La sanità è uno dei settori più ricchi di dati, ma anche uno di quelli che fatica maggiormente a trasformarli in valore. Il Fascicolo Sanitario Elettronico raccoglie informazioni dettagliate sui pazienti, ma nella pratica questi dati restano dispersi in sistemi non interoperabili, frammentati tra livelli regionali, strutture cliniche e piattaforme eterogenee.
Il punto non è la quantità di dati disponibili, ma la loro accessibilità operativa. In Europa — e in Italia in particolare — il dato sanitario è formalmente presente ma sostanzialmente difficile da utilizzare nei tempi e nei modi richiesti dalla medicina contemporanea. Tra vincoli regolatori, complessità autorizzative e differenze di governance, il rischio è che il dato esista “in teoria”, ma non sia disponibile “in pratica” quando serve davvero.
Il risultato è un paradosso ormai strutturale: una disponibilità crescente di dati non si traduce automaticamente in una migliore capacità decisionale o in modelli predittivi realmente efficaci.
Indice degli argomenti
Il limite dei dati sanitari non interoperabili
Gran parte delle applicazioni di intelligenza artificiale in sanità continua, inoltre, a basarsi su dati strutturati, numeri, codici e variabili tabellari, ignorando la natura profondamente contestuale dei percorsi clinici. I medici non operano su dataset ma ricostruiscono storie cliniche nel tempo, integrando segnali eterogenei, referti e immagini.
Ridurre questa complessità a variabili isolate significa perdere proprio ciò che rende la sanità un sistema dinamico: il contesto, la sequenza degli eventi e la loro relazione nel tempo.
Dal Process Mining alla Process Intelligence
In questo scenario, il Process Mining rappresenta un elemento chiave, ancora poco adottato, ma con un grande potenziale per il futuro potenziamento della sanità digitale. Questa disciplina consente di analizzare i processi reali a partire dai dati registrati nei sistemi informativi, ricostruendo le sequenze di eventi che caratterizzano i percorsi clinici.
Nel contesto sanitario, significa poter modellare l’intero percorso di un paziente: dall’ingresso in pronto soccorso agli esami di laboratorio, dalle terapie farmacologiche fino all’esito finale del ricovero.
Tuttavia, il Process Mining da solo non basta. È proprio dall’integrazione tra la struttura temporale dei processi e la capacità predittiva e interpretativa dell’intelligenza artificiale che nasce la Process Intelligence: un approccio capace di trasformare i dati operativi in decisioni intelligenti, contestualizzate e tempestive.
La svolta: AI multimodale e comprensione dei processi
La vera innovazione emerge quando la Process Intelligence incontra l’AI multimodale. I percorsi clinici possono essere trasformati in narrazioni, ossia vere e proprie “storie del paziente”, che preservano il contesto temporale, e successivamente integrate con immagini diagnostiche come radiografie o TAC. Il risultato è un cambio di paradigma: non più modelli che leggono dati isolati, ma sistemi capaci di interpretare processi complessi attraverso molteplici modalità informative, avvicinandosi al modo in cui ragiona un clinico esperto.
In questo senso, la Process Intelligence rappresenta il punto di convergenza tra dati strutturati, dati non strutturati e dimensione temporale dei processi, offrendo una visione realmente integrata dei processi.
MEDUSA: un esempio concreto di Process Intelligence clinica
Un recente studio pubblicato su Information Systems [1], sviluppato da ricercatori dell’Università di Bari Aldo Moro e della Libera Università di Bolzano con il contributo di NVIDIA, ha dato vita a MEDUSA, un sistema che rappresenta un esempio concreto di Process Intelligence applicata alla sanità.
Il modello integra due dimensioni fondamentali: da un lato la radiografia al torace, che cattura l’informazione visiva, dall’altro la narrazione del percorso clinico, che restituisce il contesto temporale e decisionale. Per ogni paziente viene costruito un prefisso del percorso clinico, ovvero tutto ciò che è accaduto fino a un determinato momento, trasformato in una rappresentazione multimodale coerente.
Queste informazioni vengono poi elaborate attraverso FLAVA, un modello fondazionale pre-addestrato su milioni di coppie immagine-testo e successivamente adattato al contesto clinico.
Testato su un dataset reale di 4.479 pazienti COVID-19 degli ospedali HM Hospitales, il sistema ha mostrato performance superiori rispetto ai modelli tradizionali, con un miglioramento particolarmente significativo nella previsione dei casi più critici.
Non solo accuratezza: la sfida della fiducia
In sanità, una previsione non basta: serve comprenderla. Per questo motivo, il sistema integra tecniche di explainable AI che permettono di identificare quali elementi, nelle immagini e nei testi, hanno guidato la decisione del modello. I risultati, validati da un clinico dell’Università di Bari, mostrano un allineamento significativo tra le aree considerate rilevanti dal sistema e quelle effettivamente critiche dal punto di vista medico.
Senza spiegabilità, l’intelligenza artificiale resta una scatola nera, e una scatola nera in sanità difficilmente viene adottata — né dai clinici né dai regolatori. La Process Intelligence consente invece un’interazione più trasparente tra tecnologia e decisione clinica, rafforzando la fiducia e mantenendo centrale il controllo umano, in linea con i principi della AI Simbiotica e con quanto richiesto anche dall’AI Act europeo
PNRR ed European Health Data Space: un’occasione strategica
Le soluzioni di Process Intelligence si inseriscono in un contesto più ampio. Il PNRR prevede investimenti significativi nella digitalizzazione della sanità, mentre lo European Health Data Space punta a creare un ecosistema europeo per la condivisione dei dati sanitari.
In questo scenario, la Process Intelligence può rappresentare un abilitatore decisivo: consente di valorizzare i dati già disponibili, migliorare l’efficienza dei percorsi clinici e supportare decisioni più informate e tempestive. Il rischio, altrimenti, è costruire infrastrutture avanzate senza riuscire a sfruttarne appieno il potenziale.
I nodi da sciogliere
Tre criticità meritano attenzione particolare.
La prima è di natura tecnica e riguarda la qualità e l’interoperabilità dei dati. I modelli di intelligenza artificiale funzionano efficacemente quando possono contare su dataset coerenti e ben strutturati. Nella realtà dei sistemi sanitari italiani ed europei, questa condizione rappresenta ancora l’eccezione più che la regola. Senza un investimento serio sull’infrastruttura del dato in termini di governance, standard e accesso, la Process Intelligence rischia di restare confinata ai soli contesti di ricerca.
La seconda è organizzativa: l’adozione richiede un ripensamento dei processi e una costruzione progressiva della fiducia. L’intelligenza artificiale deve essere uno strumento che amplifica le capacità umane, non che le sostituisce. Il controllo clinico deve restare centrale.
La terza riguarda gli aspetti etici e giuridici: è necessario adottare un approccio di privacy by design nella gestione dei dati e nell’utilizzo dell’intelligenza artificiale, garantendo l’allineamento all’AI Act per assicurare un impiego sicuro, trasparente e conforme delle tecnologie.
Conclusione: verso una sanità guidata dalla Process Intelligence
Il vero salto evolutivo non è nell’adozione dell’intelligenza artificiale in sé, ma nella sua integrazione nei processi. È qui che nasce la Process Intelligence, un paradigma destinato a ridefinire la sanità digitale. Per la prima volta, l’AI può avvicinarsi al modo in cui i medici ragionano davvero, integrando dati, immagini e narrazioni lungo l’intero percorso del paziente.
La Process Intelligence non è ancora una disciplina pienamente codificata, ma è già una pratica che emerge dalla ricerca. Il contributo della comunità scientifica italiana in questo campo è concreto e riconosciuto a livello internazionale: costruire ponti tra accademia, sistema sanitario e policy è la prossima sfida.
Perché il futuro della sanità digitale non dipenderà solo dai dati che raccogliamo, ma da come saremo capaci di integrarli, interpretarli e metterli al servizio della cura.
Note
[1] Vincenzo Pasquadibisceglie, Ivan Donadello, Annalisa Appice, Oswald Lanz, Fabrizio Maria Maggi, Giuseppe Fiameni, Donato Malerba: Multimodal predictive process monitoring and its application to explainable clinical pathways. Inf. Syst. 139: 102698 (2026)
