La scelta dell’antibiotico giusto è spesso una corsa contro il tempo: il medico deve decidere prima ancora di conoscere l’esito dell’antibiogramma, il test che indica quali farmaci funzionano davvero. È in questo spazio di incertezza che si inserisce l’intelligenza artificiale applicata all’antibiotico-resistenza, capace di trasformare i dati clinici già raccolti dagli ospedali in indicazioni utili per orientare la terapia. Uno studio italiano, coordinato da IDI-IRCCS di Roma, mostra come questo approccio possa funzionare nella pratica quotidiana.
Indice degli argomenti
Il problema: scegliere l’antibiotico prima che sia troppo tardi
Quando un paziente ha un’infezione batterica, il tempo conta. Il medico deve capire quale antibiotico usare, ma spesso la risposta più precisa arriva solo dopo l’antibiogramma, cioè il test di laboratorio che verifica a quali farmaci il batterio è sensibile o resistente. Nell’attesa, che può durare anche 48 ore, si ricorre a una terapia “probabile”, scelta sulla base dell’esperienza clinica e delle linee guida. È una pratica necessaria, ma non sempre ideale: se l’antibiotico non funziona, il paziente perde tempo prezioso, può peggiorare e viene esposto a farmaci inutili. Inoltre, l’uso ripetuto o non mirato degli antibiotici contribuisce a far crescere l’antibiotico-resistenza, una delle grandi minacce per la sanità pubblica.
A partire dallo studio Investigating Infection and Clinical Data to Predict Effective Antibiotic Therapy and Monitor Resistance Trends, pubblicato sull’International Journal of Infectious Diseases, emerge un’applicazione concreta dell’intelligenza artificiale nella lotta all’antibiotico-resistenza: usare i dati clinici e microbiologici già raccolti dagli ospedali per aiutare i medici a prevedere quali antibiotici abbiano maggiori probabilità di essere efficaci. Lo studio, coordinato da IDI-IRCCS di Roma e realizzato in collaborazione con Kelyon, Università di Salerno, CNR, Istituto Superiore di Sanità e Università Link di Roma mostra come l’intelligenza artificiale possa aiutare a ridurre questa zona d’incertezza, trasformando i dati già raccolti dagli ospedali in indicazioni utili per scegliere terapie più mirate e monitorare l’evoluzione delle resistenze. È un esempio concreto di sanità digitale applicata a un problema quotidiano, dove la tecnologia non resta sullo sfondo, ma entra nel processo clinico come supporto alla decisione.
Dai dati ospedalieri una nuova bussola per i medici
L’aspetto più interessante è che non si parla di fantascienza né di tecnologie lontane dalla pratica quotidiana. I ricercatori hanno usato dati clinici e microbiologici di routine, cioè informazioni che in molti ospedali sono già presenti nei sistemi informativi: età e sesso del paziente, tipo di campione analizzato, reparto, accesso in ricovero o ambulatorio, batterio individuato, risultati precedenti e storia di eventuali resistenze.
La ricerca, condotta su dati raccolti tra il 2018 e il 2024 in due strutture italiane del Lazio, l’IDI-IRCCS di Roma e una clinica di Capranica, ha analizzato 15.581 isolati batterici provenienti da 9.966 pazienti. A partire da questi dati, sono stati addestrati diversi algoritmi di machine learning con un obiettivo semplice da spiegare: prevedere se un batterio sarà sensibile o non sensibile a un determinato antibiotico. In pratica, il sistema impara dai casi passati per stimare, nei nuovi casi, quali farmaci hanno più probabilità di funzionare. Non decide al posto del medico, ma può offrire un supporto tempestivo, soprattutto quando il quadro clinico richiede una scelta rapida. Il punto non è “automatizzare” la cura, ma mettere a disposizione del professionista una bussola in più, costruita sulla memoria clinica dell’organizzazione.
Machine learning per predire la suscettibilità antibiotica
Il modello che ha ottenuto le prestazioni migliori è XGBoost, un algoritmo di machine learning particolarmente efficace nell’individuare relazioni utili all’interno di grandi dataset tabellari. I risultati sono stati incoraggianti: il sistema ha dimostrato una buona capacità di predire la suscettibilità antibiotica sia nei batteri Gram-positivi sia nei Gram-negativi, con performance ancora più elevate nei modelli sviluppati per singole specie batteriche, come Escherichia coli, Klebsiella pneumoniae, Pseudomonas aeruginosa, Enterococcus faecalis, Proteus mirabilis e Staphylococcus aureus. In termini pratici, questo approccio può supportare il medico nella scelta tempestiva della terapia antibiotica più appropriata, utilizzando dati clinici e microbiologici raccolti routinariamente e integrando le informazioni disponibili sulla storia del paziente e sui profili di resistenza osservati nel contesto ospedaliero. Un elemento particolarmente rilevante è la memoria clinica: se un paziente ha avuto in passato infezioni sostenute da batteri non suscettibili a determinati antibiotici, questa informazione contribuisce alla previsione del modello. Si tratta di un processo coerente con il ragionamento clinico, ma applicato in modo sistematico su migliaia di casi e su molte variabili contemporaneamente. La previsione, quindi, non deriva da una “scatola magica”, ma da un’analisi statistica basata su dati reali. Inoltre, quando il modello è accompagnato da strumenti di interpretabilità, come l’analisi dei fattori che pesano maggiormente sulla predizione, il medico può valutare il risultato con maggiore consapevolezza, fiducia e senso critico.
Sanità digitale e sorveglianza delle resistenze
Qui entra in gioco il tema più ampio della sanità digitale. Ogni ospedale produce ogni giorno una grande quantità di dati, ma spesso questi dati restano dispersi tra laboratorio, cartella clinica, farmacia, reparti e sistemi amministrativi. Lo studio dimostra che, se organizzate e rese interoperabili, queste informazioni possono diventare uno strumento concreto di governo clinico. Non servono solo a ricostruire ciò che è accaduto, ma anche a prevedere ciò che potrebbe accadere. Per l’antibiotico-resistenza questo è fondamentale, perché i profili dei batteri cambiano nel tempo e variano da un reparto all’altro. Un reparto di dermatologia può avere una “firma” microbiologica diversa da un’oncologia o da una sala operatoria; un ambulatorio può presentare dinamiche diverse rispetto ai ricoveri. Con strumenti predittivi ben progettati, l’ospedale può accorgersi prima di un aumento delle resistenze, adattare le strategie di prescrizione, aggiornare i protocolli interni e sostenere le attività di antimicrobial stewardship, cioè l’uso più appropriato e responsabile degli antibiotici. In altre parole, l’AI non serve solo al singolo medico davanti al singolo paziente, ma anche alla direzione sanitaria che deve leggere i segnali del sistema. Può diventare un cruscotto di sorveglianza, capace di mostrare dove le resistenze crescono, quali farmaci stanno perdendo efficacia e quali aree richiedono interventi rapidi di prevenzione e controllo. È qui che il dato clinico smette di essere un archivio e diventa una risorsa attiva per migliorare sicurezza, qualità e sostenibilità delle cure, anche sul piano economico e organizzativo.
Perché l’AI deve restare uno strumento al servizio del medico
Naturalmente, il potenziale va accompagnato da cautela. Un algoritmo allenato sui dati di alcune strutture può funzionare bene in quel contesto, ma non è automaticamente valido ovunque. Le infezioni, i batteri più diffusi e le resistenze dipendono dal territorio, dai reparti, dai pazienti trattati, dalle abitudini prescrittive e persino da eventi eccezionali come la pandemia, che ha modificato l’accesso ai servizi e i flussi di laboratorio. Per questo i modelli devono essere validati, aggiornati e controllati nel tempo. Serve anche una governance chiara: qualità dei dati, protezione della privacy, trasparenza delle decisioni, responsabilità clinica, verifica dei risultati e integrazione con i percorsi reali di cura.
Non basta installare un software: occorre inserirlo in un’organizzazione capace di usarlo, discuterlo, misurarlo e correggerlo. Il messaggio più importante dello studio, però, è positivo: la lotta all’antibiotico-resistenza non passa solo dalla scoperta di nuovi farmaci, ma anche dalla capacità di usare meglio i dati che la sanità già produce. Se ben governata, l’intelligenza artificiale può diventare un alleato pratico e comprensibile: aiuta a scegliere prima, a scegliere meglio e a trasformare l’informazione clinica in prevenzione, appropriatezza e medicina più personalizzata.
Partecipa alla community