Efficacia delle soluzioni di intelligenza artificiale per l’ottimizzazione delle risorse e la valutazione degli esiti in ambito ambulatoriale e chirurgico: Revisione narrativa della letteratura con stratificazione per tecnologia, compito e outcome

Introduzione Le liste d’attesa e la pressione sulle risorse ambulatoriali e chirurgiche sono una criticità per l’accesso tempestivo alle cure e per la sostenibilità organizzativa. In questo contesto, l’Intelligenza Artificiale (IA) è proposta come supporto alla pianificazione operativa, tramite modelli predittivi e algoritmi di ottimizzazione applicati a agende ambulatoriali e programmazione delle sale operatorie. Obiettivo Valutare, attraverso una revisione narrativa della letteratura, in che modo soluzioni basate su IA possano ottimizzare le risorse in ambito ambulatoriale e chirurgico, descrivendone tecnologie, compiti gestionali e outcome. Metodi Revisione narrativa strutturata con impostazione PICO. Ricerca bibliografica su un database biomedico e integrazione con strumenti di supporto alla ricerca basati su IA. Inclusi studi su sanità umana pubblicati negli ultimi 10 anni (2015–2025) in inglese, italiano o spagnolo (studi primari, revisioni e report). Identificate 74 pubblicazioni; dopo screening ed estrazione dati con griglia dedicata, inclusi 52 studi (33 chirurgico, 15 ambulatoriale, 3 generalisti, 1 misto). Risultati Le applicazioni si concentrano su (a) previsione (no-show, cancellazioni, durata interventi, domanda/capacità), (b) ottimizzazione/scheduling (overbooking controllato, allocazione di slot e blocchi operatori, riduzione dei tempi morti) e (c) supporto decisionale (simulazioni “what-if”, dashboard, ripianificazione). Predominano tecniche di ML supervisionato (soprattutto modelli ensemble), con impieghi più limitati di deep learning, reinforcement learning e approcci ibridi IA + ricerca operativa. Gli studi riportano benefici organizzativi: in ambito outpatient un modello predittivo di no-show integrato nel workflow ha ridotto le mancate presentazioni dal 20,8% al 10,3% e la waiting time media di ~5,7 minuti/visita (oltre 6.400 ore risparmiate in tre mesi); in ambito chirurgico, l’integrazione tra predizione e ottimizzazione ha ridotto l’inattività delle sale fino al 20% e, in un caso applicativo, ha prodotto risparmi economici (~469.000 dollari in tre anni) e riduzione del 21% delle ore di straordinario infermieristico. In generale sono riportate riduzioni dei tempi morti del 10–20% e incrementi di produttività senza aumenti di risorse. Conclusioni L’IA appare promettente per migliorare l’efficienza di ambulatori e blocchi operatori e contribuire alla riduzione delle liste d’attesa, soprattutto quando predizione e ottimizzazione sono integrate nei processi. Le evidenze restano però eterogenee e spesso monocentriche/retrospettive o basate su simulazioni, con scarsa valutazione di esiti clinici “hard”, equità e sostenibilità nel tempo. L’implementazione richiede qualità dei dati, integrazione con i sistemi informativi, governance (trasparenza, supervisione umana, responsabilità) e change management con formazione.