Why tomorrow’s public health needs to be digital: artificial intelligence and automation for a sustainable Italian National Health Service
Notice bibliographique
Résumé
Italy's National Health Service (SSN) serves one of Europe's oldest populations under fiscal constraint and a fragmented data infrastructure. Rather than a standalone fix, artificial intelligence should be treated as a catalyst for a human-centred digital transformation that improves access, quality, and sustainability. Building on the Italian Society for Artificial Intelligence in Medicine (SIIAM) vision, we outline a pragmatic agenda. First, reduce elective-care backlogs by automating confirmations, reminders, cancellations, and rescheduling; deploy multilingual conversational agents to collect structured pre-visit histories and deliver summaries, while natural-language processing flags overdue follow-ups. Second, advance equity by offering inclusive digital front doors and tele-triage that prioritise patients facing language, literacy, socioeconomic, or geographic barriers. Third, curb waste through clinical-decision support and workflow automation that standardise evidence-based practice and relieve documentation burden. Fourth, modernise surveillance by pairing large language model powered voice agents for behaviour and symptom monitoring with participatory systems and AI epidemic intelligence. Fifth, link data and people through multidisciplinary teams and a human-in-the-loop approach that embeds transparency, bias mitigation, privacy, and safety. Implementation should start where impact is fastest: risk-stratified booking, proactive reminders, and shared dashboards with comparable indicators. To sustain gains, ring-fence resources for regional multidisciplinary units, enforce interoperability and reference datasets, and align procurement with European requirements for auditability and post-deployment monitoring. AI can help reshape Italian healthcare, but success ultimately depends on integrated data, trained teams, and robust governance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,016 | 0,011 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».