Recentemente è stato effettuato dall’Istituto l’ aggiornamento della Risonanza Magnetica 3T GE MR750w GEM al modello GE Signa Architect con 128 canali RF, equipaggiato di software all’ultima versione presente sul mercato arricchito dalla presenza di algoritmi di intelligenza artificiale (AI) per il miglioramento del workflow dell’esame e della qualità immagine, e nuove bobine AIR ultraflessibili. L’algoritmo utilizzato sulla risonanza si chiama AIR Recon DL, lavora direttamente sui dati grezzi acquisiti, e consiste in una applicazione Deep Learning concepita per incrementare il rapporto segnale/rumore e la definizione dell’immagine consentendo, al contempo, tempi di scansione più brevi. L’algoritmo consente la rimozione di artefatti di Gibbs e rumore dalle immagini RM che sono più definite e chiare, di impostare il livello di rapporto segnale/rumore preferito, maggiore produttività grazie ai ridotti tempi di esame, possibilità di diminuire il volume del voxel acquisito (incremento della risoluzione spaziale) senza perdita di qualità. L’aggiornamento ha permesso di prolungare la vita utile della risonanza magnetica 3T in uso in Istituto, sfruttando pienamente le potenzialità di un sistema a 3T che tipicamente offre performances diagnostiche migliori rispetto ad un analogo sistema a 1.5T, specie su organi come prostata, mammella e cervello, con miglioramenti significativi della qualità e quantità delle prestazioni sanitarie offerte.

ABSTRACT AIIC 2025
APHEL: La Piattaforma di AI che assiste i Pazienti e Personale Sanitario
Aphel è una piattaforma di intelligenza artificiale che integra robot umanoidi per supportare pazienti e personale sanitario nelle attività di reparto. Al servizio degli Ospedali ma anche direttamente dei Pazienti per attività di Nursery.
Grazie ad Aphel, i robot possono cooperare attivamente per migliorare la qualità dei servizi erogati e trasformare l’ospedale in uno spazio 4.0.
Aphel prevede, al momento, due modalità di funzionamento: Nurse e Pediatric Assistant.
Può già fornire anche informazioni logistiche in ambiente ospedaliero, precise e affidabili, accompagnare i pazienti, o i famigliari venuti per assisterli, verso la loro destinazione, può restare con i pazienti durante tutti gli esami, sorvegliare i pazienti durante la ronda nei reparti, offrire supporto ludico a pazienti pediatrici, trasmettere video divulgativi e promozionali, misurare la soddisfazione dei pazienti etc.
Tutte le attività possono essere controllate anche remotamente tramite Web app responsive (fruibile da pc, tablet e smartphone), possono essere configurati e gestiti con possibilità di configurare le interazioni anche di più robot interconnessi tra di loro sempre da remoto.
La Customizzazione dei contenuti mediante workflow semplici e intuitivi ha molteplici potenzialità oltre quelle già implementate.
Le potenzialità della piattaforma sono enormi e gli obiettivi realizzabili con la AI, nel rispetto dei regolamenti (AI Act e GDPR principalmente), sono di sicuro interesse per un miglioramento continuo della medicina, per la sostenibilità e l’accesso universale alle diagnosi e alle terapie tramite una accurata e supervisionata automatizzazione dei processi a supporto dei Medici e degli infermieri, dei clinici e degli specialisti che verranno coadiuvati nella raccolta e nella elaborazione dei dati e soprattutto per raggiungere la piena soddisfazione del paziente.

L’ASL di Nuoro, nell’ambito della Comunità di pratica dedicata allo sviluppo del PDTA per il melanoma, ha avviato un progetto per migliorare la diagnosi e il monitoraggio delle lesioni melanocitarie tramite tecnologie basate sull’intelligenza artificiale. È stato scelto uno strumento in grado di acquisire immagini ad alta risoluzione, ottimizzando così l’accuratezza diagnostica. L’introduzione di software IA consente l’analisi delle immagini cliniche, dermoscopiche e tricoscopiche, fornendo informazioni cruciali per il processo diagnostico e terapeutico.
La standardizzazione delle immagini permette di monitorare l’evoluzione nel tempo delle lesioni, facilitando l’identificazione di anomalie e la comparsa di nuove alterazioni. Le immagini vengono registrate su un avatar 3D, che semplifica la mappatura delle aree interessate. L’algoritmo IA rileva e segnala variazioni morfologiche, cromatiche e dimensionali delle lesioni, portando a un significativo miglioramento nella prevenzione dei tumori cutanei e nella gestione di altre patologie dermatologiche.
Gli obiettivi attesi sono:
• Miglioramento della prevenzione e diagnosi precoce dei tumori cutanei, grazie a tecnologie avanzate che permettono un monitoraggio preciso delle lesioni sospette.
• Riduzione dei tempi di visita dermatologica.
• Maggiore efficacia nei follow-up delle patologie melanocitarie e non melanocitarie.
• Utilizzo nel follow-up di malattie dermatologiche come psoriasi e altre patologie infiammatorie, per valutare i risultati terapeutici e adattare il trattamento in base all’evoluzione.
In merito ai risultati ottenuti finora, dal 12 luglio 2024 al 22 aprile 2025, sono stati esaminati 300 pazienti utilizzando il videodermatoscopio. Di questi, su 150 pazienti è stata esaminata la singola lesione, mentre gli altri 150 pazienti sono stati sottoposti a una mappatura completa tramite total body photography, riservata ai pazienti con fattori di rischio per melanoma.
Inoltre, dal 1° gennaio al 18 aprile 2025, sono stati registrati 190 esami in videodermatoscopia. Si prevede che i risultati più significativi emergeranno nei prossimi follow-up, consentendo di analizzare l’evoluzione delle lesioni e l’efficacia dei trattamenti. L’introduzione del videodermatoscopio con intelligenza artificiale ha migliorato sia la qualità dell’assistenza che l’efficienza diagnostica.

L’Intelligenza Artificiale applicata al miglioramento delle immagini diagnostiche di radiologia: revisione del Dipartimento Interaziendale – Servizio Unico Ingegneria Clinica delle Aziende USL ed Ospedaliero Universitaria di Modena
Si sono affacciate al mercato proposte di applicazione di AI per immagini diagnostiche, che mirano a migliorare l’immagine disponibile per la refertazione, prima che questa sia archiviata nel PACS. La duplice finalità è di risparmiare tempo (esposizione) e di migliorare la qualità dell’immagine.
La valutazione complessiva comprende misurazioni di sostenibilità economica ed ambientale, almeno nei termini di principio definiti dal DNSH. Per questo calcolo, si è deciso di impostare il sistema sulla massima riduzione del tempo di esecuzione a parità di qualità di immagine, per non definire arbitrariamente il “valore” energetico del miglioramento di qualità dell’immagine.
Se riteniamo la qualità dell’immagine pienamente soddisfacente, possiamo spingere completamente la potenzialità del sistema sulla riduzione del tempo di esecuzione. Viceversa, se riteniamo che il tempo di esecuzione ed esposizione sia il limite accettabile da non superare, possiamo spingere al massimo sul recupero di qualità dell’immagine.
A partire da una richiesta di prova del sistema SwiftMRTM del Dipartimento Interaziendale ad Attività integrata di Diagnostica per Immagini, l’Ingegneria Clinica ha proposto una revisione della letteratura disponibile per ampliare il numero di casi studiati, beneficiare delle esperienze e delle conclusioni espresse, adottare una ipotesi di lavoro e di protocollo per alcuni distretti anatomici e massimizzare l’utilità del sistema.
Le pubblicazioni acquisite sono complessivamente 27, divise in:
6 case reports (alcuni già revisione di precedenti)
8 case studies
8 clincal pubblications
5 white paper
Dividendo per distretto anatomico e tecnologia le conclusioni, si ricerca la definizione del miglior protocollo, inteso come rapporto fra guadagno di tempo e di qualità dell’immagine, da applicare in modo sistematico alla produzione di immagini diagnostiche con il massimo vantaggio.

Continuous monitoring of vital signs combined with early risk prediction models has shown significant potential in improving patient outcomes and optimizing healthcare resources (Zhao et al., 2020; Johnson et al., 2018). PredictCare is a web-based platform designed to simulate an advanced multiparametric monitoring system, integrating real-time data acquisition and AI-driven risk stratification. The primary objective is to develop a software-as-a-medical-device (SaMD) prototype capable of real-time vital signs tracking, automated clinical risk assessment, and enhanced patient-provider communication via an AI-powered interface. PredictCare simulates the acquisition of core clinical parameters (systolic and diastolic blood pressure, heart rate, SpO₂, body temperature, BMI, and stress indices) using synthetic patient data.
A two-stage XGBoost classification model was developed, achieving a recall of 98% for critical patients (Stage 3), in line with best practices for high-sensitivity medical triage systems (Rajkomar et al., 2019).
The platform also incorporates an interactive dashboard, automated PDF report generation, and HealthGuard AI — a conversational agent based on OpenAI’s GPT-4 architecture — to facilitate patient interaction and symptom documentation
PredictCare demonstrated robust performance: Overall model accuracy of 95%; Precision (macro average): 88%; Recall (macro average): 89%; F1-Score (macro average): 88%.
The architecture prioritizes critical patient detection while minimizing false negatives, supporting early clinical intervention. The system allows dynamic tracking of clinical variables, personalized alerts, and health trend visualization, meeting the need for scalable, AI-enhanced remote patient monitoring solutions.
PredictCare represents an innovative step towards data-driven, AI-supported healthcare, offering a modular framework for future integration with wearable devices and electronic health records (EHRs). Further development aims to pursue regulatory compliance and clinical validation.
Although currently not certified as a medical device, PredictCare highlights the transformative role of AI in precision medicine and proactive patient care.

Zhao, M. et al. 2020. DOI: 10.3389/fmed.2020.637434
Johnson et al., 2018. DOI: 10.1109/JPROC.2015.2501978
Rajkomar et al., 2019. DOI: 10.1056/NEJMra1814259

Il progetto si pone come scopo l’analisi di diversi modelli presenti in letteratura per valutare l’obsolescenza dei dispositivi medici e la loro priorità di sostituzione calcolata attraverso dei parametri indicativi della condizione dell’apparecchio.
In seguito all’analisi di diversi articoli scientifici, vengono scelti tre modelli basati su un numero variabile di parametri e con algoritmi e metodi di calcolo differenti ed applicati al medesimo contesto, ovvero i dispositivi elettromedicali in dotazione ad una Azienda Ospedaliera del Veneto. Per ogni apparecchio presente in azienda viene calcolato l’output dei tre modelli utilizzando i parametri proposti. In seguito, vengono applicate delle soglie ai valori ottenuti di IPS (indice di priorità di sostituzione) per determinare se ciascun apparecchio viene classificato come “Obsoleto”, “Da approfondire” o “Non Obsoleto”.
I differenti risultati nella classificazione basata sui tre modelli sono attribuibili ai diversi parametri utilizzati e alle diverse soglie applicate per la classificazione, che rendono un modello più o meno selettivo.
Viene successivamente creato un algoritmo che permette di unire il risultato dato dai tre modelli per ciascun apparecchio, ottenendo una classificazione in quattro fasce d’urgenza: “Massima”, “Media”, “Minima” e “Nessuna”.
La classificazione ottenuta grazie a questo algoritmo viene utilizzata come base per l’addestramento di una rete neurale, che consente di valutare una possibile applicazione delle reti al contesto della priorità di sostituzione dei dispositivi elettromedicali.
La rete neurale riceve come input tutti i parametri utilizzati dai diversi modelli, inseriti senza pesi o coefficienti, e predice la classe di urgenza in cui è stato classificato il dispositivo in seguito all’utilizzo dell’algoritmo.
L’utilizzo di una rete neurale introduce della variabilità ma, poiché supportata da una buona accuratezza e pochi errori giustificati, permette di semplificare il processo per eventuali utilizzi futuri e diverse applicazioni.
I risultati ottenuti dalla rete vengono esaminati attraverso una valutazione delle metriche ottenute e con l’ausilio di librerie di Python quali SHAP e Alibi, verificando l’effetto dei parametri forniti in input sulla classificazione ottenuta in output.

La prevenzione delle fratture da fragilità, priorità crescente a causa dell’invecchiamento della popolazione, richiede diagnosi precoci e trattamenti efficaci. La tecnologia REMS (Radiofrequency Echographic MultiSpectrometry), utilizzando ultrasuoni (US) e non radiazioni ionizzanti, rappresenta un’alternativa ai metodi tradizionali per valutare la salute ossea di femore prossimale e rachide lombare. Alterazioni nella densità minerale ossea o nella microarchitettura, costituita da osso trabecolare responsabile della distribuzione del carico, compromettono la resistenza meccanica, aumentando il rischio di frattura.
Lo studio propone l’integrazione di REMS con modelli di reti neurali convoluzionali (CNN) per un’indagine avanzata della microarchitettura ossea, elemento chiave nella valutazione del rischio di fratture, e la definizione automatica della classe di rischio.
Il dataset utilizzato comprende 2268 scansioni US del femore, di cui 374 provenienti da soggetti con fratture da fragilità. Le prestazioni del modello sono state misurate su un test set il cui stato di frattura è verificato tramite follow-up a 5 anni. L’algoritmo, addestrato su matrici numeriche estratte dalle immagini US, identifica come modello finale un ensemble di 5 reti ottenute da crossvalidazione. Il soggetto è classificato calcolando la media delle probabilità softmax restituite dai singoli modelli. Il valore più alto indica il grado di fragilità ossea che, combinato con il valore di T-Score REMS, consente di collocare il soggetto esaminato in una classe di rischio di frattura crescente da 1 a 7, che predice la probabilità di fratturarsi entro 5 anni.
I risultati confermano l’efficacia del classificatore basato su CNN nel rilevare alterazioni microstrutturali, con accuratezza, specificità e sensibilità attorno all’80%. La maggior parte dei soggetti fratturati è stata classificata nelle classi di rischio più elevate (5–7), a conferma dell’affidabilità dell’ensemble nel riconoscere individui a rischio di frattura e rifrattura. Per rafforzare la robustezza del modello, è auspicabile ampliare il dataset, considerando in Italia un’incidenza di soggetti fratturati compresa tra il 16% e il 34% in entrambi i sessi.
Lo studio evidenzia la capacità delle CNN di identificare pattern strutturali utili in un marcatore predittivo che, combinato con il T-score REMS, consente di stimare il grado di fragilità ossea. Tale approccio faciliterebbe la diagnosi clinica e la personalizzazione del trattamento.

Attualmente, la gestione del paziente affetto da dolore rappresenta una sfida clinica per il personale sanitario. Le metodologie di valutazione del dolore tradizionali (NRS, VAS) manifestano scarsa inclusività e adattabilità nei confronti di pazienti con bisogni eterogenei, come per i soggetti affetti da patologie neurodegenerative. In questo contesto, si inseriscono i sistemi automatizzati per la valutazione del dolore (Automatic Pain Assessment – APA) supportati da modelli di intelligenza artificiale (AI).
Il presente studio ha dato il via all’elaborazione di un protocollo di ricerca sperimentale sull’utilizzo dei sistemi APA nella gestione dei pazienti con dolore oncologico presso l’ospedale Ruggi di Salerno.
In un’ottica di Health Technology Assessment, si è adottato un approccio multidimensionale per valutare la percezione dei sistemi APA da parte del personale sanitario e di professionisti nel campo della terapia del dolore. Il presente studio si compone di tre livelli di analisi, con 620 partecipanti per il primo livello e 30 partecipanti per il secondo e il terzo. In sequenza, gli strumenti utilizzati sono: questionari, scala Likert a sette punti, Analytic Hierarchy Process. I dati sono stati collezionati in forma anonima e analizzati quantitativamente.
Dall’analisi dei risultati, si evince un alto grado di accettazione dei sistemi APA nella pratica clinica (78,1%) e una estrema preferenza per la tecnica multimodale, incentrata sull’utilizzo simultaneo di parametri quantitativi e standardizzati (es. fisiologici, linguistici).
Gli esperti sono d’accordo per 8 aspetti su 10. Il 96,2% concorda sull’imprescindibile necessità di formare l’utilizzatore su funzionamento e limiti dei sistemi APA. Inoltre, il 92,3% ritiene imperativa l’implementazione della gestione dei rischi, il controllo della qualità dei dati e la governance dell’AI per l’intero ciclo dell’APA. Le opinioni divergono, invece, rispetto all’applicazione dell’APA per pazienti affetti da dolore acuto e/o cronico e sulle potenzialità di tali sistemi nel miglioramento dei trattamenti terapeutici.
Per concludere, il personale sanitario si mostra a favore dell’adozione di tecnologie di valutazione automatica del dolore. Tuttavia, è altrettanto importante prendere in considerazione le sfide pratiche e legali che l’introduzione di questi sistemi nell’attuale contesto sanitario potrebbe comportare, al fine di orientare in modo efficiente le decisioni e la programmazione delle risorse economiche.

SPOILERS è un progetto pilota nato nel 2024 presso l’Azienda Ospedaliera-Universitaria di Alessandria, con l’obiettivo di sviluppare un sistema di intelligenza artificiale per il supporto alla diagnosi precoce del tumore polmonare. Il progetto è il risultato della collaborazione tra i Laboratori di Ricerca del Dipartimento Attività Integrate Ricerca Innovazione (DAIRI), il servizio di Radiologia dell’AOU di Alessandria e il Dipartimento di Scienze e Innovazione Tecnologica dell’Università del Piemonte Orientale.
SPOILERS si basa su modelli multimodali di Deep Learning capaci di integrare immagini radiologiche (radiografie e TC), referti clinici e dati strutturati del paziente per identificare e caratterizzare automaticamente i noduli polmonari. Il sistema impiega un’architettura Transformer con encoder visivo e decoder testuale in grado di generare referti clinici in linguaggio naturale.
Nella fase iniziale, applicata a immagini radiografiche, il sistema ha ottenuto risultati promettenti: un BERTScore superiore a 0.90 e l’85% dei referti è stato considerato clinicamente affidabile, con una riduzione del tempo medio di refertazione. È attualmente in corso la sperimentazione su 250 esami TC, approvata dal Comitato Etico e con autorizzazione aziendale.
Gli obiettivi di SPOILERS includono l’aumento dell’accuratezza, della tempestività e della coerenza diagnostica, offrendo supporto concreto ai radiologi in un contesto di crescente richiesta di prestazioni e carenza di personale. Il progetto rappresenta un passo importante verso il trasferimento tecnologico di soluzioni AI in ambito sanitario, in linea con le strategie del PNRR e con la missione dell’Azienda di promuovere una sanità più digitale, integrata e sostenibile.

L’Italia si trova di fronte a una sfida demografica significativa, con un rapido invecchiamento della popolazione. Oltre il 24% degli italiani ha più di 65 anni e si stima che 3,8 milioni di anziani siano non autosufficienti, con proiezioni che indicano un aumento a 5,4 milioni entro il 2050. Questa situazione mette sotto pressione il sistema di welfare, richiedendo un ripensamento dell’approccio all’assistenza.
La piattaforma “L’AMICO DI MARIO” propone una soluzione innovativa attraverso una “postazione” interattiva basata sull’intelligenza artificiale. Un Avatar empatico fornisce supporto nelle attività quotidiane, stimola la socialità e promuove l’autonomia. L’obiettivo principale è prevenire o ritardare il decadimento cognitivo e fisico.
L’Avatar è creato utilizzando tecnologie avanzate come motion capture con sensori IMU, scanner volumetrici full body e software 3D per il body tracking. Queste tecnologie sono integrate in un’architettura di rete 5G per la trasmissione di contenuti olografici, consentendo interazioni immersive e personalizzate.
I primi test sperimentali hanno confermato l’efficacia della teleriabilitazione cognitiva con “L’AMICO DI MARIO”.
I risultati hanno evidenziato:
• Trasmissione fluida e in tempo reale dei contenuti olografici: La piattaforma ha dimostrato di garantire una trasmissione senza interruzioni, migliorando l’interazione del paziente con il software.
• Elevata immersività nelle sessioni riabilitative: I pazienti hanno mostrato un maggiore coinvolgimento nelle attività, grazie all’ambiente immersivo creato dagli ologrammi.
• Affidabilità nella trasmissione dei dati: La latenza è risultata inferiore a 50 ms, con un’assenza di perdita di pacchetti rilevante, garantendo un’esperienza utente ottimale.
• Miglioramento del coinvolgimento e riduzione dell’isolamento: L’interazione con l’Avatar ha contribuito a ridurre la percezione di isolamento e ad aumentare il coinvolgimento dei pazienti nelle attività di stimolazione cognitiva e fisica.
• Valutazione positiva dell’esperienza utente: I questionari strutturati hanno evidenziato un’alta usabilità e soddisfazione da parte dei partecipanti.
L’adozione della piattaforma potrebbe pertanto rappresentare un’innovazione significativa nell’ambito della telemedicina riabilitativa, combinando empatia, tecnologia e accessibilità. L’integrazione con “L’AMICO DI MARIO” apre nuove prospettive per una teleriabilitazione cognitiva personalizzata e efficace.