o superiore, in quanto forniscono informazioni utilizzate per prendere decisioni cliniche. Ciò comporta obblighi stringenti per il produttore: certificazione CE con organismo notificato, gestione del rischio, validazione clinica rigorosa, sorveglianza post-market, ecc. Infine, dal 1° agosto 2024 è entrato in vigore il nuovo AI Act europeo. I CDSS rientrano tra i sistemi di IA ad alto rischio (esempio tipico: software medico basato su AI) e devono quindi soddisfare requisiti quali: gestione del rischio algoritmico, alta qualità dei dati di addestramento, documentazione tecnica dettagliata, supervisione umana sui risultati e misure di trasparenza spiegando al medico come l’AI arriva a certe conclusioni. Un CDSS progettato con spiegabilità e tracciabilità fin dall’inizio risponde già a molti di questi requisiti, rendendo più agevole l’adeguamento alla nuova normativa sull’IA. 

Meno sprechi, più cura (e tempi più umani) 

Portare l’appropriatezza in tempo reale nel punto di prescrizione significa dare una risposta concreta a due esigenze fondamentali dei cittadini: tempi più brevi e qualità più alta delle prestazioni sanitarie. Grazie all’AI spiegabile e integrata nei sistemi clinici, è possibile filtrare a monte le richieste inappropriate nelle branche più sotto pressione (imaging, endoscopia, cardiologia, laboratorio), liberando risorse preziose. Gli slot recuperati vengono immediatamente redistribuiti sui pazienti che ne hanno veramente bisogno, riducendo le liste d’attesa proprio dove oggi abbiamo i ritardi maggiori. La buona notizia è che gli strumenti ci sono e stanno maturando rapidamente. 

In Connect Informatics abbiamo fatto di questa missione un pilastro della nostra attività di ricerca e sviluppo, creando soluzioni ad hoc basate su Intelligenza Artificiale per l’appropriatezza prescrittiva (motori di regole aggiornabili, razionali clinici citati e registrati, integrazioni dirette con CUP e sistemi aziendali, cruscotti per monitorare l’impatto). Siamo convinti che un approccio di questo tipo possa tagliare i costi inutili e aumentare l’efficienza diagnostica del SSN, mantenendo al centro la sicurezza del paziente e il rispetto normativo. Ogni innovazione, per contare davvero, deve essere dalla parte del paziente e del suo tempo.  

Contattaci per una demo o valutazione di fattibilità, saremo lieti di analizzare senza impegno le possibili applicazioni dell’Intelligenza Artificiale nella tua struttura sanitaria. 

Fonti (italiane) 

• Osservatorio Conti Pubblici Italiani (Univ. Cattolica) — I primi dati dalla Piattaforma nazionale sulle liste d’attesa — 2025 osservatoriocpi.unicatt.it  

• Marcosignori M. et al. — Inappropriatezza prescrittiva delle colonscopie: un audit clinico — Evidence (2012) evidence.it 

• Frittella A. et al. — Vitamina D: analisi dell’effetto della Nota 96 a 25 mesi dalla sua introduzione — Boll. SIFO 68(3):224-233 (2022) bollettinosifo.it 

Fonti (internazionali) 

• Bianco A. et al. — To what extent do hospitalised patients receive appropriate CT and MRI scans? — BMJ Open 8:e018125 (2018) pubmed.ncbi.nlm.nih.gov 

• Ladapo JA. et al. — Appropriate Use of Cardiac Stress Testing with Imaging: A Systematic Review and Meta-Analysis — PLoS ONE 11(8):e0161153 (2016) journals.plos.org 

• Lin FY. et al. — Impact of an AUC Decision Support Tool on Rates of Appropriate Testing — JACC 62(4):308-16 (2013) acc.org 

• Kjelle E. et al. — Cost of Low-Value Imaging Worldwide: A Systematic Review — Appl. Health Econ. Health Policy 22(4):485-501 (2024) pubmed.ncbi.nlm.nih.gov 

• OECD — Health in the 21st Century: Putting Data to Work for Stronger Health Systems — OECD Publishing (2019) oecd.org