L’IA entra nel 118: riconosce arresti cardiaci e anticipa dove servirà l’ambulanza

L’intelligenza artificiale non è più soltanto un tema da convegni, laboratori di ricerca o scenari futuristici. Sta entrando concretamente nelle centrali operative del 118, nei sistemi di dispatch, negli strumenti utilizzati dagli equipaggi delle ambulanze e nei percorsi di formazione degli operatori.

A descrivere questa trasformazione è il contributo “Emergenze intelligenti: quando l’intelligenza artificiale trasforma il sistema 118”, firmato da Luigi Scandale, coordinatore della Centrale operativa 118 Emilia Est dell’Azienda USL di Bologna, e pubblicato sulla rivista Assistenza Infermieristica e Ricerca.

Il lavoro passa in rassegna evidenze internazionali, sperimentazioni e applicazioni già operative, concentrandosi sulle aree nelle quali l’IA potrebbe incidere maggiormente: triage telefonico, supporto alle decisioni cliniche, assegnazione dei mezzi, previsione della domanda, dispositivi connessi e addestramento del personale.

Il messaggio centrale è netto: la tecnologia può migliorare rapidità ed efficienza del soccorso, ma non deve sostituire il giudizio umano. Il modello indicato è quello di un’intelligenza collaborativa, nella quale l’algoritmo affianca il professionista, riduce il carico cognitivo e segnala elementi critici, lasciando all’operatore responsabilità e decisione finale.

Nel 118 ogni informazione può cambiare l’esito

L’emergenza territoriale è uno degli ambienti più complessi nei quali introdurre una tecnologia decisionale. Le informazioni iniziali sono spesso incomplete. Il chiamante può essere agitato, confuso o incapace di descrivere correttamente la situazione. Il paziente può non essere collaborante, mentre le condizioni cliniche possono modificarsi rapidamente.

In pochi secondi l’operatore deve comprendere:

• che cosa sta accadendo;
• quanto è grave la situazione;
• quale livello di priorità assegnare;
• quale mezzo inviare;
• quale struttura ospedaliera coinvolgere;
• quali istruzioni fornire nell’attesa dei soccorsi.

È proprio in questo contesto che i sistemi di IA possono analizzare contemporaneamente una quantità di dati superiore a quella gestibile da una singola persona, individuando schemi e correlazioni difficili da cogliere in tempo reale.

Triage telefonico: l’algoritmo ascolta parole, pause e tono della voce

Il primo contatto tra il cittadino e il sistema di emergenza avviene quasi sempre attraverso una voce. Una frase, un’esitazione, un respiro anomalo o una pausa possono contenere informazioni decisive. I sistemi basati su machine learning ed elaborazione del linguaggio naturale, indicata con l’acronimo NLP, possono analizzare in tempo reale la conversazione tra il chiamante e la centrale operativa.

L’analisi non riguarda soltanto le parole pronunciate. Gli algoritmi possono valutare:

• tono e intensità della voce;
• esitazioni e silenzi;
• ritmo del linguaggio;
• presenza di respiro agonico;
• alterazioni compatibili con confusione;
• elementi emotivi o comportamentali;
• incongruenze nelle informazioni fornite.

Il contributo cita uno studio condotto su oltre 108.000 chiamate reali, nel quale un algoritmo ha riconosciuto l’arresto cardiaco con una sensibilità dell’84%, rispetto al 72,5% ottenuto dagli operatori di centrale, anticipando mediamente l’identificazione di circa dieci secondi.

In una condizione tempo-dipendente, dieci secondi possono avere un peso clinico significativo, perché consentono di attivare prima la risposta del sistema e di fornire più rapidamente le istruzioni per la rianimazione cardiopolmonare.

Ictus, l’IA può riconoscere i segnali nascosti nella conversazione

Un altro possibile ambito di applicazione riguarda il riconoscimento precoce dell’ictus. Durante una chiamata di emergenza, difficoltà nel linguaggio, risposte incoerenti o alterazioni nella costruzione delle frasi possono rappresentare segnali clinici importanti. Secondo i dati riportati nel contributo, l’utilizzo dell’NLP ha aumentato la sensibilità nell’identificazione dell’ictus dal 52,7% al 63%, migliorando anche il valore predittivo positivo.

L’algoritmo potrebbe quindi suggerire all’operatore domande più mirate, richiamare l’attenzione sui sintomi compatibili con una patologia tempo-dipendente e supportare l’attribuzione del codice di priorità. Questo non significa affidare il triage a una macchina. Significa mettere a disposizione dell’operatore un secondo livello di osservazione, capace di lavorare in parallelo e segnalare elementi che potrebbero sfuggire in situazioni di elevato carico operativo.

La tecnologia da sola non basta

I risultati ottenuti dagli algoritmi non garantiscono automaticamente un miglioramento del servizio. Il contributo richiama uno studio randomizzato nel quale un sistema di machine learning non ha migliorato la performance degli operatori rispetto ai protocolli standard.

Il dato mette in evidenza uno dei problemi centrali dell’innovazione sanitaria: uno strumento può essere accurato dal punto di vista tecnico, ma risultare poco efficace se non è correttamente integrato nell’organizzazione.

Gli operatori devono sapere:

• quando considerare il suggerimento dell’algoritmo;
• quanto fidarsi del risultato;
• come riconoscere un possibile errore;
• quando discostarsi dall’indicazione automatizzata;
• come evitare sia l’affidamento cieco sia il rifiuto pregiudiziale della tecnologia.

La transizione richiede quindi formazione, addestramento e un adattamento progressivo dei flussi di lavoro.

Supporto clinico sul territorio: dai parametri vitali alla previsione del rischio

Una volta arrivati sul posto, medici, infermieri e soccorritori operano spesso in condizioni difficili, con informazioni frammentarie e poco tempo a disposizione. I sistemi di IA possono elaborare parametri vitali, dati clinici, informazioni ambientali e precedenti sanitari, restituendo una stima del rischio e suggerendo priorità assistenziali.

I modelli predittivi potrebbero aiutare a individuare:

• pazienti a rischio di rapido deterioramento;
• necessità di ricovero in terapia intensiva;
• traumi che richiedono chirurgia maggiore;
• aritmie o sindromi coronariche acute;
• probabilità di risposta alla defibrillazione;
• possibilità di ritorno alla circolazione spontanea;
• necessità di trasporto verso un centro altamente specializzato.

Secondo le evidenze riportate nell’articolo, alcuni modelli di deep learning hanno anticipato la necessità di cure intensive con un’accuratezza superiore a quella di strumenti tradizionali di stratificazione, raggiungendo valori di AUC superiori a 0,86. Nel trauma, alcuni algoritmi hanno identificato i pazienti candidati alla chirurgia maggiore con livelli di accuratezza prossimi a 0,95.

ECG preospedaliero e diagnosi tempo-dipendenti

Un’applicazione particolarmente promettente riguarda l’interpretazione automatizzata dell’elettrocardiogramma preospedaliero. L’IA può analizzare il tracciato e segnalare alterazioni compatibili con:

• infarto miocardico;
• aritmie;
• disturbi della conduzione;
• condizioni ad alto rischio.

Questo supporto può essere particolarmente utile per gli equipaggi che operano lontano dai centri specialistici o quando non è immediatamente disponibile un medico con competenze cardiologiche. L’obiettivo non è sostituire la valutazione clinica o la teleconsultazione, ma abbreviare i tempi di riconoscimento e orientare più rapidamente il paziente verso la struttura più adeguata.

Ambulanze nel posto giusto prima che arrivi la chiamata

L’intelligenza artificiale non interviene soltanto nella valutazione clinica. Può modificare profondamente anche la gestione logistica del sistema 118. I tradizionali sistemi di dispatch tendono a individuare il mezzo disponibile più vicino. Gli algoritmi più avanzati possono invece integrare in tempo reale:

• posizione delle ambulanze;
• traffico;
• condizioni meteorologiche;
• eventi pubblici;
• cantieri e interruzioni stradali;
• storico delle chiamate;
• probabilità di nuove richieste in determinate zone;
• tempi di percorrenza verso gli ospedali;
• disponibilità delle strutture.

Sulla base di queste informazioni, il sistema può suggerire l’invio di un mezzo che non è necessariamente il più vicino in linea d’aria, ma che ha maggiori probabilità di raggiungere rapidamente il paziente e completare efficacemente il percorso.

Una centrale che non reagisce soltanto, ma anticipa

L’aspetto più innovativo riguarda la possibilità di prevedere dove si concentreranno le richieste di soccorso. I modelli predittivi possono analizzare l’andamento storico delle chiamate e combinarlo con variabili esterne, stimando il rischio di un aumento della domanda in una specifica fascia oraria o area territoriale. Una centrale potrebbe sapere in anticipo che, in un determinato quartiere, tra le 22 e le 2 del mattino è atteso un incremento del 30% delle chiamate. Sulla base della previsione sarebbe possibile:

• rafforzare i turni;
• spostare preventivamente i mezzi;
• attivare postazioni temporanee;
• riorganizzare le aree di copertura;
• mantenere libere alcune risorse;
• predisporre piani specifici per grandi eventi o condizioni meteorologiche avverse.

Il modello di emergenza passerebbe così da una logica prevalentemente reattiva a una strategia più predittiva e proattiva.

Droni con defibrillatore per anticipare la prima scarica

Tra gli scenari descritti figura anche l’utilizzo di droni dotati di defibrillatore automatico esterno. L’algoritmo potrebbe calcolare il posizionamento più efficace dei droni e attivarne il volo in caso di sospetto arresto cardiaco, consentendo al dispositivo di raggiungere il luogo dell’evento prima dell’ambulanza. In alcune simulazioni, questo sistema ha abbreviato i tempi necessari per rendere disponibile la defibrillazione. L’impatto potenziale è rilevante, ma richiede infrastrutture adeguate, norme aeronautiche chiare, formazione dei cittadini e un’integrazione precisa con le procedure della centrale operativa.

Prevedere i picchi di emergenza per evitare il collasso del sistema

Le richieste di soccorso non sono distribuite in maniera uniforme. Ondate di calore, festività, eventi sportivi, incidenti multipli, allerte meteorologiche e concentrazioni di persone possono determinare picchi improvvisi. L’IA può analizzare queste variabili e fornire previsioni sulla domanda, aiutando i responsabili del sistema a programmare:

• personale;
• mezzi;
• turni;
• postazioni;
• scorte;
• capacità di risposta;
• collegamenti con le strutture ospedaliere.

Alcuni sistemi possono stimare persino il rischio di incidenti in tratti specifici della rete stradale, considerando traffico, condizioni della carreggiata, meteorologia e dati storici. La qualità delle previsioni dipende tuttavia dalla disponibilità di dati completi, aggiornati e affidabili. Un algoritmo costruito su informazioni parziali o distorte può produrre suggerimenti altrettanto incompleti.

Smartwatch e sensori potrebbero attivare il 118 prima della richiesta di aiuto

Tra le prospettive future, il contributo dedica particolare attenzione all’integrazione tra IA e Internet of Things, cioè la rete di dispositivi connessi capaci di raccogliere e trasmettere dati. Smartwatch, cerotti biometrici, sensori ambientali e bracciali intelligenti possono monitorare continuamente:

• frequenza cardiaca;
• saturazione;
• ritmo respiratorio;
• movimento;
• cadute;
• alterazioni comportamentali;
• parametri compatibili con eventi acuti.

In presenza di anomalie significative, il dispositivo potrebbe inviare automaticamente un allarme alla centrale.

Questo modello sarebbe particolarmente utile per anziani soli, persone fragili o pazienti affetti da patologie cardiache ad alto rischio.

Alcuni studi pilota citati nel contributo hanno raggiunto accuratezze predittive superiori al 90% nell’anticipazione dell’arresto cardiaco improvviso, attraverso l’analisi combinata di segnali fisiologici e comportamentali.

Smart speaker capaci di riconoscere il respiro agonico

Un’ulteriore prospettiva riguarda l’utilizzo di assistenti vocali e smart speaker per individuare suoni compatibili con un’emergenza. Un dispositivo potrebbe riconoscere durante la notte il respiro agonico, tipico di alcune fasi iniziali dell’arresto cardiaco, e attivare automaticamente una richiesta di soccorso. Il sistema di emergenza non attenderebbe più necessariamente una telefonata, ma potrebbe intercettare autonomamente un bisogno sanitario. Una simile evoluzione apre però questioni rilevanti su privacy, falsi allarmi, consenso, interoperabilità e responsabilità.

Modelli linguistici per comprendere ciò che il chiamante non riesce a dire

I modelli linguistici di nuova generazione possono andare oltre la semplice trascrizione della conversazione. Possono analizzare significato, contesto, tono emotivo e coerenza delle risposte, segnalando elementi compatibili con:

• ictus;
• alterazione dello stato mentale;
• rischio suicidario;
• violenza;
• difficoltà respiratoria;
• deterioramento clinico;
• possibile sottovalutazione dell’evento.

In alcune sperimentazioni, questi strumenti hanno suggerito domande mirate, proposto codici di priorità e precompilato parti della scheda di intervento. La prospettiva è quella di un assistente digitale passivo, sempre in ascolto ma capace di intervenire soltanto quando rileva un’informazione potenzialmente critica. Per essere realmente utile, tuttavia, il sistema deve spiegare la ragione del suggerimento. Un’indicazione non interpretabile rischia di essere seguita senza spirito critico oppure ignorata completamente.

Formazione con pazienti virtuali e scenari generati dall’IA

L’IA generativa può cambiare anche la formazione degli operatori del 118. Le emergenze ad alta criticità e bassa frequenza, definite High Acuity, Low Occurrence, sono difficili da simulare con continuità. Si pensi agli arresti cardiaci pediatrici, ai tentativi di suicidio, alle maxi-emergenze o agli incidenti con numerose vittime.

I nuovi simulatori possono generare chiamanti virtuali che:

• parlano con voce naturale;
• modificano il tono emotivo;
• rispondono alle domande dell’operatore;
• introducono rumori di fondo;
• cambiano condizioni cliniche;
• reagiscono alle decisioni;
• rendono ogni esercitazione diversa dalla precedente.

In questo modo l’operatore non si limita a ripetere una sequenza predefinita, ma deve ragionare, decidere, commettere errori e correggersi.

Realtà virtuale per incendi, crolli e maxi-emergenze

Integrata con la realtà virtuale e aumentata, l’IA consente di ricostruire ambienti complessi, come:

• incendi;
• crolli;
• incidenti stradali multipli;
• scenari con numerose vittime;
• ambienti contaminati;
• emergenze pediatriche;
• situazioni con elevato impatto emotivo.

Gli operatori possono esercitarsi non soltanto sulle competenze cliniche, ma anche su comunicazione, coordinamento del team, leadership e gestione dello stress. I tutor virtuali potrebbero inoltre adattare il livello di difficoltà alle competenze della persona, offrendo feedback personalizzati e spiegazioni sui protocolli. Il materiale prodotto dall’IA deve però essere verificato da esperti: una simulazione realistica può comunque trasmettere contenuti sbagliati se nasce da premesse cliniche errate.

Le applicazioni già sperimentate nei sistemi di emergenza

Il contributo descrive esperienze operative e progetti avviati in diversi Paesi. Uno dei casi più conosciuti è Corti.AI, utilizzato per analizzare le chiamate di emergenza e individuare segnali compatibili con un arresto cardiaco. Secondo i dati riportati, il sistema è riuscito a riconoscere l’arresto entro 60 secondi nel 36% dei casi, rispetto al 25% degli operatori, anticipando l’identificazione di circa 28 secondi.

In Corea del Sud, la piattaforma CONNECT-AI viene utilizzata per suggerire in tempo reale l’ospedale più appropriato, considerando gravità clinica, disponibilità dei posti e tempi di trasporto. Nei pazienti trasferiti verso strutture la cui disponibilità era stata confermata dal sistema, la mortalità sarebbe diminuita dall’1,54% allo 0,64%.

Altre sperimentazioni sono state condotte in Giappone, Canada, Stoccolma, Melbourne e Singapore per prevedere i picchi di chiamate e migliorare il posizionamento delle ambulanze.

Sono inoltre in fase di studio algoritmi per:

• interpretazione degli ECG;
• previsione dell’efficacia della defibrillazione;
• stima del ritorno alla circolazione spontanea;
• stratificazione del rischio nel trauma;
• generazione di scenari formativi.

Sicurezza e affidabilità: l’algoritmo deve essere validato come qualsiasi strumento clinico

L’introduzione dell’intelligenza artificiale nel 118 non può basarsi soltanto su risultati ottenuti in laboratorio. Un algoritmo utilizzato in emergenza deve essere sottoposto a verifiche rigorose, studi clinici e confronti con lo standard assistenziale. Occorre dimostrare che il sistema:

• funziona nella popolazione reale;
• mantiene l’accuratezza in contesti differenti;
• non produce un numero eccessivo di falsi allarmi;
• non discrimina gruppi specifici;
• si integra con i protocolli;
• non rallenta l’operatore;
• garantisce continuità anche in caso di problemi tecnici.

Il rischio è introdurre strumenti apparentemente innovativi che, nella pratica, aumentano il carico di lavoro o generano nuove possibilità di errore.

Il problema delle “scatole nere”

Molti sistemi basati sul deep learning producono una previsione senza rendere immediatamente comprensibile il processo che ha portato al risultato. Questa opacità, spesso definita effetto black box, è particolarmente problematica in sanità.

Un professionista deve poter conoscere almeno gli elementi principali che hanno determinato il suggerimento. Se l’algoritmo segnala un sospetto arresto cardiaco, un ictus o la necessità di inviare un mezzo avanzato, dovrebbe indicare quali dati hanno contribuito alla valutazione.

La spiegabilità consente di:

• controllare l’affidabilità del suggerimento;
• riconoscere errori;
• evitare l’automatismo decisionale;
• documentare il processo;
• attribuire correttamente le responsabilità.

Privacy: le chiamate di emergenza contengono dati altamente sensibili

L’utilizzo di NLP, dispositivi indossabili e sensori implica il trattamento di una quantità crescente di dati sanitari. Le chiamate al 118 possono contenere informazioni relative a salute, fragilità, violenza, dipendenze, condizioni psicologiche e situazioni familiari.

Ogni sistema deve quindi rispettare i principi del GDPR, garantendo:

• minimizzazione dei dati;
• cifratura;
• controllo degli accessi;
• tracciabilità;
• tempi di conservazione definiti;
• informazione agli utenti;
• protezione da utilizzi impropri.

L’aumento della capacità di raccogliere e analizzare dati non può tradursi in una sorveglianza sanitaria indiscriminata.

Chi risponde quando l’algoritmo sbaglia?

Uno dei nodi ancora aperti riguarda la responsabilità. Quando un sistema suggerisce una decisione errata, occorre stabilire se la responsabilità ricada:

• sul produttore;
• sulla struttura sanitaria;
• sul professionista;
• su chi ha configurato il sistema;
• su chi ha validato l’algoritmo;
• sul soggetto che non ha aggiornato il software o i dati.

La questione diventa ancora più complessa quando l’operatore decide di seguire o ignorare il suggerimento.

Il contributo richiama il nuovo AI Act europeo, che considera ad alto rischio molte applicazioni sanitarie dell’intelligenza artificiale e impone requisiti più stringenti in termini di trasparenza, controllo, documentazione, gestione dei bias e supervisione umana.

L’IA non deve diventare un oracolo digitale

Il rischio maggiore è trasformare il suggerimento algoritmico in una decisione automatica. L’operatore potrebbe affidarsi eccessivamente alla tecnologia, fenomeno noto come automation bias, riducendo la propria capacità critica. All’estremo opposto, potrebbe rifiutare sistematicamente l’IA perché percepita come estranea alla propria esperienza.

La formazione deve quindi insegnare non soltanto come utilizzare lo strumento, ma come valutarne criticamente indicazioni, limiti e margini di errore.

Un 118 più predittivo, ma ancora profondamente umano

Il contributo giunge a una conclusione precisa: l’intelligenza artificiale è già entrata nel sistema di emergenza e può produrre benefici concreti nel triage, nella clinica, nella logistica e nella formazione. La trasformazione più profonda, però, non riguarda la tecnologia. Riguarda il passaggio da un sistema che risponde dopo l’allarme a una rete che prova a prevedere, pianificare e anticipare.

L’IA può restituire tempo e lucidità ai professionisti, alleggerendo alcune attività cognitive e organizzative. Questo potrebbe consentire agli operatori di concentrarsi maggiormente sulla valutazione clinica, sul coordinamento e sulla relazione con la persona.

La condizione è che la tecnologia venga costruita insieme a chi lavora nel sistema, sottoposta a validazioni indipendenti e inserita in regole chiare. Nessun algoritmo può sostituire l’esperienza, la responsabilità e la capacità di comprendere ciò che non è immediatamente traducibile in un dato.

La vera sfida sarà quindi costruire una nuova grammatica del soccorso nella quale l’intelligenza artificiale rimanga al servizio dell’intelligenza professionale, e non il contrario.

da: Scandale L. Emergenze intelligenti: quando l’intelligenza artificiale trasforma il sistema 118. Assist Inferm Ric 2026;45(2):94-101. doi 10.1702/4723.47398