I fondi PNRR della Missione 6 hanno spinto tutte le Regioni verso il fascicolo sanitario elettronico e i sistemi di supporto decisionale in pronto soccorso, ma i primi rendiconti mostrano esiti molto disomogenei. Confrontando il percorso del Veneto e quello della Puglia emerge una tesi scomoda: il fattore decisivo non è il modello predittivo, è la qualità del dato che lo alimenta e il modo in cui gli infermieri lo usano davvero al bancone del triage.
I fondi PNRR della Missione 6 hanno spinto tutte le Regioni verso il fascicolo sanitario elettronico e i sistemi di supporto decisionale in pronto soccorso, ma i primi rendiconti mostrano esiti molto disomogenei. Confrontando il percorso del Veneto e quello della Puglia emerge una tesi scomoda: il fattore decisivo non è il modello predittivo, è la qualità del dato che lo alimenta e il modo in cui gli infermieri lo usano davvero al bancone del triage.
Al bancone del triage di un pronto soccorso italiano, l’infermiere che accoglie un paziente ha in media pochi minuti per decidere un colore. Da qualche anno, in un numero crescente di ospedali, accanto ai parametri vitali e alla scala di valutazione compare un altro elemento sullo schermo: un punteggio calcolato da un modello di intelligenza artificiale — un sistema di apprendimento automatico addestrato sugli accessi passati registrati dall’ospedale — che stima il rischio di deterioramento clinico o la probabilità di ricovero. Non decide nulla. Suggerisce. E proprio in quello scarto tra suggerimento e decisione si gioca la parte più interessante — e meno raccontata — della sanità digitale finanziata dal PNRR.
La Missione 6 del Piano Nazionale di Ripresa e Resilienza ha messo sul tavolo risorse importanti per due obiettivi collegati: portare il Fascicolo Sanitario Elettronico a una diffusione reale in tutte le Regioni e dotare le strutture di strumenti di telemedicina e supporto decisionale. La scadenza del 2026 si avvicina, i primi rendiconti circolano, e il quadro che ne esce non è quello di un’Italia digitale a due velocità: è più frammentato di così. Vale la pena guardare da vicino due percorsi molto diversi, quello veneto e quello pugliese, non per stilare una classifica ma perché insieme spiegano dove si rompe la catena.
Il fascicolo non è un archivio, è un’infrastruttura di dati
Il primo equivoco da smontare riguarda la natura del FSE. Nell’immaginario collettivo — e in buona parte della comunicazione istituzionale — il fascicolo è un raccoglitore: referti, ricette, lettere di dimissione. Un cassetto digitale a cui il cittadino accede con SPID. Dal punto di vista di un algoritmo di triage, però, un cassetto pieno di PDF è quasi inservibile.
Un modello che stima il rischio di un paziente che si presenta in pronto soccorso ha bisogno di informazioni strutturate: patologie croniche codificate, terapie in corso, accessi precedenti, esiti di esami in formato leggibile dalla macchina. Se la storia clinica esiste solo come documento scansionato o come testo libero non normalizzato, il sistema di supporto decisionale lavora praticamente al buio, basandosi solo su ciò che l’infermiere inserisce in quel momento.
È qui che la distinzione tra le Regioni diventa sostanziale. Il Veneto è arrivato all’appuntamento PNRR con un vantaggio storico: un’infrastruttura regionale di raccolta dati consolidata da anni, un’anagrafe assistiti stabile e una tradizione di integrazione tra aziende sanitarie che precede di parecchio il Piano. Non è merito del PNRR: è il motivo per cui il PNRR, lì, ha avuto qualcosa su cui appoggiarsi. La Puglia ha invece dovuto affrontare contemporaneamente due cantieri — costruire l’interoperabilità e installare gli strumenti che quella interoperabilità presuppone — con la stessa scadenza.
Nessun modello predittivo compensa un dato che non c’è. Il software non sa distinguere tra “paziente senza patologie croniche” e “paziente le cui patologie croniche non sono mai state codificate”.
Cosa fa davvero un sistema di supporto al triage
Vale la pena essere precisi su cosa questi strumenti facciano, perché il dibattito pubblico oscilla tra il “robot che decide chi curare” e il “solito software inutile”. La realtà tecnica è più modesta e più interessante. Sotto l’etichetta “supporto decisionale” convivono famiglie di modelli di apprendimento automatico diverse fra loro, che imparano da dati diversi e danno risultati di affidabilità molto diversa.
- Punteggi di deterioramento: modelli che combinano parametri vitali, età e anamnesi per stimare la probabilità che le condizioni del paziente peggiorino nelle ore successive. Servono a evitare il caso peggiore del pronto soccorso — il paziente sottovalutato che si aggrava in sala d’attesa.
- Previsione del carico: stima degli arrivi attesi per fascia oraria, usata per la programmazione dei turni e la gestione dei posti letto. È la componente che, paradossalmente, dà i risultati più solidi, perché lavora su dati aggregati storici e non sul singolo paziente.
- Estrazione da testo libero: sistemi che leggono la descrizione del sintomo scritta dall’infermiere e ne ricavano codici standardizzati. Utili, ma sensibili alle abbreviazioni, ai gerghi locali e agli errori di battitura.
- Segnalazione di incongruenze: alert su interazioni farmacologiche o su allergie registrate nel fascicolo. Qui il collegamento con il FSE è diretto e il beneficio è immediato — quando il fascicolo è popolato.
Nessuna di queste funzioni assegna un codice colore in autonomia. La responsabilità resta all’operatore, ed è corretto che sia così anche alla luce del quadro normativo europeo, che colloca i sistemi di AI applicati alla sanità in una fascia di rischio elevato con obblighi di sorveglianza umana e tracciabilità.
Il problema che nessun bando finanzia: l’uso
C’è un fenomeno che chiunque abbia lavorato con sistemi di allerta clinica conosce: l’affaticamento da alert. Quando un software segnala troppo, e soprattutto quando segnala male, gli operatori imparano a chiudere la finestra senza leggerla. Il sistema resta acceso, i log registrano il suo funzionamento, il rendiconto lo classifica come attivo. Nella pratica, non esiste.
Questo è il punto cieco della rendicontazione PNRR, che per sua natura misura output verificabili: numero di strutture dotate del sistema, percentuale di documenti caricati sul fascicolo, moduli formativi erogati. Sono indicatori legittimi, ma non catturano l’unica cosa che conta clinicamente, cioè se il tempo di presa in carico dei pazienti a rischio si sia effettivamente ridotto e se i codici assegnati siano diventati più accurati.
La differenza tra un’implementazione che funziona e una che resta sulla carta si gioca su elementi banali e costosi: chi rimane in reparto nelle prime settimane a spiegare come leggere il punteggio, chi raccoglie le segnalazioni degli infermieri quando il modello sbaglia sistematicamente su un certo tipo di paziente, chi ha il mandato di ricalibrare l’algoritmo sulla popolazione locale. Queste voci raramente entrano in un capitolato.
Perché una popolazione diversa richiede un modello diverso
C’è poi una questione tecnica che merita attenzione, e che spiega perché lo stesso prodotto dia risultati diversi in due Regioni. Un modello di rischio addestrato su una casistica specifica riflette la distribuzione di quella casistica: mix di patologie, struttura per età, comportamenti di accesso al pronto soccorso, disponibilità di medicina territoriale.
Il Veneto e la Puglia differiscono su tutti questi assi. Il ricorso al pronto soccorso per problemi che altrove verrebbero gestiti dal medico di base cambia radicalmente la composizione dei codici bianchi e verdi. Un modello calibrato dove la medicina territoriale intercetta gran parte della domanda a bassa intensità produce, spostato in un contesto dove questo filtro è più debole, una massa di segnalazioni poco informative. Non perché sia un modello scadente: perché è stato tarato su un’altra realtà.
La conseguenza operativa è che la ricalibrazione locale non è un optional post-installazione, è parte del sistema. E richiede competenze — un referente clinico che capisca di dati, un data scientist che capisca di pronto soccorso — che le aziende sanitarie faticano ad avere internamente e che il finanziamento in conto capitale non copre bene.
Il dato che cambia la prospettiva
Ecco l’elemento meno intuitivo di tutta la vicenda. Il beneficio più tangibile documentato da chi ha lavorato su questi sistemi non riguarda quasi mai la classificazione del paziente critico. Gli infermieri di triage esperti, su quel fronte, sono molto bravi, e un algoritmo aggiunge poco.
Il guadagno reale sta all’estremo opposto: sui pazienti apparentemente stabili con storie cliniche complesse, dove il fascicolo popolato correttamente fa emergere in pochi secondi un ricovero recente, una terapia anticoagulante, un accesso ripetuto nelle settimane precedenti. Informazioni che l’infermiere, in condizioni normali, otterrebbe solo interrogando un paziente confuso o un parente presente per caso.
Il che ribalta la gerarchia degli investimenti. Il modello predittivo è la parte visibile e vendibile; la codifica sistematica delle informazioni cliniche a monte, nei reparti e negli studi dei medici di famiglia, è la parte invisibile e faticosa. La prima si installa con un bando. La seconda si costruisce anno dopo anno, e non finisce nel 2026.