Ogni anno la scarsa aderenza alle terapie costa al Servizio Sanitario Nazionale circa due miliardi di euro. Una parte di questa spesa potrebbe essere evitata intervenendo non sui farmaci, ma sulle cause che portano i pazienti a non seguire correttamente la terapia. È su questo terreno che si inserisce la Causal AI, l’Intelligenza Artificiale capace di modellare le relazioni di causa ed effetto, al centro del nuovo Instant Paper pubblicato dal centro di innovazione digitale Cefriel.

Un farmaco può funzionare perfettamente, ma fallire lo stesso. Basta che l’orario di assunzione non sia compatibile con la routine quotidiana del paziente, o che un effetto collaterale venga sottovalutato. Capire le vere cause dietro l’insuccesso delle terapie è una delle sfide più complesse della medicina moderna. È su questo che si incentra il nuovo paper di Cefriel “Intelligenza Artificiale e salute: Causal AI e assistenti virtuali nelle terapie complesse”, curato da Gianluca Ripa, AI & Data Analytics Business Line Manager. Il paper presenta un caso studio che mostra come la Causal AI possa supportare medici e pazienti nella gestione di terapie complesse, andando oltre la semplice analisi dei dati per arrivare a comprendere le relazioni di causa-effetto che influenzano l’aderenza terapeutica.

Il tema è tutt’altro che marginale. Secondo una stima dell’Agenzia Italiana del Farmaco (AIFA), un miglioramento dell’aderenza anche solo del 15% potrebbe generare un risparmio di 300 milioni di euro, oltre a benefici sociali difficili da quantificare. È in questo contesto che la Causal AI emerge come uno strumento capace di agire non sui sintomi del problema, ma sulle sue cause profonde.

Nel Paper è presentato un caso studio che mostra, in forma esplorativa e dimostrativa, un assistente virtuale sanitario basato su Causal AI, pensato per supportare pazienti con regimi terapeutici complessi. L’assistente integra dati clinici, comportamentali, sociali e psicologici per costruire un profilo personalizzato del paziente.

Su questa base, l’assistente può simulare scenari ipotetici, le analisi “what-if”, per valutare l’effetto atteso di possibili cambiamenti prima di applicarli nella pratica. Può identificare la causa primaria di un problema di aderenza, ad esempio un effetto collaterale sgradevole o una routine mattutina incompatibile con l’orario di assunzione del farmaco, e proporre la soluzione più appropriata, compatibile con le abitudini di quella persona. Le raccomandazioni sono motivate e trasparenti e comprensibili sia al paziente che al medico.

Un 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.

Nel Paper viene sottolineato che l’adozione di questi sistemi richiede rigore metodologico, valutazioni di affidabilità, controllo dei rischi e supervisione specialistica, attraverso l’attivazione di un percorso di innovazione che richiede la stretta collaborazione tra clinici, data scientist e ingegneri.

Pur trattandosi di un caso esplorativo, le indicazioni del paper offrono spunti concreti per le aziende farmaceutiche, le società di digital health e i fornitori di soluzioni per il sistema sanitario, in quanto la Causal AI apre possibilità applicative nella progettazione di programmi di supporto al paziente, nella costruzione di strumenti di supporto alle decisioni cliniche e nello sviluppo di piattaforme di medicina personalizzata basate su dati reali.