UniBa sviluppa Medusa, l’Intelligenza artificiale che integra dati clinici per prevedere l’evoluzione dei pazienti

BARI – Un nuovo traguardo scientifico nel campo dell’Intelligenza Artificiale applicata alla sanità porta la firma dell’Università degli Studi di Bari. Il gruppo di ricerca KDDE – Knowledge Discovery and Data Engineering, attivo all’interno del Dipartimento di Informatica, ha contribuito alla realizzazione di MEDUSA, un modello avanzato di monitoraggio predittivo multimodale progettato per anticipare l’evoluzione clinica dei pazienti attraverso l’integrazione di informazioni eterogenee.

I risultati dello studio, intitolato “Multimodal predictive process monitoring and its application to explainable clinical pathways”, sono stati pubblicati sulla rivista internazionale Information Systems, Volume 139, luglio 2026, classificata Q1 nell’area Computer Science. L’articolo è disponibile in modalità Open Access. La ricerca è stata condotta in collaborazione con studiosi della Free University of Bozen Bolzano e dello NVIDIA AI Technology Center di Santa Clara, in California, e si inserisce nelle attività sviluppate nell’ambito dei progetti PNRR FAIR – Future Artificial Intelligence Research e PRIN REPA – aRtificial intElligence for Process Analytics.

Al centro del lavoro c’è MEDUSA, un sistema di Intelligenza Artificiale capace di fondere in modo strutturato immagini radiologiche, cartelle cliniche elettroniche e note testuali redatte dai medici. L’obiettivo è individuare in anticipo possibili esiti clinici durante il percorso di cura, offrendo un supporto informativo più completo alle decisioni sanitarie.

L’approccio multimodale consente di esaminare simultaneamente fonti di dati diverse, mettendo in relazione elementi che, se analizzati separatamente, potrebbero non restituire correlazioni evidenti. L’integrazione delle informazioni permette così di riconoscere pattern complessi e di migliorare la qualità delle previsioni, con potenziali ricadute positive sull’appropriatezza delle scelte cliniche e sulla qualità dell’assistenza.

La sperimentazione è stata effettuata su un dataset reale relativo a pazienti COVID 19. In particolare, il modello è stato testato per stimare il rischio di mortalità fino al momento dell’acquisizione di una specifica immagine radiologica. Un aspetto distintivo del progetto riguarda l’impiego di tecniche di Intelligenza Artificiale spiegabile, Explainable AI, XAI, che consentono di comprendere i passaggi logici attraverso cui l’algoritmo giunge a una determinata previsione, rafforzando trasparenza e affidabilità del sistema.

Il nome MEDUSA richiama la figura mitologica greca caratterizzata da una chioma di serpenti. Nel framework sviluppato dai ricercatori, ogni “serpente” rappresenta una diversa tipologia di dato clinico, dalle immagini radiologiche alle cartelle elettroniche fino alle annotazioni testuali. Considerate singolarmente, queste fonti offrono una visione parziale; combinate tra loro, permettono al modello di costruire un quadro più ampio e dettagliato dello stato di salute del paziente, incrementando in modo significativo l’accuratezza delle previsioni.

Secondo quanto evidenziato nello studio, il lavoro contribuisce ad avanzare lo stato dell’arte dell’IA multimodale in ambito sanitario, introducendo un metodo innovativo per il monitoraggio predittivo dei percorsi clinici e dimostrando come dati eterogenei possano essere armonizzati per sostenere le decisioni mediche. L’attenzione alla spiegabilità e alla trasparenza si inserisce inoltre nella prospettiva di sviluppare sistemi di Intelligenza Artificiale affidabili e responsabili.

Il risultato consolida il ruolo dell’Università di Bari nel panorama internazionale della ricerca in Intelligenza Artificiale, process mining, data science e applicazioni mediche dell’AI. L’immagine allegata allo studio illustra il funzionamento del modello, mostrando come la cartella clinica elettronica, la narrazione testuale del percorso del paziente e la radiografia del torace vengano integrate in un’unica architettura capace di restituire una visione completa e coordinata delle condizioni cliniche, a supporto di previsioni più accurate e comprensibili.