Alessia Bramanti, professoressa dell’Università di Salerno racconta PrediHealth, il progetto che usa sensori ambientali, wearable e machine learning per anticipare le crisi nei pazienti con scompenso cardiaco cronico.
Non basta sapere che un paziente ha la pressione alta o la saturazione bassa. Bisogna capire in che casa vive, che aria respira, quanto umida è la stanza in cui dorme. Alessia Bramanti, professoressa associata all’Università degli Studi di Salerno lavora da anni all’incrocio tra ingegneria biomedica e medicina delle cronicità. Il progetto di cui è coordinatrice, insieme al Prof. Giuseppe Scanniello, PrediHealth, finanziato nell’ambito del Pnrr, integra dispositivi indossabili, sensori ambientali e algoritmi di machine learning per trasformare la gestione dello scompenso cardiaco da reattiva a predittiva. L’obiettivo è intercettare i segnali di peggioramento prima che diventino emergenze.
Perché avete deciso di integrare anche sensori ambientali nel progetto PrediHealth?
Il motivo nasce anche dalle esperienze pregresse che abbiamo avuto nel settore. PrediHealth non è il nostro primo progetto su questa tematica: avevamo già lavorato su sistemi di telemonitoraggio applicati allo scompenso cardiaco e basati su intelligenza artificiale. In questo caso abbiamo voluto aggiungere anche sensori ambientali che andassero a corredare le informazioni raccolte tradizionalmente, come pressione arteriosa, elettrocardiogramma e saturazione.
Abbiamo inserito dati relativi a umidità, qualità dell’aria, particolato e altri fattori ambientali perché ci siamo accorti, anche attraverso la letteratura scientifica, che le condizioni in cui vive il paziente interferiscono con il suo stato di salute complessivo. Questi elementi contribuiscono quindi a costruire un profilo più accurato del paziente e della sua evoluzione nel tempo.
Quanto può cambiare la gestione dello scompenso cardiaco un sistema capace di anticipare le crisi?
Questo è esattamente il focus del nostro progetto. Lo scompenso cardiaco è una delle patologie croniche in cui osservare il trend dei parametri nel tempo è fondamentale per capire la traiettoria della malattia.
La differenza rispetto alla gestione tradizionale è che oggi lo specialista vede spesso una fotografia istantanea del paziente. Con un sistema di monitoraggio continuo, invece, possiamo avere una sorta di filmato. Attraverso i dati raccolti nel tempo e analizzati con algoritmi di machine learning possiamo intercettare precocemente segnali di peggioramento ed evitare riacutizzazioni o ricoveri.
Questo permette di intervenire prima, magari modificando il piano terapeutico, programmando una visita specialistica o semplicemente attenzionando una condizione che sta evolvendo nella direzione sbagliata.
Il vero cambio di paradigma è spostare il controllo della malattia nella vita quotidiana del paziente?
Sì, sicuramente. La medicina predittiva mette insieme diverse tecnologie: il telemonitoraggio continuo e gli algoritmi di intelligenza artificiale che analizzano quei dati.
Il telemonitoraggio da solo non basta, perché richiederebbe comunque un controllo costante da parte del personale sanitario. Integrandolo con sistemi di AI possiamo invece individuare automaticamente situazioni di rischio.
Questo però non significa che la tecnologia sostituirà il medico. È importante chiarirlo. Il cardiologo e il team multidisciplinare restano centrali nel processo decisionale. L’intelligenza artificiale fornisce elementi che il medico da solo non avrebbe il tempo materiale di analizzare con la stessa rapidità e capacità computazionale.
Qual è stata la sfida più difficile nello sviluppo di PrediHealth?
In realtà sono molteplici. La prima è culturale. Nonostante il progresso dell’intelligenza artificiale in sanità, esiste ancora una certa resistenza da parte dei professionisti della salute verso queste tecnologie. L’altra grande sfida riguarda i dati. Per sviluppare modelli affidabili servono dati ben strutturati, validi e trattabili in maniera efficace. In molte realtà ospedaliere questo è ancora un problema, perché manca una standardizzazione completa dei sistemi digitali e dei fascicoli sanitari elettronici.
Noi siamo riusciti a bypassare parte di queste criticità perché la piattaforma si basa su dati strutturati secondo standard sanitari internazionali. Però resta un problema importante, insieme alla necessità di formare sia i professionisti sia i pazienti sull’utilizzo di queste tecnologie.
Che cosa riesce a vedere un algoritmo che oggi può sfuggire alla valutazione tradizionale?
Quello che il modello classico non riesce a fare è mettere a sistema una quantità enorme di dati eterogenei. Pressione arteriosa, frequenza cardiaca, saturazione, peso, qualità del sonno, livelli di attività, aderenza alla terapia: singolarmente hanno un significato, ma monitorati nel tempo e combinati insieme possono raccontare molto di più.
Gli algoritmi riescono a integrare queste informazioni e a costruire una stratificazione del rischio, classificando il paziente in una condizione di basso, medio o alto rischio.
Naturalmente ci sono anche aspetti che una macchina non può cogliere. Un medico, guardando negli occhi il paziente, può percepire segnali che sfuggono ai dati. Per questo le due dimensioni devono integrarsi, non sostituirsi.
Gli algoritmi rischiano di amplificare le diseguaglianze?
È un rischio che esiste e che va attenzionato. Nel nostro caso abbiamo utilizzato i dati soprattutto per valutare la salubrità dell’ambiente e il suo impatto clinico sul paziente. Però è chiaro che questi dati possono anche riflettere diseguaglianze di altro tipo. Per questo bisogna progettare gli studi con molta attenzione e definire bene quali informazioni vogliamo estrarre dagli algoritmi e con quali finalità.
Quanto pesa il tema della privacy in sistemi di questo tipo?
È una questione fondamentale. Tutti i nostri studi passano attraverso il comitato etico e sono progettati nel rispetto del Gdpr. Utilizziamo soltanto dispositivi certificati e sistemi conformi ai requisiti di sicurezza. Inoltre applichiamo sempre il principio di minimizzazione del dato: raccogliamo solo le informazioni realmente necessarie per quella finalità clinica.
Serve anche grande trasparenza verso il paziente, che deve sapere come vengono raccolti, trasmessi e utilizzati i suoi dati e come funzionano i processi decisionali degli algoritmi. Noi utilizziamo il dato per curare meglio, non per controllare di più il paziente.
State già lavorando a integrazioni con strutture sanitarie?
Abbiamo già testato la possibilità di integrare alcune componenti del sistema con diverse realtà. Abbiamo collaborato con l’Università di Pisa e con il Sant’Anna, oltre che con la Regione Puglia e con la piattaforma regionale Sinfonia della Campania.
Attualmente il sistema non è ancora integrato stabilmente in strutture sanitarie, ma abbiamo verificato la fattibilità tecnica dell’integrazione. Nel frattempo continuiamo a validarlo all’interno dell’Azienda Ospedaliera Universitaria Ruggi d’Aragona di Salerno, con l’obiettivo di migliorarlo ulteriormente e aprire la strada a future applicazioni cliniche”.
L’articolo originale è stato pubblicato sul numero di Fortune Italia di giugno 2026 (numero 5, anno 9)
