Misurare la sostenibilità dell’intelligenza artificiale in sanità: il framework life cycle assessment (lca) applicato alle immagini ottenute per mezzo della risonanza magnetica nucleare (rmn)

La rapida diffusione dell’Intelligenza Artificiale (IA) in sanità contrasta con la scarsa analisi della sua sostenibilità ambientale. Gli studi attuali, focalizzati sui consumi energetici di training e inferenza, trascurano l’intero ciclo di vita delle tecnologie. Il framework sviluppato si basa sulla metodologia Life Cycle Assessment (LCA), conforme alle norme ISO 14040 e 14044, e si articola in cinque fasi operative. Nella I fase vengono definiti obiettivi, unità funzionale (es. referto o diagnosi) e confini del sistema, includendo training, inferenza, hardware e infrastrutture digitali. Segue la costruzione dell’inventario (Life Cycle Inventory – LCI), attraverso la raccolta strutturata di dati su consumi energetici, caratteristiche hardware, rete e sistemi di storage, provenienti da log di sistema e infrastrutture ospedaliere. Nella III fase viene effettuata la valutazione degli impatti (Life Cycle Impact Assessment – LCIA), stimando indicatori ambientali quali CO₂ equivalente, consumo energetico, utilizzo di acqua e produzione di rifiuti elettronici, normalizzati per unità funzionale. La IV fase prevede un’analisi di sensibilità per identificare i principali driver ambientali, variando parametri chiave come efficienza del data center, mix energetico e vita utile dell’hardware. Infine, vengono individuate strategie di mitigazione e definiti indicatori clinico-ambientali per l’interpretazione dei risultati. Il framework è stato applicato a un caso reale: rete neurale convoluzionale per la ricostruzione e segmentazione di immagini di risonanza magnetica cerebrale, in ambiente ospedaliero. L’analisi ha stimato un impatto di circa 46 g CO₂eq/esame, inferiore rispetto a quello dell’esame diagnostico complessivo (≈2–3 kg CO₂eq), ma rilevante su larga scala. L’analisi di sensibilità ha evidenziato come i principali driver siano il consumo energetico in fase di inferenza, l’efficienza del data center e l’hardware. L’adozione di strategie mirate, tra cui ottimizzazione del modello, utilizzo di infrastrutture più efficienti e ricorso a fonti rinnovabili, consente di ridurre le emissioni fino a ≈ 7 g CO₂eq/esame, senza impatto sulla qualità diagnostica. Il framework proposto è un modello operativo e replicabile, basato su dati accessibili. Permette di integrare la sostenibilità ambientale nelle decisioni sull’IA per ridurre concretamente l’impronta ecologica del Servizio Sanitario Nazionale e ottimizzare l’uso delle risorse.