La Causal AI in sanità può offrire un nuovo approccio al problema dell’aderenza terapeutica, aiutando a comprendere non solo se un paziente segue una cura, ma perché incontra difficoltà nel farlo.
Indice degli argomenti
Perché l’aderenza terapeutica resta una sfida per la sanità italiana
In Italia la spesa farmaceutica continua a crescere: nel 2024 ha raggiunto 37,2 miliardi di euro, con un aumento del 2,8% rispetto all’anno precedente. Ma una maggiore spesa non implica necessariamente maggiori benefici. Secondo l’Agenzia Italiana del Farmaco (AIFA), la scarsa aderenza alle terapie è una delle principali cause di inefficacia dei trattamenti, soprattutto nelle patologie croniche e nelle terapie farmacologiche complesse.
Il costo per il Servizio Sanitario Nazionale è stimato in circa due miliardi di euro l’anno, legati a ospedalizzazioni evitabili, complicanze cliniche e sprechi di risorse. AIFA segnala che un aumento dell’aderenza anche solo del 15% potrebbe ridurre i costi assistenziali di 300 milioni di euro all’anno, senza considerare l’impatto sociale legato alla perdita di produttività e qualità della vita.
Dietro questi numeri non ci sono solo problemi clinici, ma soprattutto fattori comportamentali, sociali e psicologici: dimenticanze, effetti collaterali, routine quotidiane incompatibili con le terapie, mancanza di supporto, difficoltà economiche, scarsa comprensione delle prescrizioni.
Il limite dell’approccio “standard” alle terapie
Personalizzare le terapie è una delle grandi sfide della medicina contemporanea. Ogni paziente è diverso per condizioni cliniche, stile di vita, abitudini, contesto sociale e culturale. Tuttavia, molti sistemi digitali e di supporto alle decisioni si basano ancora su correlazioni statistiche: individuano pattern nei dati, ma faticano a spiegare perché una terapia funzioni per un paziente e fallisca per un altro.
Questo limite è particolarmente evidente quando si tratta di aderenza, ovvero il grado con cui un paziente segue correttamente le prescrizioni terapeutiche ricevute dal medico, come assumere i farmaci nei tempi e nei modi indicati, rispettare la durata del trattamento e non saltare le dosi. Sapere, per esempio, che un paziente “tende a saltare le dosi” non è sufficiente: la vera domanda è qual è la causa. È un effetto collaterale? Un problema di orari? Una difficoltà psicologica? Un vincolo sociale o lavorativo? Senza questa comprensione causale, il rischio è adottare soluzioni “taglia unica”, poco efficaci e difficili da sostenere nel tempo.
L’urgenza di nuove strategie è confermata dalla ricerca accademica più recente, come il trial InTakeCare svolto in collaborazione tra il Politecnico di Milano e primari istituti clinici. Questo studio evidenzia come, nelle patologie croniche come l’ipertensione, l’aderenza cali drasticamente fino al 50% dopo solo un anno di trattamento. Per contrastare questo fenomeno, lo studio sostiene l’efficacia di soluzioni di Digital Health (DHS) capaci di superare gli approcci standardizzati. Attraverso l’uso di Personas — archetipi comportamentali dei pazienti creati tramite machine learning — è infatti possibile personalizzare i messaggi di supporto e i promemoria, trasformando una semplice app in un intervento dinamico basato sui reali bisogni psicologici e sociali del singolo individuo.
Causal AI in sanità: capire le relazioni di causa-effetto
È in questo contesto che si inserisce la Causal AI, un approccio all’Intelligenza Artificiale che non si limita a osservare associazioni nei dati, ma modella esplicitamente le relazioni di causa-effetto tra variabili. Applicata alla sanità, la Causal AI consente di rappresentare in modo strutturato come fattori clinici, comportamentali, sociali e psicologici interagiscono tra loro e influenzano gli esiti di salute.
Il cuore di questo approccio è il modello causale, spesso rappresentato come un grafo (Directed Acyclic Graph), in cui ogni nodo è una variabile rilevante e ogni collegamento indica una relazione causale.
In un assistente virtuale sanitario, questo modello può includere:
• variabili cliniche e terapeutiche (farmaci, dosaggi, effetti collaterali, comorbidità);
• fattori comportamentali (aderenza, routine quotidiane, stile di vita);
• fattori sociali ed economici (supporto familiare, accesso alle cure, costi);
• aspetti psicologici (motivazione, ansia, depressione, capacità cognitive).
Il risultato è un sistema in grado di rispondere a domande del tipo: “Cosa succede se cambio orario di assunzione?”, “Qual è la causa principale delle dosi saltate?”, “Quale intervento avrebbe l’impatto maggiore su questo paziente specifico?”.
Assistenti virtuali causali per terapie complesse
Su queste basi è possibile costruire assistenti virtuali intelligenti che vanno oltre il semplice promemoria di assumere un farmaco. Un assistente basato su Causal AI può:
• identificare le cause reali dei problemi di aderenza;
• simulare scenari alternativi (what-if) prima di applicare cambiamenti reali;
• proporre raccomandazioni personalizzate, compatibili con i vincoli e le preferenze del paziente;
• supportare il medico con analisi spiegabili e verificabili.
Uno degli elementi più innovativi è la possibilità di simulare interventi, come per esempio valutare in anticipo se una modifica dello stile di vita, un diverso orario di assunzione o un aggiustamento del dosaggio produrranno un beneficio concreto, riducendo il rischio di tentativi inefficaci. In questo senso, la Causal AI abilita una forma di medicina personalizzata realmente data-driven, perché permette di stimare l’impatto causale delle decisioni, non solo di osservarne gli esiti a posteriori.
Benefici attesi: efficacia, sostenibilità, fiducia
I benefici di questo approccio sono molteplici. Per i pazienti, significa ricevere indicazioni più comprensibili, spiegabili e aderenti alla vita reale, aumentando la probabilità di seguire la terapia nel tempo. Per i clinici, rappresenta un supporto decisionale che aiuta a distinguere tra inefficacia del farmaco e problemi di aderenza, orientando meglio gli interventi.
Dal punto di vista del sistema sanitario, una maggiore aderenza si traduce in meno complicanze, meno ricoveri evitabili e una migliore allocazione delle risorse. Non meno importante, la natura spiegabile dei modelli causali favorisce fiducia e accettazione dell’AI in ambito clinico, un aspetto cruciale in settori regolati e ad alta responsabilità.
Dai gemelli digitali ai primi casi d’uso
Tra le applicazioni più promettenti c’è il concetto di gemello digitale causale del paziente: un modello virtuale che replica il comportamento di salute di una persona e la sua risposta a diversi interventi. Attraverso tecniche di causal discovery e inferenza causale, è possibile costruire questi modelli a partire da dati clinici e comportamentali, aggiornandoli nel tempo.
Progetti sperimentali mostrano come un assistente possa, ad esempio, suggerire interventi aggiuntivi quando un obiettivo non è raggiungibile con i soli comportamenti dichiarati dal paziente, oppure coinvolgere caregiver e supporti esterni quando emergono cause sociali della scarsa aderenza.
L’applicazione della Causal AI in ambito sanitario è ancora in fase di ricerca e sviluppo, non ci sono ancora soluzioni clinicamente validate. L’adozione della Causal AI in sanità richiede rigorosi processi di verifica scientifica, valutazioni regolatorie e una costante supervisione specialistica.
Uno sguardo al futuro della Causal AI in sanità
Nonostante il lavoro ancora da fare, la direzione è chiara. Integrare modelli causali negli assistenti virtuali e nei sistemi di supporto alle decisioni rappresenta una naturale evoluzione della medicina di precisione. In un futuro prossimo, potremmo vedere assistenti capaci di supportare in modo coordinato pazienti, medici e farmacisti, rendendo le decisioni terapeutiche più consapevoli, condivise e sostenibili.
L’obiettivo finale non è sostituire il giudizio clinico, ma colmare il divario tra raccomandazioni generali e bisogni individuali, migliorando gli esiti di salute e la qualità della vita delle persone.
