L’Health Data Marketplace proposto da AWS nasce in un contesto in cui ospedali, ministeri della salute e reti di ricerca devono coniugare conformità normativa, strategie multi-cloud e adozione di AI generativa e agentica, ripensando in profondità il modo in cui vengono gestiti e valorizzati i dati sanitari.
Per comprendere appieno la portata di questo cambio di paradigma, è utile partire dalle pressioni concrete che oggi gravano sui leader del settore sanitario.
Indice degli argomenti
Perché i dati sanitari richiedono un nuovo modello multi-cloud
Oggi i leader del settore sanitario affrontano una pressione senza precedenti nel bilanciare conformità normativa, innovazione tecnologica ed eccellenza operativa. Con l’entrata in vigore di nuovi quadri regolatori come l’European Health Data Space (EHDS), DARWIN EU e le normative europee su dati, intelligenza artificiale e governance dei dati (DGA), insieme alla rapida diffusione dell’AI generativa e dell’AI agentica, le organizzazioni devono ripensare il modo in cui gestiscono e sfruttano i dati sanitari.
Gli approcci tradizionali, spesso frammentati e basati su singoli progetti, non sono più sufficienti a garantire velocità, interoperabilità e trasparenza normativa tra ospedali, ministeri della salute e reti di ricerca.
Health Data Marketplace come nuovo modello per i dati sanitari
Amazon Web Services (AWS) presenta Health Data Marketplace come strategia per i dati sanitari e come nuovo modello architetturale pensato per aiutare le organizzazioni a separare la creazione di valore dalla complessità operativa.
Il concetto di Health Data Marketplace offre un’esperienza di “ricerca, acquisto e utilizzo” per dataset, approfondimenti e applicazioni AI, permettendo a clinici, ricercatori, regolatori e partner del settore life sciences di collaborare su dati affidabili distribuiti su più cloud.
Questa architettura, basata su gestione dei dati multi-cloud con governance centralizzata, garantisce conformità, sicurezza e agilità, supportando al contempo innovazione su larga scala. Fornisce le basi per accelerare l’adozione dell’AI, migliorare l’efficienza della ricerca e trasformare le evidenze del mondo reale (Real-World Evidence, RWE) in informazioni operative, in linea con i nuovi quadri normativi europei e globali.
Dal data management al marketplace dei dati sanitari
Il settore sanitario genera circa il 30% del volume globale di dati, rappresentando allo stesso tempo un’opportunità senza precedenti e una sfida significativa. Nonostante questa abbondanza di informazioni, le organizzazioni sanitarie hanno storicamente avuto difficoltà a sfruttare appieno i propri dati: studi indicano che fino al 97% dei dati sanitari rimane inutilizzato (1).
In risposta a questo potenziale non sfruttato, il settore sta vivendo una trasformazione profonda nel modo in cui i dati vengono gestiti e condivisi (2). Il modello tradizionale di Health Data Management si sta evolvendo verso un Health Data Marketplace, che separa chiaramente la creazione di valore dalle complesse attività operative di gestione dei dati.
AWS propone l’Health Data Marketplace come approccio strategico avanzato per la gestione dei dati sanitari, funzionando come uno strato di astrazione completo: una sorta di “biblioteca” centralizzata di asset di dati sanitari, Health API e approfondimenti clinici e operativi. Questo marketplace consente sia agli stakeholder interni sia alle organizzazioni esterne o ai servizi agentici di accedere a dati sanitari standardizzati, utilizzare strumenti analitici predefiniti e sfruttare le potenzialità di AI e machine learning (ML).
In questo nuovo paradigma, l’Health Data Marketplace diventa lo strato superiore della catena del valore dei dati sanitari, permettendo una rapida esplorazione e sperimentazione dei casi d’uso, migliorando interoperabilità e collaborazione, e garantendo al contempo fondamenta solide per la conformità in contesti di dati centralizzati e federati.
Le tre forze che spingono verso il Health Data Marketplace
Tre forze chiave che guidano questa evoluzione:
- Eccellenza operativa ospedaliera e attenzione al paziente
- Velocità del cambiamento e innovazione nell’AI generativa e agentica
- Conformità normativa in sanità
Operatività ospedaliera ed esperienza del paziente
La crescente esigenza di intelligenza operativa in tempo reale, unita alla richiesta di supporto decisionale clinico integrato e alla promozione della ricerca medica, spinge le organizzazioni sanitarie verso soluzioni dati più avanzate.
Questa trasformazione è inoltre alimentata dagli imperativi di ottimizzazione dell’assistenza basata sul valore, dalla necessità di migliorare l’esperienza del paziente e dalla richiesta di strumenti importanti per la scoperta di nuovi farmaci e trattamenti.
AI generativa, agentica e strategie multi-cloud
I leader del settore sanitario pongono oggi la sperimentazione rapida e l’agilità al centro delle loro strategie, per valorizzare i dati senza essere rallentati dalla complessità operativa.
Le organizzazioni stanno adottando strategie multi-cloud, riconoscendo che nessun singolo provider può offrire la soluzione migliore per tutti i tipi di dati sanitari. L’obiettivo è utilizzare modelli di base e strumenti provenienti da diversi Cloud Service Provider (CSP) senza duplicare i dati nei propri sistemi.
Inoltre, le organizzazioni stanno sfruttando modelli “Service as Software” basati su agenti AI, distinti dagli asset di dati sanitari interni, per innovare i propri processi e servizi (3,4).
La conformità normativa come leva strategica
Nuove e preesistenti normative, tra cui EHDS, DARWIN EU, EU Data & AI Act, EU Data Governance Act (DGA) e GDPR, stanno ridefinendo il panorama della gestione dei dati sanitari (5,6). Questi regolamenti richiedono maggiore trasparenza, collaborazione e governance solida sia per gli usi primari che secondari dei dati.
Di conseguenza, la governance dei dati sta evolvendo da semplice requisito di conformità a componente strategica della gestione dei dati sanitari, diventando un abilitatore dell’innovazione tecnica e fornendo una base solida per la conformità normativa.
Gli imperativi strategici del Health Data Marketplace
Guidato da queste tre forze, l’Health Data Marketplace emerge come strato trasformativo nell’architettura dei dati sanitari, posizionato sopra le infrastrutture multi-cloud e la governance centralizzata dei dati.
Operando in modo indipendente dai singoli Cloud Service Provider (CSP), rappresenta un cambio di paradigma nel modo in cui le organizzazioni gestiscono e utilizzano i propri asset di dati.
Questo nuovo strato architetturale soddisfa tre imperativi strategici:
Democratizzazione e visibilità dei dati
Crea un’interfaccia unificata in cui dati e asset di AI affidabili diventano facilmente accessibili e ricercabili oltre i confini organizzativi. I precedenti repository dati isolati si trasformano così in un ecosistema coerente e navigabile, migliorando l’accesso e la scoperta delle informazioni.
Collaborazione multi-stakeholder e partner
Stabilisce un ambiente sicuro e standardizzato che facilita la condivisione dei dati e delle applicazioni AI, sia internamente sia con partner esterni. Questo permette la collaborazione tra team multifunzionali, lo sviluppo dell’ecosistema dei partner e lo scambio di conoscenze a livello industriale.
Innovazione accelerata, dalla discovery alla produzione
Riduce drasticamente il tempo necessario dal concetto all’implementazione, eliminando i colli di bottiglia nella scoperta dei dati. Fornisce asset di dati pre-validati, modelli AI pronti all’uso e processi di conformità semplificati, consentendo sperimentazione rapida, validazione immediata e implementazioni più veloci.
Questa evoluzione rappresenta un cambiamento fondamentale rispetto ai modelli tradizionali di gestione dei dati, aprendo la strada a un approccio più agile, collaborativo e orientato al valore. Le organizzazioni sanitarie possono così rispondere in maniera più efficace alle opportunità e alle sfide emergenti nel contesto della salute digitale.
Adozione del Health Data Marketplace da parte di ospedali e sistemi sanitari
Questa architettura si sta già diffondendo nei principali ospedali di ricerca, nelle agenzie sanitarie, nelle aziende farmaceutiche e nei sistemi sanitari di diverse nazioni. La sua adozione migliora significativamente l’esperienza d’uso dei dati sanitari, rafforza sicurezza, auditabilità ed efficienza operativa, e offre ai leader delle organizzazioni una visione unificata dei propri dati e asset AI.
I tre vantaggi chiave per i CxO sanitari
Per i CxO, questa evoluzione è rilevante per tre motivi principali:
- Visibilità e responsabilità sui dati – Sovrintendenza centralizzata degli asset di dati aziendali, che permette di misurare sia gli esiti di salute e benessere, sia i KPI di gestione organizzativa.
- Accelerazione – Tempi più rapidi per ottenere valore dai dati e sperimentare con AI agentica e generativa in ambito clinico, operativo e di ricerca.
- Conformità – Fondamenti solidi e allineati alle normative, che liberano l’innovazione dai vincoli operativi imposti dalla conformità a leggi e regolamenti sanitari, come EHDS, GDPR e HIPAA.
Un cambiamento incrementale, non radicale
Non si tratta di un cambiamento radicale della strategia dei dati, ma di un affinamento iterativo delle strategie esistenti, reso possibile dai nuovi modelli architetturali e dall’innovazione cloud.
I leader sanitari che riconoscono e adottano questo cambiamento saranno meglio posizionati per sfruttare appieno il potenziale dell’AI generativa, mantenendo al contempo la conformità normativa.
Sfide HCLS tra AI, dati e compliance
Nel settore Healthcare & Life Sciences (HCLS) — che include grandi ospedali universitari (UMC), agenzie sanitarie nazionali e regionali, ministeri della salute (MoH), agenzie regolatorie per farmaci e dispositivi medici, fornitori di dispositivi e software medici, e leader del settore biopharma — le organizzazioni affrontano tre sfide urgenti e interconnesse:
- Ottimizzare le operazioni ospedaliere e la cura dei pazienti
- Tenere il passo con l’innovazione guidata da AI agentica e generativa
- Raggiungere e mantenere la conformità alle normative sanitarie in continua evoluzione
Queste sfide richiedono ai leader di ripensare le strategie sui dati, non come progetti isolati di compliance o tecnologia, ma come strumenti integrati di fiducia, agilità e competitività.
Questo cambiamento di paradigma implica: la modernizzazione delle architetture dati, l’istituzione di una governance etica dell’AI, la promozione della collaborazione cross-funzionale e l’implementazione di processi di compliance agili.
Eccellenza operativa ospedaliera e percorsi di cura centrati sul paziente
Le organizzazioni sanitarie devono oggi ottimizzare le operazioni ospedaliere e migliorare la cura dei pazienti in un contesto sempre più complesso.
Questa sfida richiede un’orchestrazione sofisticata delle soluzioni basate sui dati, che spazia dal supporto decisionale clinico potenziato dall’AI e dall’allocazione delle risorse, fino alla gestione dei flussi dei pazienti e alla personalizzazione dei percorsi di cura. Le analisi in tempo reale guidano decisioni cruciali, dalla pianificazione del personale e l’uso delle attrezzature, alla definizione dei trattamenti e al monitoraggio remoto dei pazienti.
L’integrazione di queste capacità deve essere fluida, ma anche sufficientemente flessibile per adattarsi ai modelli di erogazione sanitaria in continua evoluzione e alle aspettative dei pazienti.
L’Health Data Marketplace si presenta come una soluzione trasformativa per affrontare queste sfide operative.
Fornendo una piattaforma unificata per l’accesso e l’analisi dei dati, consente alle organizzazioni di integrare negli workflow clinici insight guidati dall’AI, estendere l’analisi dai singoli reparti a livello enterprise, accelerare le iniziative di miglioramento della qualità e colmare il divario tra innovazione e implementazione pratica. Questo approccio trasforma radicalmente l’utilizzo degli asset di dati sanitari per raggiungere l’eccellenza operativa.
Invece di confrontarsi con sistemi isolati e accesso frammentato ai dati, le organizzazioni possono prototipare, validare e scalare rapidamente le soluzioni a livello enterprise. Il risultato è un sistema sanitario più agile e reattivo, capace di adattarsi velocemente alle mutevoli esigenze dei pazienti, mantenendo efficienza operativa ed eccellenza clinica.
Questa trasformazione è particolarmente rilevante in un contesto di value-based care, che richiede di garantire sia efficacia clinica che efficienza operativa.
AI generativa e agentica: perché servono dati sanitari pronti
L’AI generativa nel settore HCLS sta rapidamente evolvendo verso l’AI agentica, cioè agenti autonomi in grado di scoprire, reperire ed elaborare dati sanitari in tempo reale in maniera proattiva tramite strumenti dedicati.
L’adozione dell’AI generativa in ambito sanitario non è più sperimentale: sta già trasformando il coinvolgimento dei pazienti, il triage, la documentazione clinica e il supporto decisionale. Tuttavia, la prossima frontiera, l’AI agentica, alza ulteriormente l’asticella: si tratta di sistemi autonomi capaci di agire in maniera indipendente per raggiungere obiettivi predefiniti, a beneficio dei professionisti sanitari.
Per i leader del settore, questa evoluzione non riguarda solo nuovi strumenti, ma la necessità di ri-architettare l’intera organizzazione per creare valore guidato dall’AI, sia per i pazienti sia per i professionisti della salute.
AI agentica nella cura chirurgica
Oggi la preparazione pre- e post-operatoria, la pianificazione chirurgica e la gestione delle risorse richiedono un impegno clinico e amministrativo significativo. La pianificazione chirurgica è spesso considerata “più arte che scienza”, con alta variabilità e consumo intensivo di risorse.
L’AI agentica ha il potenziale di: standardizzare e snellire i flussi di lavoro, automatizzare attività pianificatorie critiche ma ripetitive, ottimizzare la programmazione, liberando i team clinici per concentrarsi su risultati dei pazienti e efficienza dei processi.
AI agentica e ricerca medica
Nei centri universitari ospedalieri (UMC), l’avvio di un progetto di ricerca comporta una catena complessa di passaggi: reperimento dei dati, controlli di conformità per l’uso secondario, approvazioni normative, predisposizione di Trusted Research Environments (TRE) e strumenti dedicati.
Questi passaggi possono richiedere mesi prima dell’inizio di una singola analisi. L’AI agentica potrebbe: automatizzare la scoperta dei dataset, applicare controlli di conformità in tempo reale, predisporre dinamicamente i TRE, riducendo drasticamente i tempi per ottenere insight e accelerando la ricerca scientifica.
Governance dei dati come prerequisito per l’AI
Tuttavia, la maggior parte delle organizzazioni sanitarie non è ancora pronta per gli agenti AI né per il ritmo accelerato dell’AI generativa. Gli agenti AI dipendono dai dati a cui possono accedere, e la fiducia nell’AI deriva dalla fiducia nei dati sanitari.
Uno studio recente di McKinsey ha rilevato che il 46% delle organizzazioni considera la governance dei dati il criterio principale per il deployment dell’AI, mentre molti sistemi sanitari operano ancora su basi dati frammentate e isolate, progettate per analisi umane e non per decisioni continue guidate dalle macchine (7).
Senza una ri-architettura dei livelli dati in grado di supportare servizi dati in tempo reale, basati su API, conformi alle normative e multi-cloud, le organizzazioni rischiano di rimanere indietro nella prossima ondata di innovazione guidata dall’AI. Il vantaggio competitivo spetterà a chi saprà integrare conformità normativa, governance dei dati e prontezza all’AI in un’architettura coerente.
Per restare competitivi, i leader devono colmare il divario tra potenziale dell’AI e limitazioni dei dati, altrimenti rischiano di essere esclusi dalla prossima generazione di trasformazione sanitaria.
EHDS, DARWIN EU e ruolo del Health Data Marketplace
Nel contesto dell’uso secondario dei dati previsto dall’EHDS, manca ancora una visibilità chiara sui dati e sugli asset di AI delle organizzazioni sanitarie, dai Trusted Health Data Holders (ospedali, UMC o registri) fino ai livelli regionali e nazionali dei sistemi sanitari.
I CxO dei principali UMC e ospedali europei segnalano che, allo stato attuale, la ricerca medica collaborativa viene condotta prevalentemente su base progetto-per-progetto, spesso finanziata tramite grant esterni a tempo limitato. Ogni nuova iniziativa richiede team dati temporanei, dataset ad hoc e ambienti di ricerca isolati, che vengono poi smantellati al termine del progetto.
Uno dei passaggi più intensivi in termini di risorse è il reperimento e la preparazione dei dati, ovvero individuare e allestire i dataset corretti garantendo privacy, sicurezza e qualità delle informazioni, spesso comprendenti dati altamente sensibili dei pazienti e informazioni personali identificabili (PII). La sfida aumenta quando la ricerca coinvolge più ospedali e Paesi, ciascuno con sistemi, standard e protocolli di governance diversi.
La pandemia di COVID-19 ha evidenziato questa frammentazione: la mancanza di meccanismi condivisi per l’accesso sicuro e l’analisi dei dati ha rallentato le decisioni politiche e ostacolato la risposta coordinata. Oggi, reperire i dati corretti può richiedere fino al 55% delle risorse di un progetto e, in alcuni casi, fino a tre anni (8). L’EHDS mira a ridurre questo tempo a 2-3 mesi.
Per affrontare questa sfida, le organizzazioni devono creare un nuovo livello sopra la base di governance dei dati: un catalogo degli asset di dati sanitari e un livello di collaborazione.
Questo livello permette di: a) scoprire i metadati tra istituzioni, b) valutare la qualità dei principali dataset sanitari, c) accedere in modo trasparente ai metodi di studio e all’uso dei dati, in linea con le normative.
Nel contesto delle normative EHDS sull’uso secondario dei dati (che sostituiscono ENCePP ed EU PAS), questa capacità è essenziale per una ricerca conforme, efficiente e trasparente, rappresentando la base per l’implementazione dei principi FAIR (9).
Un Health Data Marketplace all’interno di UMC, ospedali o detentori di dati sanitari costituirebbe il denominatore comune per l’uso secondario dei dati EHDS.
DARWIN EU, OMOP CDM e RWE
DARWIN EU, guidato dall’Agenzia Europea per i Medicinali (EMA), mira a fornire dati reali (Real-World Data, RWD) tempestivi e affidabili sulla sicurezza, efficacia e utilizzo dei medicinali in tutta l’Unione Europea. Funziona come una rete federata di piattaforme di dati sanitari, comprendente centinaia di UMC, migliaia di ospedali e la Rete Regolatoria Europea dei Medicinali (EMRN), che include EMA e le Autorità Nazionali Competenti (NCA).
Questa iniziativa standardizza la collaborazione tra ospedali, enti regolatori e industria farmaceutica, coprendo l’intero ciclo, dallo sviluppo dei farmaci alla farmacovigilanza. Al centro del sistema c’è il Common Data Model (CDM) dell’Observational Medical Outcomes Partnership (OMOP), uno standard unificato per strutturare i dati sanitari provenienti da fonti eterogenee, inclusi sistemi di cura diretta, applicazioni per pazienti e strumenti dipartimentali come LIS, PACS e RIS.
Tuttavia, l’implementazione rivela una lacuna significativa: non esiste ancora un meccanismo fluido per scoprire e accedere ai dataset OMOP CDM.
Ad esempio, le aziende del settore scienze della vita e le istituzioni di ricerca spesso segnalano frustrazione, perché anche semplici verifiche di fattibilità — come individuare pazienti con specifici codici ICD-10, caratteristiche demografiche, segni vitali o biomarcatori — possono richiedere 3-6 mesi, con molte iterazioni manuali, per poi produrre solo file CSV o flat file statici.
I clienti delle life sciences riferiscono di spendere milioni di dollari solo per identificare il dataset corretto necessario a generare Real-World Data e Real-World Evidence (RWD & RWE).
Verso uno strato di collaborazione e discovery dei dataset
La necessità è chiara: creare uno strato di collaborazione per i dati sanitari standardizzati, che consenta scoperta rapida basata su query e condivisione sicura con stakeholder autorizzati tramite API o altre interfacce programmatiche.
Architettura a due livelli del Health Data Marketplace su AWS
Health Data Marketplace nasce dall’osservazione dei modelli emergenti nell’industria dei dati sanitari e dall’ascolto dei CIO e dei data leader, che affrontano la complessità di sviluppare applicazioni avanzate basate su dati e intelligenza artificiale (AI). Ciò che mancava non era l’infrastruttura, ma un livello di astrazione: un metodo comune e riutilizzabile per ricercare e rendere disponibili i dati sanitari e le risorse di AI dell’organizzazione.
Come ha sintetizzato un CIO di un centro medico universitario europeo (UMC): “Sappiamo che i nostri dati sanitari rappresentano un vantaggio strategico. Ci serve un’esperienza simile a un marketplace — un modello di ricerca, acquisto e fruizione — che permetta a ricercatori e clinici di accedere facilmente a dataset affidabili, insight e strumenti di AI, come ordinerebbero servizi nel cloud.”
La catena del valore dei dati sanitari copre l’intero processo: raccolta, gestione, governance, analisi e condivisione dei dati, con l’obiettivo di generare informazioni affidabili, stimolare l’innovazione e migliorare assistenza ai pazienti, ricerca e politiche sanitarie. Questo framework si basa su un’architettura a due livelli, ciascuno composto da distinti livelli di astrazione, focalizzati su diverse fasi della catena del valore dei dati sanitari.
Livello superiore: generazione di valore ed esperienza utente
Questo livello è incentrato su impatto, riutilizzabilità e rapidità nel generare valore. Separando l’esperienza utente dalla complessità operativa dell’infrastruttura dati sottostante, le organizzazioni possono scalare l’innovazione senza interrompere i flussi di lavoro.
- Livello del Health Data Marketplace: offre un’esperienza di tipo “search and serve”, trattando dataset, insight e API come prodotti. Questo favorisce trasparenza, riutilizzabilità e replicabilità per clinici interni, ricercatori accademici e partner esterni del settore delle scienze della vita.
Dal punto di vista dell’EHDS per l’uso secondario dei dati, include – ma non si limita a – : un Business Data Catalogue basato sullo standard HealthDCAT-AP; la capacità di predisporre un Secure Processing Environment (SPE) subito dopo la scoperta e la selezione dei dati e degli asset AI, insieme agli strumenti tecnici richiesti, in linea con le linee guida TEHDAS2. Questo livello offre inoltre una vista unificata (“single pane of glass”) per il monitoraggio dell’uso e dei costi o tariffe associate.
- Livello degli Utenti, Applicazioni e Servizi dei Dati Sanitari
Fornisce un’esperienza personalizzata per clinici, ricercatori e regolatori, abilitando accesso self-service a dati e asset AI affidabili. Include – ma non si limita a – portali, applicazioni e servizi orientati all’utente, rivolti a pazienti, clinici, ricercatori e policy maker.
Nel complesso, il livello superiore consente di ottenere:
- Dati Sanitari (Health Data). I dati sensibili dei pazienti vengono tokenizzati o anonimizzati per garantire la conformità alle normative (GDPR, HIPAA, EHDS) e, allo stesso tempo, supportare usi secondari come la generazione di Real-World Data (RWD) e Real-World Evidence (RWE). La tokenizzazione consente una collaborazione sicura con enti regolatori, partner del settore delle scienze della vita e persino con modelli di altruismo dei dati pubblici.
- Insight. Dashboard di Business Intelligence (BI) e report vengono catalogati per eliminare le ridondanze. Invece di migliaia di indicatori di performance (KPI) isolati, gli insight diventano ricercabili, riutilizzabili e affidabili tra le varie unità aziendali e con gli stakeholder esterni.
- Asset di AI Generativa e Agentica (Agentic & Generative AI Assets). Lo sviluppo è decentralizzato: i team possono sperimentare con i migliori modelli di base (foundation models) e strumenti di AI agentica disponibili. Tuttavia, le applicazioni e le API finali vengono centralizzate nel marketplace per garantire una corretta governance, un controllo degli accessi e un livello di fiducia uniforme a livello aziendale.
Livello inferiore: fondazione dati e multi-cloud
Questo livello si concentra su gestione dati multi-cloud e governance centralizzata, che costituiscono la base per operazioni scalabili, conformi e pronte all’innovazione. È composto da due sotto-livelli:
- Livello della Piattaforma di Analisi dei Dati Sanitari (Decentralizzato, Multi-Cloud)
Fornisce accesso a un ampio ecosistema di strumenti per gestione dei dati sanitari, AI agentica e AI generativa (GenAI). Affronta le sfide della “gravità dei dati” distribuendo i carichi di lavoro tra infrastrutture performanti e resilienti. Include pipeline di dati e meccanismi di anonimizzazione e pseudonimizzazione nei rispettivi Cloud Service Provider (CSP), consentendo ai team di sperimentare sulle migliori piattaforme mantenendo i carichi di produzione su cloud resilienti e ottimizzati in termini di costi. - Livello di Governance dei Dati Sanitari (Centralizzato)
Stabilisce un quadro coerente a livello aziendale per garantire conformità e fiducia. I principali componenti includono: cataloghi di metadati tecnici, incluso HealthDCAT-AP; autenticazione e autorizzazione; permessi di accesso ai dati per garantire scoperta sicura; gestione del consenso conforme al EU Data Governance Act (DGA); artefatti tecnici basati sui principi FAIR; controlli standardizzati per auditabilità, trasparenza e conformità con EHDS e DARWIN EU.
Casi reali e prossimi passi per i leader sanitari
Health Data Marketplace non è solo un framework concettuale: è già adottato da organizzazioni sanitarie lungimiranti per trasformare la gestione, la condivisione e la scalabilità dei dati e degli asset AI.
Combinando flessibilità multi-cloud, governance centralizzata ed esperienza self-service tipo marketplace, consente a clinici, ricercatori e regolatori di accedere a insight e applicazioni affidabili, con velocità e conformità senza precedenti.
Un esempio concreto è rappresentato da un importante ospedale universitario europeo e da CatSalut, il sistema sanitario pubblico della regione catalana in Spagna, che stanno adottando questo modello per accelerare l’innovazione e trasformare la fornitura di dati da mesi di lavoro amministrativo a un’esperienza snella, conforme e self-service, migliorando ricerca ed efficienza operativa pur rispettando rigorosi requisiti normativi.
I tre step immediati che i leader sanitari dovranno adottare
- Evolvere il mindset. Passare da una visione ristretta, focalizzata solo sulla gestione dei dati, a una prospettiva strategica in cui il Health Data Marketplace rappresenta il livello superiore della catena del valore dei dati.
- Costruire la strategia. Definire una strategia dei dati sanitari che integri i principi del Marketplace, assicurando l’allineamento con i requisiti normativi, l’adozione multi-cloud e la preparazione all’uso dell’intelligenza artificiale.
- Iterare la tecnologia. Adottare un approccio graduale e iterativo, iniziando dal livello superiore del marketplace e rafforzando progressivamente le fondamenta di gestione e governance dei dati (livello inferiore).
Le organizzazioni che guideranno questa trasformazione non solo saranno conformi a EHDS, DARWIN EU e altri quadri normativi, ma sbloccheranno il pieno potenziale dell’AI generativa e agentica, accelereranno ricerca e innovazione e miglioreranno in modo misurabile i risultati clinici dei pazienti.
Per i leader sanitari, la domanda non è più se agire, ma quanto rapidamente adottare il modello del Health Data Marketplace per rendere migliori le proprie organizzazioni e creare un impatto duraturo.
Riferimenti
TEHDAS2 (Towards the European Health Data Space). (2025). Public Consultation and Technical Deliverables on the European Health Data Space. Retrieved from https://tehdas.eu/public-consultations
World Economic Forum. (2022). 97% of healthcare data remains underutilized. Retrieved from https://www.weforum.org
Amazon Web Services (AWS). (2024). Paradigm Shift in Health Data Management through the cloud. AWS Whitepaper. https://pages.awscloud.com/HealthDataManagement-Learn-More.html
Andreessen Horowitz. (2024). Service as Software: How AI Agents Are Transforming SaaS. Retrieved from https://a16z.com
Amazon Web Services (AWS). (2025). Agentic AI on AWS. Retrieved from https://aws.amazon.com/ ai/agentic-ai/
European Commission (2024). European Health Data Space (EHDS) Regulation and DARWIN EU Initiative. Retrieved from https://health.ec.europa.eu
European Commission (2022). European Data Governance Act (DGA). Official Journal of the European Union. Retrieved from https://digital-strategy.ec.europa.eu
McKinsey & Company. (2023). State of AI in 2023: 46% of organizations rank data governance as the top criterion for AI deployment. Retrieved from https://www.mckinsey.com
European Academic Medical Centers Survey (2023). Data provisioning can consume up to 55% of a research project’s total time and resources. Internal benchmarking study cited in white paper interviews.
Nature Publishing Group. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, Article 160018. DOI:10.1038/sdata.2016.18
European Commission – SEMIC Initiative (2023). HealthDCAT-AP: Data Discovery in the European Health Data Space. Retrieved from https://joinup.ec.europa.eu
