Dalla valutazione del rischio preoperatorio al monitoraggio intraoperatorio in tempo reale, l’intelligenza artificiale predittiva sta iniziando a ridefinire alcuni dei paradigmi più consolidati dell’anestesiologia contemporanea. Il cambiamento, però, non riguarda soltanto l’introduzione di nuovi strumenti digitali o algoritmi più sofisticati.
In gioco c’è una diversa concezione del rischio nel paziente chirurgico: non più un punteggio statico calcolato su un numero limitato di variabili, ma un’informazione dinamica, personalizzata e potenzialmente aggiornabile lungo l’intero percorso perioperatorio.
In questo scenario, applicazioni come la predizione dell’instabilità emodinamica, l’analisi avanzata dei segnali fisiologici o il supporto decisionale intraoperatorio mostrano come il dato clinico possa trasformarsi da elemento prevalentemente descrittivo a strumento predittivo.
Delinea opportunità, limiti e condizioni necessarie per un’integrazione clinica sicura Valentina Bellini, professoressa associata di Anestesiologia all’Università di Parma e medico anestesista presso l’Aou di Parma.
Dal punteggio statico allo score continuamente aggiornabile
Per lungo tempo la valutazione del rischio nel paziente chirurgico si è basata su score costruiti a partire da un numero limitato di variabili e calcolati in momenti definiti del percorso clinico. L’arrivo della Predictive AI introduce però una logica diversa, più vicina a un monitoraggio continuo che a una fotografia iniziale del paziente.
Modelli di machine learning applicati alla medicina perioperatoria stanno infatti mostrando una capacità crescente di affinare la stratificazione del rischio rispetto ad alcuni strumenti tradizionali, integrando una quantità molto più ampia di informazioni cliniche.
«Quando parliamo di Predictive AI applicata al paziente chirurgico ci riferiamo concretamente a sistemi in grado di integrare grandi quantità di dati clinici, dall’anamnesi agli esami di laboratorio, dall’imaging alle terapie, per stimare in modo più accurato e personalizzato il rischio di determinati eventi», spiega Valentina Bellini. «Non solo complicanze cliniche, ma anche esiti organizzativi e assistenziali, come il ricorso alla terapia intensiva, il prolungamento della degenza o il bisogno di percorsi di monitoraggio avanzato».
Il cambiamento più profondo riguarda, però, il concetto stesso di stratificazione del rischio. «Non ci limitiamo più a uno score statico, calcolato una sola volta su poche variabili predefinite», aggiunge Bellini. «L’AI consente di costruire uno score personalizzato, automatico e continuamente aggiornabile, che tiene conto delle caratteristiche reali del singolo paziente e non solo della categoria a cui appartiene.
In questa prospettiva non parliamo più soltanto di classificare un paziente come a basso, medio o alto rischio prima dell’intervento, ma di seguirne l’evoluzione lungo tutto il percorso perioperatorio. Il rischio diventa un dato vivo, che cambia e può aggiornarsi automaticamente quando cambiano le condizioni cliniche o compaiono nuovi eventi».
Questa evoluzione apre la strada a decisioni cliniche più tempestive e fase-specifiche – dall’ottimizzazione preoperatoria alla definizione del livello di monitoraggio – rendendo la valutazione del rischio più aderente alla dinamica reale del paziente.
Quando il monitoraggio diventa predittivo
Se la valutazione del rischio evolve da punteggio statico a dato dinamico, il cambiamento diventa particolarmente visibile all’interno della sala operatoria. Uno degli ambiti in cui la Predictive AI trova oggi le applicazioni più concrete è infatti l’analisi in tempo reale dei parametri vitali e dei segnali fisiologici durante l’anestesia, dove il monitoraggio può iniziare a spostarsi da una funzione prevalentemente descrittiva a una logica anticipatoria.
Tra gli esempi più studiati rientrano i sistemi per la predizione dell’ipotensione intraoperatoria, capaci in alcuni casi di identificare il rischio dell’evento con diversi minuti di anticipo rispetto alla sua manifestazione clinica.
«Oltre alla risk prediction preoperatoria, uno degli ambiti più concreti è l’analisi in tempo reale dei parametri vitali e dei segnali fisiologici durante l’anestesia», osserva Valentina Bellini. «In questo contesto l’IA non serve solo a descrivere ciò che sta accadendo, ma a riconoscere pattern che possono precedere un evento clinico, come un episodio di ipotensione, ipossiemia o instabilità emodinamica». Il punto, sottolinea, non è semplicemente accumulare dati, ma cogliere precocemente traiettorie di deterioramento che l’osservazione convenzionale potrebbe intercettare solo quando il quadro è già pienamente manifesto.
È qui che emerge il passaggio di paradigma. «Il valore è trasformare il monitoraggio da uno strumento prevalentemente descrittivo a uno strumento predittivo, capace di segnalare una traiettoria di deterioramento prima che l’evento sia completamente evidente», puntualizza Bellini.
Una logica che trova già alcuni riscontri applicativi: sistemi come l’Hypotension Prediction Index (Hpi), basati sull’analisi avanzata dell’onda arteriosa, hanno mostrato in studi clinici la possibilità di anticipare episodi di ipotensione intraoperatoria e di ridurne la durata in specifici contesti operativi, pur con interrogativi ancora aperti sull’impatto sugli outcome maggiori.
Se il monitoraggio anestesiologico diventa capace di anticipare l’instabilità prima della sua piena espressione clinica, allora non cambia soltanto il modo di leggere i dati: cambia anche il modo di gestire la decisione intraoperatoria.
La sala operatoria come ecosistema di dati
Se il monitoraggio diventa predittivo, cambia anche il modo in cui viene governata la complessità intraoperatoria. La Predictive AI non interviene infatti su un singolo parametro, ma prova a leggere simultaneamente una molteplicità di segnali clinici che l’anestesista deve integrare in tempo reale: stabilità emodinamica, ventilazione, fluidoterapia, profondità anestesiologica, andamento dell’intervento e risposta ai farmaci.
Uno degli ambiti più promettenti riguarda proprio il supporto alla gestione intraoperatoria. Accanto ai sistemi di monitoraggio predittivo dell’ipotensione, la ricerca si sta muovendo verso modelli capaci di ottimizzare ventilazione, uso dei vasopressori, somministrazione dei fluidi e controllo della profondità anestetica. In alcune applicazioni, come il monitoraggio Eeg assistito da IA o i sistemi closed-loop per l’erogazione anestetica, esistono già evidenze avanzate, anche se l’implementazione rimane ancora selettiva.
«Il valore non è automatizzare la decisione, ma aiutare a integrare dati che oggi l’anestesista valuta contemporaneamente, spesso in modo frammentato. L’obiettivo è rendere la risposta clinica più tempestiva, più contestualizzata e maggiormente personalizzata lungo tutto il percorso intraoperatorio».
Ma proprio perché questi sistemi operano su grandi quantità di dati, pattern multipli e contesti clinici altamente variabili, la loro affidabilità non può essere considerata acquisita. Ed è qui che emerge uno dei veri banchi di prova della Predictive AI: la capacità di mantenere accuratezza e utilità quando esce dal laboratorio algoritmico ed entra nella pratica clinica reale.
Il banco di prova della validazione
Accanto alle applicazioni più promettenti, la Predictive AI in anestesiologia si confronta con una questione decisiva: la capacità dei modelli di mantenere le proprie performance fuori dall’ambiente in cui sono stati sviluppati. La letteratura recente segnala infatti come molti algoritmi mostrino risultati eccellenti nei dataset di derivazione, ma vadano incontro a un degrado significativo quando vengono applicati a popolazioni, pratiche cliniche o infrastrutture differenti. Validazione esterna, qualità dei dataset e generalizzabilità restano quindi nodi centrali del percorso verso l’adozione clinica.
«Siamo vicini all’utilizzo reale di questi strumenti, soprattutto quando l’IA deve rispondere a una domanda molto specifica e circostanziata, per esempio predire il rischio di una determinata complicanza postoperatoria in una popolazione ben definita. È molto più difficile, invece, quando chiediamo all’IA di affrontare problemi complessi, multifattoriali o rari. In questi casi l’accuratezza può calare, perché gli eventi sono meno rappresentati nei dataset e perché il contesto clinico incide moltissimo».
Il punto critico è la trasferibilità del modello. «Un algoritmo può funzionare bene in un centro, con una certa popolazione chirurgica o con un determinato sistema di monitoraggio, ma non necessariamente mantenere la stessa performance in un altro ospedale». Per questo, sottolinea Bellini, «la validazione esterna, prospettica e multicentrica è un passaggio essenziale».
Un’esigenza che trova ampio riscontro anche nella letteratura internazionale, dove bias di selezione, differenze nella codifica dei dati e variabilità dei contesti organizzativi vengono indicati tra le principali barriere alla scalabilità clinica dell’IA perioperatoria.
La sfida non è soltanto sviluppare modelli accurati, ma dimostrarne l’affidabilità quando cambiano ospedale, popolazione clinica e contesto operativo. Ed è proprio qui che si apre un secondo livello di criticità: anche un algoritmo scientificamente robusto può fallire se non riesce a integrarsi nel workflow anestesiologico quotidiano.
Workflow, interoperabilità e sovraccarico cognitivo
Anche un modello accurato, validato e scientificamente robusto non è automaticamente destinato a funzionare nella pratica clinica. Il vero banco di prova è la capacità di integrarsi nel workflow anestesiologico quotidiano, all’interno di ecosistemi digitali spesso frammentati, caratterizzati da sistemi informativi eterogenei, dati distribuiti in silos differenti e requisiti di elaborazione che, in alcuni scenari intraoperatori, richiedono tempi di risposta estremamente rapidi. La letteratura identifica proprio interoperabilità, usabilità e inserimento operativo tra le principali barriere all’adozione della Predictive AI in anestesiologia.
«Le criticità principali non sono solo tecnologiche. Riguardano la qualità dei dati, l’integrazione con i sistemi informatici ospedalieri, l’interpretabilità delle previsioni e soprattutto l’inserimento nel workflow anestesiologico».
In altre parole, la questione non è soltanto se l’algoritmo produca una previsione corretta, ma se quella previsione sia utilizzabile nel momento giusto, nel formato giusto e in modo coerente con la pratica clinica reale.
«Un algoritmo non deve essere solo accurato: deve essere tempestivo e comprensibile da parte dei clinici. Il rischio, altrimenti, è quello di generare nuovo rumore informativo invece che supporto decisionale. Se un sistema produce allarmi troppo frequenti, poco chiari o non collegati a una decisione clinica concreta, rischia di aumentare il sovraccarico cognitivo e operativo dell’anestesista anziché migliorare la sicurezza». Un tema che richiama il problema, ben noto in medicina critica, dell’alert fatigue: troppi segnali, troppi alert, troppo poco valore clinico percepito.
In questo scenario, l’IA non può essere considerata un semplice layer software da aggiungere ai sistemi esistenti, ma una tecnologia che richiede progettazione centrata sull’utente, integrazione infrastrutturale e chiarezza interpretativa. Ed è proprio da qui che emerge il tema finale del servizio: quello della governance, della trasparenza algoritmica e della responsabilità clinica.
IA come tecnologia clinica, non come semplice software
Perché la Predictive AI possa entrare stabilmente nella pratica anestesiologica, non basta migliorare la performance degli algoritmi. Il nodo riguarda la governance clinica dell’innovazione: qualità dei dati, trasparenza delle previsioni, responsabilità professionale, formazione degli operatori e capacità di sorvegliare nel tempo il comportamento dei modelli.
«L’anestesista deve poter comprendere, almeno in termini clinici, perché il sistema segnala un aumento del rischio e quali variabili stanno contribuendo a quella previsione. Non significa necessariamente rendere completamente interpretabile ogni modello complesso, ma garantire una lettura clinicamente comprensibile dell’output algoritmico: sapere su quali dati il sistema è stato addestrato, in quale popolazione è stato validato, quali limiti presenta e in quali contesti può essere usato con maggiore cautela».
Su questo terreno si inserisce anche il quadro regolatorio europeo. L’EU AI Act considera i sistemi di supporto alle decisioni cliniche tra le applicazioni ad alto rischio, introducendo requisiti più stringenti di supervisione umana, monitoraggio continuo, trasparenza e controllo dei bias algoritmici.
«L’IA deve essere integrata come tecnologia clinica, non come semplice software», conclude Bellini. «Come ogni tecnologia clinica, richiede valutazione continua, contestualizzazione operativa e responsabilità chiaramente definite. L’algoritmo può ampliare la capacità di previsione, segnalare traiettorie di rischio e rendere più tempestivo il processo decisionale. Il punto finale di sintesi, però, rimane il giudizio clinico: contestuale, interpretativo e responsabilmente affidato al medico».
Tratto dal numero di ottobre 2026 di Tecnica Ospedaliera
