Con l’accelerazione digitale conosciuta negli ultimi anni, il mondo della sanità pubblica e privata ha visto aprirsi un ventaglio di opportunità in ambito digitale, con strumenti pensati per rendere più efficiente, rapido ed efficace il lavoro dei professionisti ad ogni livello, dai dottori specialisti al personale di corsia. I Clinical Decision Support System o CDSS costituiscono una delle evoluzioni più interessanti e utili di questo trend. Si tratta di strumenti che consentono di “mettere a valore” i dati clinici per permettere decisioni più informate. Scopriamo di più.

Cos'è un Clinical Decision Support System e perché è importante per la Sanità 

Un Clinical Decision Support System (CDSS) è un software per l’informazione sanitaria che fornisce a medici, personale, pazienti e in generale a tutti gli individui coinvolti nella gestione delle cure dei pazienti, conoscenza e informazioni specifiche per un paziente, con lo scopo di aiutare la diagnosi, l’assistenza e la gestione del quadro clinico. Pur non essendo un concetto nuovo in senso stretto, dal momento che i primi strumenti di questo tipo risalgono agli anni ’80, i CDSS stanno conoscendo una nuova fortuna grazie agli algoritmi di analisi avanzata e intelligenza artificiale che permettono di analizzare grandi quantità di dati con maggiore rapidità e precisione.

Tipicamente un CDSS comprende una varietà di strumenti per migliorare il processo decisionale all’interno del flusso di lavoro clinico. I Clinical Decision Support System sono utilizzati principalmente presso il punto di cura. L’idea alla base è quella di permettere al medico di combinare le proprie conoscenze con le informazioni o i suggerimenti forniti dal CDSS.

L’importanza strategica di questi strumenti trova riscontro anche nella stretta attualità: secondo una analisi Ocse di marzo 2025, il 15% delle diagnosi è sbagliato, mancato o tardivo. Una percentuale drammaticamente alta, che suggerisce la necessità di dotare medici e specialisti di strumenti decisionali più evoluti, moderni ed efficaci.

Evoluzione dei CDSS

Abbiamo accennato agli anni ’80 come alla nascita dei primi Clinical Decision Support System. Per la verità, già negli anni ’70 l’Università di Stanford aveva messo a punto MYCIN uno strumento che, pur limitandosi alla sola diagnosi di infezioni batteriche, faceva già uso di strumenti decisionali logici avanzati. I CDSS iniziarono a diffondersi negli anni '80-90 grazie a regole cliniche mutuate dalla logica informatica e all'integrazione con le prime cartelle elettroniche. Negli anni 2000, l'adozione di standard e linee guida digitalizzate migliorò l'interoperabilità. Dal 2010 in poi, l’arrivo di big data, machine learning e dei primi modelli di intelligenza artificiale utilizzabili su larga scalea ha trasformato i CDSS in strumenti dinamici, capaci di apprendere da dati reali e offrire supporto personalizzato, sebbene con sfide aperte su bias algoritmici e integrazione clinica. Oggi, i CDSS avanzati sfruttano anche l’Internet of Things attraverso i dispositivi indossabili e altre tecnologie avanzate, per diagnosi sempre più tempestive, precise e personalizzate.

Come funziona un Clinical Decision Support System

Come abbiamo accennato, un CDSS è un software pensato per supportare medici e professionisti sanitari nelle proprie decisioni, attraverso l’uso di dati clinici, statistiche, ricerche e dati personali del paziente. Un Clinical Decision Support System moderno include funzionalità che vanno oltre la semplice consultazione: è in grado di ricevere dati di campo, dai reparti e da dispositivi IoT, e di confrontarli con la propria knowledge base. In questo modo può restituire informazioni e indicazioni ai professionisti, ma anche segnalare criticità e inviare warning al sistema informativo clinico.

Componenti principali del CDSS

Anche se, come in ogni software e sistema informativo, le implementazioni possono variare, ma possiamo identificare alcuni componenti che si possono ritrovare in un Clinical Decision Support System generico.

Knowledge base (o base di conoscenza): a tutti gli effetti una base di dati che contiene le informazioni usate per il supporto decisionale. In particolare, vi si possono ritrovare linee guida cliniche, protocolli di cura, dati scientifici e regole decisionali. Alcune delle fonti più comuni sono le linee guida come quelle dell’OMS, fonti di letteratura medica e database farmacologici. L’Unione Europea, per esempio sta lavorando da tempo a una proposta per predisporre dati sanitari armonizzati.

Motore di inferenza (Inference Engine): sistema di elaborazione dei dati in ingresso che li elabora sulla base della knowledge base. Gli algoritmi utilizzati possono variare ma i sistemi più moderni oggi fanno uso di machine learning e Intelligenza Artificiale, come vedremo.

Integrazione con i dati del paziente: grazie a questo componente il motore di inferenza può ricevere i dati del paziente, anche in tempo reale. Può aggregare dati anamnestici, esami di laboratorio, analisi radiologiche ma anche segnali vitali in tempo reale attraverso i sistemi di monitoraggio.

Sistema di allarme e avvisi: si occupa di fornire notifiche e allarmi per errori o potenziali situazioni pericolose, dalle interazioni fra farmaci ai dosaggi errati, fino agli esami mancanti.

Supporto alla diagnosi: questo modulo offre strumenti di diagnosi differenziale (anche basandosi su servizi di terze parti) e strumenti di analisi predittiva: può per esempio evidenziare i rischi di deterioramento clinico o di sepsi.

Le tecnologie emergenti che influenzano il CDSS

Anche se, come abbiamo visto, l’idea alla base dei Clinical Decision Support System risale a prima dell’affermarsi di tecnologie avanzate come i big data, il machine learning e l’intelligenza artificiale, è innegabile che queste ne abbiano potenziato l’efficacia ed esteso il raggio di azione. Sono sempre più numerosi i CDSS che vedono affiancarsi agli altri componenti un modulo di apprendimento e adattamento, basato su machine learning e/o adaptive learning, che sfrutta l’intelligenza artificiale per migliorare indicazioni e raccomandazioni grazie all’adozione progressiva di dati storici e feedback clinici.

Anche l’evoluzione dell’hardware gioca un ruolo importante: l’Internet of Medical Things (IoMT), attraverso dispostivi indossabili, anche personali, mette a disposizione del CDSS grandi quantità di dati di qualità da elaborare.

Ma quali sono i benefici offerti da queste nuove tecnologie ai CDSS?

Clinical Decision Support System e AI

Per capire meglio quali sono i benefici dell’Intelligenza Artificiale più impattanti sui Clinical Decision Support System, rifacciamoci a qualche considerazione di carattere generale. Come è noto, l’IA dà il meglio di sé quando si tratta di elaborare grandi quantità di dati. Elaborazioni che possono essere di aiuto in particolare in alcuni ambiti:

  • Miglioramento della capacità diagnostica e della valutazione del rischio: la capacità di analisi di grandi quantità di dati caratteristica dell’IA, applicata a dati aggregati provenienti da popolazioni e gruppi omogenei di pazienti, permette di individuare schemi e correlazioni difficili da rilevare manualmente e di costruire profili di rischio specifici. Questo permette di classificare in anticipo i pazienti sulla base di caratteristiche comuni, per esempio prevedendo una maggiore predisposizione a condizioni cliniche come sepsi, deterioramento cardiovascolare o recidive tumorali.

  • Diagnostica per immagini: grazie alle reti neurali è possibile migliorare l'accuratezza nella diagnosi di alcune patologie, per esempio tumori o malattie cardiovascolari, attraverso l'analisi per immagini di radiografie, TAC o risonanze magnetiche.

  • Personalizzazione delle terapie su dati individuali: grazie all’integrazione di dati demografici, genetici, sullo stile di vita e sulle risposte pregresse ai farmaci del singolo paziente, l’IA può suggerire trattamenti ottimali, capaci anche di adattarsi nel tempo. Per esempio, nel caso di lunghe degenze o terapie periodiche.

  • Miglioramento dei flussi di lavoro: attraverso l’automazione di attività ripetitive l’IA supporta medici e addetti anche dal punto di vista operativo e burocratico con una considerevole semplificazione degli aspetti legati alla gestione documentale.

Miglioramenti nell'assistenza sanitaria grazie al CDSS

Grazie alla capacità di elaborazione e all’intrinseca precisione dei sistemi informativi, i Clinical Decision Support System possono migliorare in modo considerevole l’assistenza sanitaria, sia dal punto di vista della patient experience sia dal punto di vista di aspetti più organizzativi come l’efficientamento dei flussi di lavoro e il controllo dei costi.

La riduzione degli errori medici è probabilmente il miglioramento più significativo: gli accessi semplificati alla knowledge base medica specifica della struttura e generale, uniti agli strumenti di IA conversazionale, permettono un accesso più semplice e immediato a casi clinici, statistiche e studi. Inoltre, l’interpolazione di questi dati con quelli personalizzati del paziente permette di ridurre in modo considerevole gli errori.

L’ottimizzazione dei costi, altro aspetto fondamentale, si concretizza sia attraverso aspetti operativi, per esempio permettendo di evitare esami non necessari o duplicati, sia attraverso aspetti di prevenzione: una migliore qualità delle diagnosi e l’utilizzo di strumenti predittivi nello screening della popolazione e nella valutazione precoce dei primi segnali di cronicità permettono di intervenire prima che le condizioni cliniche peggiorino, riducendo così il numero di acuzie e di conseguenza il tasso di ospedalizzazione. Idealmente, soprattutto nel settore pubblico, questa riduzione dei costi dovrebbe avere ricadute positive su qualità e disponibilità di capacità diagnostico-terapeutica per gli assistiti.

Infine, i CDSS favoriscono la standardizzazione delle cure attraverso l’adozione automatica di protocolli e linee guida evidence-based universalmente applicati e riconosciuti.

Benefici per i medici e i pazienti 

Gli operatori clinici e, in particolare, i medici possono usare i CDSS moderni come strumenti di supporto avanzati, veri e propri assistenti virtuali capaci di semplificare il lavoro. Il supporto decisionale è senza dubbio l’aspetto più evidente e interessante. Gli strumenti di diagnosi differenziale inclusi nei CDSS, infatti, permettono di identificare patologie, anche rare, con una accuratezza superiore all’85%. Inoltre, gli strumenti di AI generativa permettono di ridurre il tempo di revisione della letteratura medica anche del 40%.

Infine, dal punto di vista operativo, questi strumenti permettono di rendere più efficienti i flussi di lavoro, sia permettendo di accedere più agilmente alla documentazione clinica, sia attraverso la compilazione automatica della documentazione per ciascun paziente.

I vantaggi per i pazienti sono diversi, molti dei quali derivano da quelli per i medici, per esempio un accesso più rapido a diagnosi e cure, ma riguardano anche la personalizzazione delle terapie, per esempio anche attraverso l’analisi genetica o della storia clinica pregressa. Inoltre, molti CDSS forniscono portali a disposizione dei pazienti attraverso i quali ciascuno può accedere a informazioni e spiegazioni personalizzate sulla propria condizione e la propria terapia.

Sfide comuni e come affrontarle

Il change management è senza dubbio un tema importante quando si tratta di strumenti così evoluti e con un impatto potenziale così importante e lo possiamo ritrovare fra i principali ostacoli all’adozione. Alcuni medici, infatti, potrebbero percepire questi strumenti come troppo invasivi rispetto alla propria professionalità o di difficile integrazione nei flussi di lavoro. Questa prima problematica può essere risolta facilmente con attività di coprogettazione che li coinvolgano e sessioni di formazione mirata, utili sia a mostrare il reale potenziale di questi strumenti sia all’inserimento nei workflow aziendali.

Un altro problema è legato alla alert fatigue, ovvero l’affaticamento da warning e avvisi: se sono troppo frequenti, verranno percepiti come non rilevanti e ignorati. Con il supporto di tecnologie evolute come l’intelligenza artificiale è possibile filtrare gli avvisi in modo intelligente, valutando importanza e contesto e silenziare o ridirigere di conseguenza quelli a bassa priorità.

Integrazione dei CDSS nelle aziende sanitarie italiane

L’adozione dei Clinical Decision Support System nelle aziende sanitarie italiane è prevista anche all’interno della Missione 6 del Piano Nazionale di Ripresa e Resilienza. Va sottolineato però che a oggi la diffusione dei CDSS sul territorio nazionale presenta un quadro disomogeneo, sia in termini di infrastrutture disponibili sia per quanto riguarda la capacità delle singole realtà di integrare efficacemente questi strumenti nei processi clinici e amministrativi.

Uno dei principali ostacoli alla diffusione uniforme dei CDSS è la mancanza di interoperabilità tra i sistemi informativi clinici esistenti e le nuove piattaforme. Allo stato attuale delle cose, a marzo 2025, solo circa il 40% delle aziende sanitarie italiane dispone di cartelle cliniche elettroniche pienamente interoperabili. Dobbiamo anche rilevare che, vista l’autonomia in questo settore, la situazione è molto variabile da regione a regione.

Strategie per una corretta implementazione

Un elemento determinante per la riuscita dell’implementazione è la partecipazione attiva dei professionisti sanitari, medici e infermieri in particolare. La coprogettazione è indispensabile per definire, per esempio, le modalità con cui si erogano gli avvisi. Un altro aspetto fondamentale è la formazione, che nel caso specifico del CDSS non si dovrebbe limitare all’operatività sul software. Simulazioni cliniche e casi d’uso sono ugualmente importanti, anche per vincere le eventuali diffidenze sull’efficacia di questi strumenti.

Infine, un tema particolarmente attuale è la standardizzazione tecnologica e la conseguente interoperabilità. Dal momento che uno dei principali asset necessari per il buon funzionamento di un CDSS è la letteratura medica, disporre di banche dati unificate permetterebbe un addestramento più efficace dei modelli, oltre a permette una circolazione più semplice delle informazioni sui pazienti da parte degli enti coinvolti.

Casi di successo e dati statistici

Nonostante la differente velocità di adozione da parte delle realità territoriali, l’Italia dispone già di alcuni esempi virtuosi che dimostrano la validità dei CDSS quando implementati. A seguire ne ricordiamo alcuni.

Il progetto BD2Decide coordinato dal Politecnico di Milano e dall’Istituto Nazionale dei Tumori, ha integrato dati genomici, imaging e dati clinici in un unico sistema predittivo avanzato. Le prime evidenze indicano un miglioramento nell’accuratezza delle diagnosi rispetto ai sistemi TNM tradizionali.

Inoltre, la Regione Emilia-Romagna ha implementato un CDSS integrato con la piattaforma del Fascicolo Sanitario Elettronico e ha ridotto in modo considerevole gli esami diagnostici duplicati e i tempi medi di attesa per le diagnosi.