Implementare l’IA in un reparto di riabilitazione: dall’entusiasmo alla sostenibilità

Abstract

L’adozione dell’Intelligenza Artificiale (IA) sta modificando progressivamente la pratica clinica in Medicina Fisica e Riabilitativa (MFR). Il passaggio dai test di laboratorio alla routine ospedaliera incontra però numerosi ostacoli pratici. Questo lavoro propone un modello operativo per inserire l’IA nei reparti di riabilitazione in modo clinicamente ed economicamente sostenibile. Valutare un nuovo software medico richiede un’analisi che vada oltre la semplice accuratezza statistica. È necessario considerare la validazione normativa (Medical Device Regulation), l’interoperabilità dei dati e l’impatto sui carichi di lavoro del personale. Le resistenze del team interprofessionale si gestiscono limitando il rischio di dipendenza dalla macchina e favorendo sistemi di IA interpretabili. I modelli predittivi e la robotica adattiva funzionano solo se accompagnati da protocolli clinici standardizzati. La figura del “clinico-champion” si è dimostrata il perno per mediare tra le esigenze dei programmatori e quelle dei sanitari. La validità di questi strumenti nel lungo periodo dipende dalla loro integrazione nei Percorsi Diagnostico-Terapeutici Assistenziali (PDTA). Dispositivi percepiti come distaccati dalla pratica quotidiana generano affaticamento nel personale e vengono presto abbandonati.

Per ottimizzare gli investimenti, l’inserimento dell’IA deve avvenire per gradi, partendo da bisogni clinici specifici e mantenendo un monitoraggio costante sui risultati e sulle dinamiche del team.

Introduzione

L’Intelligenza Artificiale, con i suoi sotto-settori come il Machine Learning e il Deep Learning, sta ricevendo un’attenzione crescente in ambito medico [1]. Nella Medicina Fisica e Riabilitativa, le applicazioni spaziano dalla costruzione di modelli predittivi per stimare i tempi di recupero motorio dopo un evento acuto, ai sistemi di visione ottica per l’analisi del cammino senza l’ausilio di marker fisici, fino agli esoscheletri in grado di adattare l’assistenza meccanica alle reali capacità residue del paziente istante per istante [2, 3].

A dispetto dell’ottimismo iniziale, la letteratura specializzata in innovazione sanitaria mostra come il tasso di abbandono dei nuovi software sia molto alto. Diversi progetti, pur dimostrando un’eccellente precisione statistica in fase di test isolato, non riescono a superare la prova dell’applicazione su pazienti reali all’interno di un reparto ospedaliero [4].

Introdurre una tecnologia complessa in un reparto di riabilitazione non si riduce a un semplice aggiornamento informatico. Si tratta di un processo organizzativo che richiede un riassetto delle abitudini cliniche e operative dell’intero personale. Quando la direzione sanitaria acquista un dispositivo senza pianificarne l’inserimento nel flusso di lavoro quotidiano, il personale sviluppa presto frustrazione, portando al mancato utilizzo del macchinario [5].

L’obiettivo di questo articolo pratico-organizzativo è fornire ai medici fisiatri e ai dirigenti medici un metodo strutturato per inserire l’IA nelle strutture riabilitative. Verranno presi in esame i criteri per valutare l’acquisto di nuove tecnologie, le modalità per formare il personale, le tecniche per gestire la reticenza al cambiamento e le mansioni del clinico-champion, tenendo conto dei dati emersi da recenti sperimentazioni italiane.

Materiali e metodi

La stesura di questo manoscritto si basa su una revisione narrativa della letteratura scientifica internazionale. La ricerca è stata condotta interrogando i database PubMed/MEDLINE, Scopus e Web of Science, utilizzando combinazioni di parole chiave libere e termini MeSH tra cui: (“Artificial Intelligence” OR “Machine Learning”) AND (“Rehabilitation” OR “Physical and Rehabilitation Medicine” OR “Robotics”) AND (“Implementation Science” OR “Technology Acceptance Model” OR “Workflow”).

La selezione ha privilegiato articoli pubblicati tra il 2018 e il 2024, con particolare interesse per le revisioni sistematiche e i documenti di consenso. Sono stati analizzati anche i modelli organizzativi descritti in letteratura, come il framework NASSS (Nonadoption, Abandonment, Scale-up, Spread, and Sustainability), utilizzato per valutare le probabilità di adozione delle tecnologie in sanità [6]. L’indagine è stata integrata con la revisione di report istituzionali e studi condotti dalla Rete IRCCS delle Neuroscienze e della Riabilitazione italiana, per contestualizzare il tema all’interno del sistema sanitario nazionale [7]. I dati estratti si sono concentrati sulle barriere organizzative e sui fattori che facilitano l’uso quotidiano della tecnologia da parte del personale.

Risultati

Come valutare uno strumento IA prima di adottarlo

Il primo passo per acquisire una soluzione basata sull’IA è l’analisi di idoneità della tecnologia rispetto all’ambiente ospedaliero. I parametri da valutare includono:

• Normativa e Validazione Clinica: I decisori non devono limitarsi a valutare le metriche fornite dall’azienda produttrice (come l’Area Sotto la Curva ROC). Il software deve possedere la certificazione come dispositivo medico (Software as a Medical Device – SaMD), in regola con il regolamento europeo MDR 2017/745 [8]. La solidità clinica deve essere supportata da studi su campioni eterogenei e, preferibilmente, da studi clinici randomizzati.
• Integrazione dei Dati e Privacy: L’algoritmo deve poter interagire direttamente con la cartella clinica elettronica ospedaliera tramite standard di comunicazione internazionali (ad esempio HL7 o FHIR). Sistemi isolati, che richiedono un doppio inserimento dei dati, rallentano le tempistiche di visita. Inoltre, la gestione dei dati sanitari deve rispettare rigorosamente il GDPR. Attualmente, molte aziende stanno sviluppando sistemi di apprendimento federato (Federated Learning), che permettono all’algoritmo di aggiornarsi sfruttando i dati dei pazienti senza che questi vengano fisicamente trasferiti su server esterni [9].
• Fattore Tempo e Usabilità: Lo strumento deve snellire le pratiche burocratiche. Se l’utilizzo del modello predittivo richiede al terapista di dedicare quindici minuti in più alla refertazione, le probabilità che il sistema venga ignorato o aggirato aumentano in modo significativo [10].

La formazione del team interprofessionale

La riabilitazione si basa su un approccio di squadra. L’introduzione dell’IA genera reazioni opposte nel personale: alcuni tendono a fidarsi del risultato del software senza metterlo in dubbio clinico (un rischio noto come automation bias), mentre altri lo rifiutano per il timore di perdere la propria centralità nel rapporto con il paziente [11].

Per gestire questo passaggio, le strutture sanitarie utilizzano spesso i Modelli di Accettazione della Tecnologia (Technology Acceptance Model), i quali dimostrano che i professionisti utilizzano un nuovo software solo se ne percepiscono la reale utilità e la semplicità d’uso [12]. La formazione aziendale deve superare la semplice spiegazione del manuale d’istruzioni. Il medico fisiatra avrà bisogno di capire come l’algoritmo elabora le previsioni per poter redigere il Progetto Riabilitativo Individuale (PRI), mentre ciascun membro del team riabilitativo dovrà imparare a gestire le variazioni di carico proposte dalla macchina durante l’esercizio, mantenendo il controllo clinico della seduta.

Il ruolo del “Clinico-Champion”

I progetti calati dall’alto hanno basse percentuali di riuscita. Diventa quindi necessaria la nomina di un “clinico-champion” [6, 13]. Si tratta di un professionista interno al reparto (un fisiatra, un terapista coordinatore o un bioingegnere) con una buona competenza sia in ambito clinico sia in quello informatico.

Questa figura ricopre tre incarichi:

1. Mediazione: traduce le necessità cliniche ai programmatori e spiega i limiti tecnici al personale sanitario.
2. Analisi del flusso di lavoro: studia i percorsi diagnostici esistenti per inserire il nuovo dispositivo esattamente nel punto in cui risulta più utile, evitando sovrapposizioni e doppie mansioni.
3. Riferimento interno: affianca i colleghi durante le prime settimane di utilizzo, raccoglie i loro commenti pratici e contatta l’assistenza tecnica per far apportare le modifiche necessarie al software.

Esperienze pilota nel contesto italiano

In Italia, alcuni Istituti di Ricovero e Cura a Carattere Scientifico (IRCCS) hanno avviato numerosi studi sull’integrazione di queste tecnologie. I test condotti sull’uso di esoscheletri per il cammino, dotati di sensori e algoritmi per calcolare lo sforzo del paziente e adattare la spinta dei motori, hanno fornito dati molto chiari [14].

I centri che hanno ottenuto risultati positivi stabili nel tempo sono quelli che hanno creato laboratori congiunti. In queste unità, medici e bioingegneri lavorano nello stesso ambiente. Questo ha permesso di correggere gli algoritmi di partenza (spesso creati basandosi su pazienti nordamericani o nordeuropei) calibrandoli sulle caratteristiche fisiche e demografiche dei pazienti italiani, garantendo così indicazioni terapeutiche più precise [15].

Checklist strutturata per l’implementazione organizzativa

Sulla base di questi dati, si delinea una procedura in tre fasi per i dipartimenti ospedalieri:

Fase 1: Analisi pre-implementazione (Mesi 1-3)

1. Definizione dell’obiettivo clinico: identificare esattamente quale problema organizzativo o diagnostico il nuovo software andrà a risolvere.
2. Assegnazione delle responsabilità: nominare il Clinico-Champion e formare un piccolo comitato composto da Direttore Sanitario, responsabile informatico e responsabile del trattamento dati (DPO).
3. Verifica tecnica: controllare la copertura della rete Wi-Fi del reparto, la capacità dei server e la compatibilità delle interfacce informatiche con la cartella clinica già in uso.

Fase 2: Sperimentazione limitata (Mesi 4-6)

4. Test circoscritto: iniziare a utilizzare il software solo su un gruppo ristretto di pazienti (es. solo nel reparto neurolesi) o in un singolo ambulatorio.
5. Apprendimento pratico: organizzare brevi sessioni formative basate su casi clinici reali, facendo usare fisicamente il dispositivo al personale.
6. Riunioni operative: fissare incontri settimanali di quindici minuti per discutere gli ostacoli tecnici riscontrati e correggere le impostazioni di sistema.

Fase 3: Estensione e controllo continuo (Mesi 7+)

7. Aggiornamento dei protocolli: modificare i documenti ufficiali del reparto (PDTA) inserendo l’utilizzo del dispositivo come standard di cura.
8. Misurazione dei risultati: valutare periodicamente se l’uso della tecnologia ha ridotto i tempi di degenza o migliorato i parametri funzionali.
9. Revisione periodica dell’algoritmo: monitorare regolarmente le prestazioni del software per assicurarsi che i suoi calcoli non perdano precisione nel tempo (fenomeno del data drift) [16].

Discussione

Osservando le pubblicazioni più recenti, risulta evidente che l’accettazione dell’IA in corsia dipende quasi interamente dalle dinamiche del personale. Un problema molto discusso è la scarsa trasparenza di alcuni sistemi, noti come “scatole nere” (Black Box). Diversi modelli forniscono previsioni molto precise, ma non offrono spiegazioni sui dati che hanno generato tale risultato [17]. In riabilitazione, dove ogni decisione incide direttamente sulla disabilità del paziente, il medico ha bisogno di comprendere i criteri della diagnosi per potersene assumere la responsabilità.

Per risolvere questo problema, le linee guida internazionali suggeriscono di acquistare solo software basati su algoritmi interpretabili (Explainable AI – XAI) [18]. Questi sistemi affiancano al risultato una motivazione chiara (ad esempio, indicando quali alterazioni dell’arco di movimento articolare hanno fatto scattare l’avviso di un possibile peggioramento). Questo approccio diminuisce i dubbi medico-legali e aumenta la propensione all’uso da parte del medico.

Un altro rischio documentato è l’affaticamento da allarme (alert fatigue) [19]. Se l’applicazione produce avvisi continui sullo schermo per ogni minima variazione dei parametri del paziente, i terapisti e i medici inizieranno a ignorare le notifiche, annullando di fatto la funzione del sistema.

L’impiego dell’IA non modifica le regole della deontologia medica. L’esame clinico, il contatto fisico e la relazione diretta con il paziente mantengono il loro ruolo insostituibile. L’elaborazione informatica deve servire a sintetizzare grandi moli di dati funzionali, riducendo il tempo speso davanti al computer e aumentando i minuti a disposizione per il trattamento diretto [20].

Conclusioni

L’inserimento dell’IA in riabilitazione richiede pianificazione e rigore metodologico. Le direzioni sanitarie dovrebbero selezionare esclusivamente tecnologie dotate di validazione normativa forte e mirate a risolvere problemi ben definiti. Il successo dell’operazione si basa sulla gestione del personale: garantire una formazione specifica, nominare figure di collegamento interne come il clinico-champion e riorganizzare le procedure del reparto attorno al nuovo dispositivo sono i passaggi obbligati per tradurre il potenziale del calcolo informatico in un miglioramento oggettivo delle cure.

Indicazione di eventuali finanziamenti o contributi educazionali

La presente ricerca non ha ricevuto finanziamenti da agenzie operanti nel settore pubblico, commerciale o no-profit.

Indicazione di eventuali corsi, convegni o congressi durante i quali sia stato presentato il materiale

Non applicabile. Il manoscritto è un contributo originale redatto in via esclusiva per la pubblicazione.

Bibliografia

Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.
Sumner J, Lim HW, Chong LS, et al. Artificial intelligence in physical rehabilitation: A systematic review. Artif Intell Med. 2023 Dec;146:102693.
Briganti G, Le Moine O. Artificial Intelligence in Medicine: Today and Tomorrow. Front Med (Lausanne). 2020;7:27.
Sendak MP, D’Arcy J, Kashyap S, et al. A Path for Translation of Machine Learning Products into Healthcare Delivery. EMJ Innov. 2020;4(1):19-28.
Shaw J, Rudzicz F, Jamieson T, Goldfarb A. Artificial Intelligence and the Implementation Challenge. J Med Internet Res. 2019;21(7):e13659.
Greenhalgh T, Wherton J, Papoutsi C, et al. Beyond Adoption: A New Framework for Theorizing and Evaluating Nonadoption, Abandonment, and Challenges to the Scale-Up, Spread, and Sustainability of Health and Care Technologies. J Med Internet Res. 2017;19(11):e367.
Morone G, Paolucci S, Cherubini A, et al. Robot-assisted gait training for stroke patients: current state of the art and perspectives of robotics. Neuropsychiatr Dis Treat. 2017;13:1303-1311.
Minssen T, Gerke S, Aboy M, et al. Regulatory responses to medical machine learning. J Law Biosci. 2020;7(1):lsaa002.
Rieke N, Hancox J, Li W, et al. The future of digital health with Federated Learning. NPJ Digit Med. 2020;3:119.
Kelly CJ, Karthikesalingam A, Suleyman M, et al. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019;17(1):195.
Vayena E, Blasimme A, Cohen IG. Machine learning in medicine: Addressing ethical challenges. PLoS Med. 2018;15(11):e1002689.
Davis FD. Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly. 1989;13(3):319-340.
He J, Baxter SL, Xu J, et al. The practical implementation of artificial intelligence technologies in medicine. Nat Med. 2019;25(1):30-36.
Mazzoleni S, Duret C, Grosmaire AG, Battini E. Combining Upper Limb Robotic Rehabilitation with Other Therapeutic Approaches after Stroke: Current Status, Rationale, and Challenges. Biomed Res Int. 2017;2017:8905637.
Giansanti D. Artificial Intelligence in Public Health: Current Trends and Future Possibilities. Int J Environ Res Public Health. 2021;18(11):5836.
Finlayson SG, Subbaswamy A, Singh K, et al. The Clinician and Dataset Shift in Artificial Intelligence. N Engl J Med. 2021;385(3):283-286.
Shortliffe EH, Sepúlveda MJ. Clinical Decision Support in the Era of Artificial Intelligence. JAMA. 2018;320(21):2199-2200.
Kundu S. AI in medicine must be explainable. Nat Med. 2021;27(8):1328.
Bates DW, Saria S, Ohno-Machado L, et al. The potential of artificial intelligence to improve patient safety: a scoping review. NPJ Digit Med. 2021;4(1):54.
Panch T, Mattie H, Celi LA. The “inconvenient truth” about AI in healthcare. NPJ Digit Med. 2019;2:77.