Ogni anno la mancata aderenza alle terapie genera un impatto economico e clinico rilevante per il Servizio sanitario nazionale. Secondo una stima dell’Agenzia Italiana del Farmaco, un miglioramento dell’aderenza terapeutica anche solo del 15% potrebbe generare un risparmio di circa 300 milioni di euro, a cui si aggiungerebbero benefici sociali e clinici difficilmente quantificabili, ma potenzialmente rilevanti. Una parte consistente di questa spesa potrebbe essere evitata non intervenendo sui farmaci, ma sulle cause che portano i pazienti a non seguire correttamente le cure prescritte. È da questa premessa che prende avvio il nuovo Instant Paper pubblicato da Cefriel, dedicato al ruolo della Causal AI nella gestione delle terapie complesse.
Il documento esplora come l’Intelligenza Artificiale Causale possa supportare medici e pazienti nell’individuare i fattori che determinano l’insuccesso terapeutico, aprendo la strada a interventi più mirati, personalizzati e sostenibili per il sistema sanitario.
Quando il farmaco funziona, ma la terapia fallisce
Uno degli aspetti centrali messi in evidenza dal paper è che l’efficacia farmacologica non coincide automaticamente con il successo terapeutico. Un farmaco può essere corretto dal punto di vista clinico, ma risultare inefficace se non viene assunto correttamente o con continuità.
La Causal AI si propone di modellare esplicitamente le relazioni di causa-effetto
Orari di assunzione incompatibili con la routine quotidiana, effetti collaterali sottovalutati, difficoltà organizzative o psicologiche sono solo alcune delle cause che possono compromettere l’aderenza. Comprendere queste dinamiche è una delle sfide più complesse della medicina moderna, perché richiede di andare oltre l’analisi dei dati clinici tradizionali.
La Causal AI come strumento di comprensione delle cause
A differenza di altri approcci di Intelligenza Artificiale basati principalmente su correlazioni statistiche, la Causal AI si propone di modellare esplicitamente le relazioni di causa-effetto. Questo consente non solo di osservare cosa accade, ma di comprendere perché accade.
«La Causal AI fornisce l’infrastruttura cognitiva per rappresentare in modo matematico e comprensibile la complessa rete di cause ed effetti che influenzano l’aderenza e l’esito di una terapia», spiega Gianluca Ripa, AI & Data Analytics Business Line Manager di Cefriel. «Non si tratta di sostituire il medico, ma di dotare l’intero sistema di cura di uno strumento di ragionamento condiviso, trasparente e orientato alle cause reali dei problemi».
Secondo il paper, questo approccio permette di superare una visione puramente reattiva dell’aderenza terapeutica, intervenendo in modo preventivo e mirato sui fattori che ne compromettono l’efficacia.
Un assistente virtuale basato su Causal AI
Il cuore del documento è rappresentato da un caso studio, presentato in forma esplorativa e dimostrativa, che descrive un assistente virtuale sanitario basato su Causal AI. L’obiettivo è supportare pazienti sottoposti a regimi terapeutici complessi, integrando informazioni di natura diversa in un unico modello interpretativo.
L’assistente combina dati clinici, comportamentali, sociali e psicologici per costruire un profilo personalizzato del paziente. Su questa base, è in grado di individuare le cause principali dei problemi di aderenza e di proporre soluzioni compatibili con le abitudini e le esigenze individuali.
Il modello può simulare analisi “what-if” e valutare l’effetto atteso di possibili cambiamenti prima di applicarli
Ad esempio, il sistema può riconoscere che la mancata assunzione di un farmaco non dipende da una scarsa motivazione, ma da un effetto collaterale specifico o da un’incompatibilità con la routine quotidiana, suggerendo un aggiustamento mirato prima che il problema si traduca in un fallimento terapeutico.
L’assistente può simulare scenari ipotetici, le analisi “what-if”, per valutare l’effetto atteso di possibili cambiamenti prima di applicarli nella pratica. Un altro elemento metodologico rilevante introdotto nel paper è il concetto di “gemello digitale” causale del paziente, un modello virtuale personalizzato che replica il comportamento di salute di un individuo e risponde a diversi stimoli o interventi.
Opportunità per aziende e digital health
Pur trattandosi di un caso esplorativo, l’Instant Paper offre spunti applicativi rilevanti per le aziende farmaceutiche, le società di digital health e i fornitori di soluzioni per il sistema sanitario. «Per le aziende del settore sanitario e della digital health la Causal AI rappresenta un’opportunità concreta per sviluppare soluzioni più efficaci e realmente centrate sul paziente», afferma Alessandro De Biasio, CEO di Cefriel. «Comprendere le cause che influenzano l’aderenza terapeutica significa progettare servizi e piattaforme con maggiore impatto clinico, maggiore fiducia da parte dei professionisti sanitari e un migliore ritorno degli investimenti».
Ricerca, trasferimento tecnologico e impatto sul sistema Paese
L’approccio descritto nel paper si inserisce nella missione più ampia di Cefriel, centro di innovazione digitale nato nel 1988 dalla collaborazione tra soggetti pubblici e privati. Il centro integra ricerca, trasferimento tecnologico, innovazione e formazione, operando in stretto rapporto con il Politecnico di Milano e con un ampio ecosistema di imprese e pubbliche amministrazioni.
