La gestione delle liste d’attesa in sanità si è storicamente basata su un modello lineare: il criterio cronologico (o FIFO – First In, First Out), corretto manualmente dalle classi di priorità assegnate dal medico. Questo approccio, tuttavia, è statico. Non tiene conto delle variabili dinamiche che influenzano l’erogazione del servizio, come le disdette all’ultimo minuto, il peggioramento delle condizioni del paziente o la stagionalità delle patologie.

L’adozione dell’analisi predittiva permette di passare da una gestione passiva (registrare una prenotazione) a una attiva (prevedere la domanda e ottimizzare l’offerta). Vediamo come funziona tecnicamente e perché sta diventando uno standard necessario.

Come funziona il motore predittivo

Il sistema non si limita a “organizzare” i dati, ma calcola probabilità future basandosi su grandi volumi di dati storici. Il funzionamento può essere segmentato in tre fasi logiche.

1. Ingestione dei Dati e Variabili

L’algoritmo viene addestrato sui dati storici della struttura sanitaria (solitamente gli ultimi 3-5 anni). Non guarda solo quante persone sono in lista, ma chi sono e come si comportano. Le variabili analizzate includono:

• Dati demografici: Età, distanza dal luogo di cura, mobilità.

• Storia clinica: Patologie croniche, frequenza di visite precedenti.

• Comportamento pregresso: Tasso personale di appuntamenti mancati (history of no-shows).

• Fattori esterni: Meteo, traffico, giorni festivi, picchi influenzali stagionali.

2. Calcolo del Rischio di “No-Show”

Uno degli sprechi maggiori in sanità è il paziente che non si presenta (No-Show). Un modello predittivo assegna a ogni appuntamento un “punteggio di probabilità di assenza”.

Se il sistema calcola che il Sig. Rossi ha un’alta probabilità (es. 85%) di non presentarsi per la risonanza magnetica del martedì mattina (basandosi sul fatto che ha saltato le ultime due visite e abita lontano), il sistema può suggerire due azioni:

• Overbooking controllato: Sovrapporre un altro appuntamento in quello slot, sapendo che statisticamente uno dei due non verrà.

• Intervento preventivo: Inviare promemoria rinforzati (SMS, chiamata automatica) o offrire un cambio orario proattivo.

3. Prioritizzazione Dinamica

A differenza della lista cartacea, l’intelligenza artificiale può rivalutare la lista quotidianamente. Utilizzando dati clinici aggiornati (es. risultati di laboratorio recenti caricati nel fascicolo elettronico), l’algoritmo può segnalare pazienti la cui condizione potrebbe deteriorarsi rapidamente, suggerendo di anticipare l’appuntamento rispetto a chi, pur essendo in lista da più tempo, ha un quadro clinico stabile.

Perché l’implementazione è necessaria

L’adozione di questi sistemi risponde a esigenze strutturali non più rimandabili.

Saturazione delle risorse tecnologiche

Macchinari costosi come TAC e Risonanze Magnetiche hanno costi fissi elevati. Uno slot vuoto a causa di una disdetta tardiva è un danno economico e clinico irreversibile (quel tempo non si recupera). L’analisi predittiva massimizza l’utilizzo degli asset (tasso di occupazione delle macchine), riducendo i tempi morti.

Gestione dei picchi di domanda

I modelli predittivi possono anticipare i picchi di affluenza stagionali o legati a specifici eventi epidemiologici con settimane di anticipo. Questo permette alla direzione sanitaria di modulare i turni del personale e la disponibilità degli ambulatori prima che si crei l’imbuto, e non in risposta all’emergenza.

Equità di accesso reale

Paradossalmente, il sistema puramente cronologico può essere iniquo. Tratta ugualmente casi che hanno traiettorie di rischio diverse. L’intelligenza artificiale supporta il decisore umano nel garantire che le risorse scarse vadano assegnate non solo a chi aspetta da più tempo, ma a chi ne trae il maggior beneficio clinico marginale in quel momento specifico.

Ecco un esempio pratico focalizzato sul calcolo del rischio di No-Show (mancata presentazione), che è uno dei casi d’uso più immediati ed efficaci.

Immaginiamo di trovarci nel backend del software di gestione appuntamenti (CUP) che è stato integrato con un modulo di Intelligenza Artificiale.

1. L’Input: Il “Feature Vector”

Per ogni appuntamento fissato, l’algoritmo non legge solo “Nome e Cognome”, ma scompone l’evento in una serie di dati numerici (vettori). Ecco come appare la matrice di dati che il sistema analizza per un singolo paziente, Mario Rossi:

2. L’Output: Simulazione della Dashboard Operativa

L’algoritmo (ad esempio una Random Forest o una Regressione Logistica) elabora queste variabili e restituisce uno Score di Rischio (0-100%).

Di seguito, una rappresentazione schematica di come appare la lista d’attesa “aumentata” vista dall’operatore del CUP o dal Direttore Sanitario.

Interfaccia Operatore – Reparto Radiologia (12 Ottobre)

3. La Logica Tecnica (Schema di Flusso)

Il processo decisionale automatico segue questo schema logico:

1. Analisi Soglia (Thresholding): Il sistema è configurato con soglie di intervento.

   • Score < 30%: Nessuna azione.

   • Score 30-70%: Azione di comunicazione (invio reminder multipli su WhatsApp/SMS + richiesta conferma attiva 24h prima).

   • Score > 70%: Azione logistica (Overbooking).

2. Esecuzione Overbooking Intelligente:

   Nel caso di Mario Rossi (88% rischio assenza), il sistema non cancella l’appuntamento, ma apre lo stesso slot (08:30) per un secondo paziente “flessibile” (Luca Bianchi), magari un paziente interno ricoverato o qualcuno che abita vicino e ha accettato di essere in lista “short-notice”.

3. Apprendimento (Feedback Loop):

   • Se Mario Rossi non si presenta: L’algoritmo riceve conferma positiva (“avevo ragione”), il modello si rafforza, e Luca Bianchi fa l’esame senza buchi in agenda.

   • Se Mario Rossi si presenta: L’algoritmo registra l’errore (“falso positivo”) e ricalibrerà i pesi delle variabili per il futuro. Luca Bianchi viene gestito con priorità nello slot successivo o su una macchina parallela (gestione del rischio clinico).