algoritmi e bias

Più diseguaglianze in sanità con l’intelligenza artificiale? Le sfide

L’intelligenza artificiale si basa in larga misura sull’uso di algoritmi alimentati e educati da grandi dataset di dati e manifesta delle grosse criticità e sfide da un punto di vista etico e sociale che devono essere tenute in considerazione e monitorate, soprattutto quando si parla di Sanità. Sfide e possibili soluzioni

Pubblicato il 18 Gen 2022

Anna Francesca Pattaro

Università di Modena e Reggio Emilia, Dipartimento di Comunicazione ed Economia

health_256644970

L’impiego dell’intelligenza artificiale (IA) si è rivelato di grande utilità anche nel settore pubblico, Sanità in primis. Tuttavia, proprio considerando la Sanità, l’uso della tecnologia ha evidenziato delle criticità che necessitano di essere prese in considerazione e corrette per quanto possibile per non incorrere in disuguaglianze di trattamento e non aprire la strada a errori medici nella diagnosi e cura delle malattie.

Le criticità riguardano prevalentemente gli algoritmi di intelligenza artificiale, i dataset che li alimentano e istruiscono, e i relativi bias. È allora un esercizio utile provare a esaminarle e ragionare su eventuali precauzioni e soluzioni da intraprendere secondo gli esperti di ICT e Sanità.

Un’intelligenza artificiale “spiegabile” per una Sanità efficace e sicura: i nodi

Intelligenza artificiale e Sanità: i problemi emergenti

Come sottolineato in diversi contributi apparsi anche recentemente su Agendadigitale.eu, l’intelligenza artificiale (IA) offre delle grandissime opportunità ed ha un grande potenziale applicativo in ambito sanitario. L’IA – attraverso il machine learning, ma soprattutto reti neurali e deep learning – si propone di offrire approcci guidati dai dati a supporto della presa di decisioni e la definizione delle politiche di sanità pubblica che possono offrire dei benefici per la salute della intera società. Essa è infatti di grande aiuto, per esempio, nella diagnosi delle malattie, nel supportare la presa di decisioni di carattere clinico ed assistenziale, nello sviluppare e testare i nuovi farmaci e la loro interazione, nello sviluppo di trattamenti personalizzati, nonché nella cura stessa delle malattie. I sistemi di IA, cercando in milioni di record medici, possono anche aiutare a ridurre i costi dell’assistenza sanitaria, prevedere la mancata adesione dei pazienti alle campagne o agli accertamenti, o accorciare le liste di attesa.

Tuttavia, dato che l’intelligenza artificiale (IA) si basa in larga misura sull’impiego di algoritmi alimentati e educati da grandi dataset di dati, essa manifesta delle grosse criticità e sfide da un punto di vista etico e sociale che devono essere tenute in considerazione e monitorate, e per quanto possibile risolte, in vista della più significativa e massiva integrazione dell’IA nella routine clinica e nelle altre attività che concernono il settore sanitario.

Come evidenziato in diversi contributi (e.g. Noroni e al., 2021; Madhusoodanan, 2021; Shen, 2021, Parikh e al., 2019; …), i maggiori problemi che riguardano l’IA in Sanità sono legati ai cosiddetti bias – ovvero pregiudizi, preconcetti – degli algoritmi. Meno significative sembrano invece le criticità collegate con l’altra debolezza degli algoritmi dell’intelligenza artificiale ovvero l’overfitting, ovvero la presenza di troppe ipotesi da testare e di pochi dati per verificarle e distinguerle negli algoritmi (crf. Domingos, 2016).

In ambito sanitario, i bias degli algoritmi possono determinare degli effetti catastrofici perché possono spingere ad assumere decisioni erronee che riguardano interi gruppi di pazienti, come le persone non bianche, minoranze etniche o un intero genere (quello femminile), che storicamente sono stati caratterizzati da una limitata o sottorappresentata presenza nei database biomedicali, perpetuando pertanto dei pregiudizi presenti appunto nella società e ampliando così le disuguaglianze già esistenti nelle società contemporanee.

Infatti, la maggior parte degli algoritmi di IA hanno bisogno di grandi dataset da cui “imparare” per poter operare efficacemente, e se quei dataset di training data travisano la variabilità della popolazione, l’IA può condurre a rafforzare i pregiudizi che possono determinare effetti fatali, diagnosi errate e mancanza di generalizzazione dei risultati (e.g. Noroni e al, 2021; Shen, 2021).

Molti governi ed istituzioni si sono mosse per analizzare questo genere di problemi dei rispettivi sistemi sanitari, per esempio in Gran Bretagna l’NIHR (National Institute for Health Research) ha considerato questo tema come urgente e di primaria importanza, tanto da aver organizzato a luglio 2021 anche una serie di riunioni su Artificial Intelligence and Racial and Ethnic Inequalities in Health and Care.

I bias dell’intelligenza artificiale

Come Noroni e al. (2021) ricordano, i bias possono essere definiti statisticamente e socialmente. Statisticamente, essi si riferiscono ai casi in cui la distribuzione della popolazione del dataset a disposizione non riflette la reale distribuzione della popolazione. In questo caso potrebbe accadere che un algoritmo produca un risultato che differisce dalla vera stima del fenomeno in questione nella realtà. Il bias sociale, al contrario, si riferisce alle ineguaglianze che possono derivare da risultati finali subottimali, quindi non corretti, per gruppi stabiliti di popolazione umana.

Il contesto medico non è infatti alieno ai pregiudizi, bias appunto, che spesso sono difficili, non solo da quantificare, ma anche da identificare. In effetti, sono stati rilevati diversi casi di algoritmi che discriminano gruppi vulnerabili negli stessi campi in cui l’IA ha dimostrato di poter conseguire risultati più che promettenti. Per esempio, diversi contributi ricordano gli episodi di discriminazione e disuguaglianza di trattamento, potenzialmente letali, che sono emersi in ambito dermatologico (es. cura lesioni, diagnosi e cura del cancro della pelle) ai danni di persone non bianche, a causa dell’impiego poco approfondito dell’intelligenza artificiale (e.g. Shen, 2021; Madhusoodanan, 2021; Ledford, 2021 ; Pearl, 2021; Uzi, 2021).

I bias hanno riguardato non solo gruppi etnici e i pazienti non bianchi, ma anche il genere (es. nella diagnosi e cura delle malattie cardiovascolari, o nella ricerca e sviluppo dei medicinali), la presenza di disabilità (e.g. McCormick, 2021), l’età (visto che ai trial partecipano in genere soggetti giovani), e addirittura aspetti socioeconomici come la ricchezza o la scolarizzazione.

I bias sono particolarmente preoccupanti nelle aree dove la mancanza di variabilità nei dati per istruire gli algoritmi (training data) è più difficile da identificare in uno stadio iniziale, come per esempio nello sviluppo di farmaci e nei trial clinici. In quest’ultimo caso la maggior parte dei partecipanti sono maschi, relativamente giovani e provenienti dal medesimo contesto etnico. Spesso anche gli stessi studi preclinici sono influenzati da bias di genere in quanto coinvolgono in prevalenza o esclusivamente animali maschi. Questo tipo di bias durante le fasi precliniche dello sviluppo di un farmaco possono offrire informazioni alterate sulle reazioni ad un farmaco appena sviluppato da parte delle pazienti donne. A quel punto si potrebbe generare una reazione a catena per cui i risultati di questi primi studi sugli effetti dei farmaci, gli effetti collaterali e la relativa efficacia possono essere poi trasferiti nei dataset che sono poi usati per istruire gli algoritmi di IA. Ma la mancanza di diversità nei dataset clinici non è la sola fonte di bias: i ricercatori e i clinici possono anche registrare giudizi inconsci e pregiudizi nelle loro ricerche, distribuendo quindi algoritmi di IA che sono pregiudiziali sin dalla loro progettazione.

Se le questioni etiche non sono prese in considerazione prima che gli algoritmi siano ulteriormente implementati nella pratica clinica, l’IA può fallire nel suo intento di offrire benefici a tutti i pazienti, aumentando le iniquità che già caratterizzano il sistema sanitario in qualsiasi Paese.

Le attuali sfide alla imparzialità nell’intelligenza artificiale

Le fonti di pregiudizi nell’IA possono essere presenti nella maggior parte, se non in tutte le fasi, del processo di sviluppo di un algoritmo. Come suggerito in precedenza, i bias degli algoritmi possono infatti emergere:

  • dall’utilizzo di dati per istruire l’algoritmo non bilanciati o non rappresentativi della popolazione,
  • dall’implementazione di sistemi di raccolta dei dati influenzati dalla soggettività umana,
  • dalla mancanza di una adeguata regolazione nel processo di progettazione dello stesso algoritmo,
  • e dalla replicazione (involontaria) di pregiudizi umani che determinano la creazione di algoritmi che rispecchiano le ineguaglianze storiche (e.g. Parikh e al., 2019) di mancata o limitata rappresentazione nei database esistenti.

Secondo la letteratura, dunque, le fonti di bias possono essere quindi classificate in:

  • data-driven bias, dovuti ai dati che non sono rappresentativi della composizione della popolazione umana nel loro complesso. In molti casi è difficile quantificare il livello di compromissione dei dataset, per questo è importante raccogliere e considerare quante più possibili variabili e metadati (compresi i dati socioeconomici) anche quando non sembrano a prima vista direttamente connessi con le domande di ricerca.
  • Bias algoritmici, che si manifestano quando un algoritmo è istruito sulla base di dati con bias, e che può comportare il rafforzamento degli schemi derivanti dall’utilizzo di dati parziali e riguardanti una categoria dominante per istruire l’algoritmo. Il livello di sbilanciamento tra classi è calcolabile, ed è cruciale, per evitare mal interpretazioni dei risultati, identificare modi imparziali di stimare i livelli di probabilità che si incorra in tali situazioni. Inoltre, si possono utilizzare algoritmi che mitigano i bias e che si costruiscono includendo nella fase di istruzione degli attributi protetti (come l’etnia e il genere) o si possono inserire funzioni di controllo per i gruppi protetti.
  • Bias umani, che si verificano proprio perché gli algoritmi sono progettati da umani che possono perpetuare i propri pregiudizi. In effetti, gli algoritmi sono spesso progettati per affrontare quelli che gli sviluppatori considerano i problemi più urgenti da risolvere, che non sono necessariamente le stesse sfide affrontate dagli individui che sono toccati dai problemi per i quali questi algoritmi sono costruiti (nel nostro caso i pazienti). In aggiunta, la mancanza di diversità nei gruppi di lavoro in ingegneria e nel biomedicale può replicare inconsciamente pregiudizi e disequilibri di potere già presenti nella società. Questo genere di bias è il più complesso da individuare e da mitigare, e riguarda soprattutto aspetti collegati al colore della pelle, l’etnia e il genere, nonché l’orientamento sessuale (Norori e al., 2021).

Il ruolo delle soluzioni open e partecipative, e degli standard

Negli ultimi decenni diversi governi ed istituzioni, ma anche finanziatori e hanno lavorato insieme per promuovere la diffusione e condivisione degli open data. Questo ha consentito l’accesso da parte di chiunque a database pubblici per istruire algoritmi di IA. Purtroppo, come diversi esperti ricordano2, molti di questi DB non sono diversi, disaggregati ed interoperabili tra loro. I depositi di dati hanno sostanzialmente aumentato il numero di DB open disponibili per istruire e sviluppare algoritmi, ma la popolazione vulnerabile rischia di rimanere comunque sottorappresentata nei dati sanitari. Questa mancanza di diversità restringe l’utilità e la generalizzabilità dei dataset e degli algoritmi di IA istruiti con quei dati. In aggiunta, la mancanza di coerenza e solidità, le differenze di formattazione, e la limitata aggregazione dei dati impediscono ai dataset open di essere abbastanza misti e utilizzati per potenziare sistemi ampli e complessi. Per questo si sta lavorando per sviluppare tecnologie inclusive che si basano sul contributo di quanti più individui. Tuttavia, di per sé non impediscono a priori che certi gruppi risultino comunque trascurati ed invisibili.

Intelligenza artificiale per le cure sanitarie domiciliari: opportunità e ostacoli

La standardizzazione invece, rende i dati più leggibili, interoperabili e più potenzialmente impattanti: in effetti quando i dati non sono apertamente disponibili e sono pubblicati in formati inconsistenti e incompatibili, diventa particolarmente difficile scambiarli, analizzarli ed interpretarli. L’inconsistenza nella condivisione dei dati, la variabilità nella loro qualità e i diversi livelli di usabilità degli stessi, determinano se i ricercatori abbiano o meno accesso a dataset di alta qualità per istruire gli algoritmi per una IA equa e giusta (Panch e al. 2019).

Per diventare interoperabili i dataset hanno bisogno di tracciare e misurare l’inclusività, avere la possibilità di scambiare i campioni, e avere strutture chiare capaci di supportare sistemi multipli. Creare standard per i dati è un processo complesso, ma anche un passaggio obbligato per una istruzione giusta degli algoritmi di IA, per questo nel dinamico e veloce contesto dei nostri giorni può essere utile adottare eventuali standard pre-esistenti purché ben funzionanti.

La soluzione finale proposta da Norori e al (2021) è quella di diffondere l’approccio di open science, che si esplicita in numerose pratiche, ma che è stata in sintesi riconosciuta in uno schema di inclusività, apertura, interoperabilità, condivisione, spiegabilità e affidabilità, in quanto “nessuna scienza può essere aperta se non è inclusiva sin dalla sua progettazione”. L’idea di condividere apertamente le molteplici sfaccettature del processo di ricerca, inclusi i dati, il metodo, i risultati in termini che consentono il ri-uso, la redistribuzione e la riproduzione di tutti i risultati dà vita alla open science, una pratica fortemente supportata da molte istituzioni e agenzie di finanziamento. All’inclusività sono riconosciuti diversi vantaggi come quello di incrementare il rigore scientifico, la fiducia e il migliore uso delle risorse, in aggiunta può contribuire ad aumentare l’equità in ambito sanitario. Si ritiene infatti che l’equità sia incrementata dalla condivisione dei dati, dall’utilizzo di standard inclusivi che aumentano l’efficienza dell’infrastruttura dati e supporta la loro interoperabilità.

Conclusioni

Se da un lato è praticamente impossibile avere dataset senza bias, per superare questo limite esistono diversi strumenti per limitarli, come per esempio quelli di machine learning e della istruzione delle reti neurali con dati sintetici sui gruppi trascurati. Tuttavia, condividere i dati non è sempre fattibile e desiderabile anche per motivi di privacy o sicurezza. In questi casi una soluzione utile può essere la condivisione dei codici degli algoritmi di IA per accelerare il loro sviluppo e dare potere agli individui di valutare la performance degli algoritmi di IA su diversi dataset. Test sul campo danno poi ai ricercatori l’opportunità di valutare la performance degli algoritmi in diversi gruppi della popolazione e contesti clinici. Servono poi metriche comuni e standardizzate per misurare l’attendibilità e accuratezza dell’IA che siano anche trasparenti e comprensibili tenendo conto del trade-off tra performance e interpretabilità delle applicazioni di IA; modelli semplici (come per esempio classificatori lineari o alberi delle decisioni) sono infatti più interpretabili ma meno performanti, mentre modelli più articolati e complessi (come per esempio le reti neurali) sono più performanti ma sicuramente meno intellegibili. Infine, in letteratura è suggerita anche l’utilità dell’impiego di un approccio di scienza partecipativa grazie ad algoritmi di IA che coinvolgano e vedano al loro centro i partecipanti, le comunità nei loro diversi gruppi, così da tenere conto delle esigenze e problemi di pazienti e comunità. Algoritmi e dataset incentrati sui partecipanti (participant-centered), possono essere facilitate da piattaforme basate sulla comunità (community-based) progettate appositamente per facilitare la raccolta di dati personali e per dare agli individui la possibilità di progettare nuove domande o algoritmi di ricerca che riguardino e coinvolgano loro stessi e le relative comunità.

Bibliografia

Domingos P., (2016), L’algoritmo definitivo. La macchina che impara da sola e il futuro del nostro mondo. Bollati Boringhieri, Torino

Ledford, H. (2021),“Millions of Black People Affected by Racial Bias in Health-care Algorithms.” Nature, October 24, 2019, in https://www.nature.com/articles/d41586-019-03228-6.

Madhusoodanan J. (2021) These apps say they can detect cancer. But are they only for white people?, The Guardian, 28/08/2021 in https://www.theguardian.com/us-news/2021/aug/28/ai-apps-skin-cancer-algorithms-darker

McCormick E. (2021) Automatizing care in US 02/07/2021 https://www.theguardian.com/us-news/2021/jul/02/algorithm-crucial-healthcare-decisions

Norori N., Hu Q., Aellen F. M., Faraci F. D., and Tzovara A. (2021) Addressing bias in big data and AI for health care: A call for open science Patterns 2, October 8, 2021, pp1-9, in https://www.sciencedirect.com/science/article/pii/S2666389921002026

Panch, T., Mattie, H., and Celi, L.A. (2019). The ‘‘inconvenient truth’’ about AI in healthcare. NPJ Digit. Med. 2, 77.

Parikh, R.B., Teeple, S., and Navathe, A.S. (2019). Addressing bias in artificial intelligence in health care, JAMA pp. 322, 2377.

Pearl, R., (2021), “How AI Can Remedy Racial Disparities in Healthcare.” Forbes, February 16, 2021, in https://www.forbes.com/sites/robertpearl/2021/02/16/how-ai-can-remedy-racial-disparities-in-healthcare/?sh=65b1e31130f6.

Shen A. (2021), AI Bias Against Skin Colours, Young Scientists Journal, 21/08/2021, in https://ysjournal.com/ai-bias-against-skin-colours/

Uzzi, B., (2021) “A Simple Tactic That Could Help Reduce Bias in AI.”, Harvard Business Review, November 4, 2020. In https://hbr.org/2020/11/a-simple-tactic-that-could-help-reduce-bias-in-ai.

https://www.nihr.ac.uk/documents/artificial-intelligence-and-racial-and-ethnic-inequalities-in-health-and-care-shortlisting-minutes/28264

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Speciale PNRR

Tutti
Incentivi
Salute digitale
Formazione
Analisi
Sostenibilità
PA
Sostemibilità
Sicurezza
Digital Economy
CODICE STARTUP
Imprenditoria femminile: come attingere ai fondi per le donne che fanno impresa
DECRETI
PNRR e Fascicolo Sanitario Elettronico: investimenti per oltre 600 milioni
IL DOCUMENTO
Competenze digitali, ecco il nuovo piano operativo nazionale
STRUMENTI
Da Istat e RGS gli indicatori per misurare la sostenibilità nel PNRR
STRATEGIE
PNRR – Piano nazionale di Ripresa e Resilienza: cos’è e novità
FONDI
Pnrr, ok della Ue alla seconda rata da 21 miliardi: focus su 5G e banda ultralarga
GREEN ENERGY
Energia pulita: Banca Sella finanzia i progetti green incentivati dal PNRR
TECNOLOGIA SOLIDALE
Due buone notizie digitali: 500 milioni per gli ITS e l’inizio dell’intranet veloce in scuole e ospedali
INNOVAZIONE
Competenze digitali e InPA cruciali per raggiungere gli obiettivi del Pnrr
STRATEGIE
PA digitale 2026, come gestire i fondi PNRR in 5 fasi: ecco la proposta
ANALISI
Value-based healthcare: le esperienze in Italia e il ruolo del PNRR
Strategie
Accordi per l’innovazione, per le imprese altri 250 milioni
Strategie
PNRR, opportunità e sfide per le smart city
Strategie
Brevetti, il Mise mette sul piatto 8,5 milioni
Strategie
PNRR e opere pubbliche, la grande sfida per i Comuni e perché bisogna pensare digitale
Formazione
Trasferimento tecnologico, il Mise mette sul piatto 7,5 milioni
Strategie
PSN e Strategia Cloud Italia: a che punto siamo e come supportare la PA in questo percorso
Dispersione idrica
Siccità: AI e analisi dei dati possono ridurre gli sprechi d’acqua. Ecco gli interventi necessari
PNRR
Cloud, firmato il contratto per l’avvio di lavori del Polo strategico
Formazione
Competenze digitali, stanziati 48 milioni per gli Istituti tecnologici superiori
Iniziative
Digitalizzazione delle reti idriche: oltre 600 milioni per 21 progetti
Competenze e competitività
PNRR, così i fondi UE possono rilanciare la ricerca e l’Università
Finanziamenti
PNRR, si sbloccano i fondi per l’agrisolare
Sanità post-pandemica
PNRR, Missione Salute: a che punto siamo e cosa resta da fare
Strategie
Sovranità e autonomia tecnologica nazionale: come avviare un processo virtuoso e sostenibile
La relazione
Pnrr e PA digitale, l’alert della Corte dei conti su execution e capacità di spesa
L'editoriale
Elezioni 2022, la sfida digitale ai margini del dibattito politico
Strategie
Digitale, il monito di I-Com: “Senza riforme Pnrr inefficace”
Transizione digitale
Pnrr: arrivano 321 milioni per cloud dei Comuni, spazio e mobilità innovativa
L'analisi I-COM
Il PNRR alla prova delle elezioni: come usare bene le risorse e centrare gli obiettivi digitali
Cineca
Quantum computing, una svolta per la ricerca: lo scenario europeo e i progetti in corso
L'indice europeo
Desi, l’Italia scala due posizioni grazie a fibra e 5G. Ma è (ancora) allarme competenze
L'approfondimento
PNRR 2, ecco tutte le misure per cittadini e imprese: portale sommerso, codice crisi d’impresa e sismabonus, cosa cambia
Servizi digitali
PNRR e trasformazione digitale: ecco gli investimenti e le riforme previste per la digitalizzazione della PA
Legal health
Lo spazio europeo dei dati sanitari: come circoleranno le informazioni sulla salute nell’Unione Europea
Servizi digitali
PNRR e PA digitale: non dimentichiamo la dematerializzazione
Digital Healthcare transformation
La trasformazione digitale degli ospedali
Governance digitale
PA digitale, è la volta buona? Così misure e risorse del PNRR possono fare la differenza
Servizi digitali
Comuni e digitale, come usare il PNRR senza sbagliare
La survey
Pnrr e digitale accoppiata vincente per il 70% delle pmi italiane
Missione salute
Fascicolo Sanitario Elettronico alla prova del PNRR: limiti, rischi e opportunità
Servizi pubblici
PNRR: come diventeranno i siti dei comuni italiani grazie alle nuove risorse
Skill gap
PNRR, la banda ultra larga crea 20.000 nuovi posti di lavoro
Il Piano
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUMPA2022
PNRR e trasformazione digitale: rivedi i Talk di FORUM PA 2022 in collaborazione con le aziende partner
I contratti
Avio, 340 milioni dal Pnrr per i nuovi propulsori a metano
Next Generation EU
PNRR, a che punto siamo e cosa possono aspettarsi le aziende private
Fondi
Operativo il nuovo portale del MISE con tutti i finanziamenti per le imprese
Servizi comunali
Il PNRR occasione unica per i Comuni digitali: strumenti e risorse per enti e cittadini
Healthcare data platform
PNRR dalla teoria alla pratica: tecnologie e soluzioni per l’innovazione in Sanità
Skill
Competenze digitali, partono le Reti di facilitazione
Gli obiettivi
Scuola 4.0, PNRR ultima chance: ecco come cambierà il sistema formativo
Sistema Paese
PNRR 2, è il turno della space economy
FORUM PA 2022
FORUM PA 2022: la maturità digitale dei comuni italiani rispetto al PNRR
Analisi
PNRR: dalla Ricerca all’impresa, una sfida da cogliere insieme
Innovazione
Pnrr, il Dipartimento per la Trasformazione digitale si riorganizza
FORUM PA 2022
PA verde e sostenibile: il ruolo di PNRR, PNIEC, energy management e green public procurement
Analisi
PNRR, Comuni e digitalizzazione: tutto su fondi e opportunità, in meno di 3 minuti. Guarda il video!
Rapporti
Competenze digitali e servizi automatizzati pilastri del piano Inps
Analisi
Attuazione del PNRR: il dialogo necessario tra istituzioni e società civile. Rivedi lo Scenario di FORUM PA 2022
Progetti
Pnrr, fondi per il Politecnico di Torino. Fra i progetti anche IS4Aerospace
Analisi
PNRR, Colao fa il punto sulla transizione digitale dell’Italia: «In linea con tutte le scadenze»
La Svolta
Ict, Istat “riclassifica” i professionisti. Via anche al catalogo dati sul Pnrr
Analisi
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUM PA 2022
Ecosistema territoriale sostenibile: l’Emilia Romagna tra FESR e PNRR
Il Piano
Innovazione, il Mise “centra” gli obiettivi Pnrr: attivati 17,5 miliardi
Analisi
PNRR: raggiunti gli obiettivi per il primo semestre 2022. Il punto e qualche riflessione
Analisi
PNRR: dal dialogo tra PA e società civile passa il corretto monitoraggio dei risultati, tra collaborazione e identità dei luoghi
Webinar
Comuni e PNRR: un focus sui bandi attivi o in pubblicazione
Analisi
Formazione 4.0: cos’è e come funziona il credito d’imposta
PA e Sicurezza
PA e sicurezza informatica: il ruolo dei territori di fronte alle sfide della digitalizzazione
PA e sicurezza
PNRR e servizi pubblici digitali: sfide e opportunità per Comuni e Città metropolitane
Water management
Water management in Italia: verso una transizione “smart” e “circular” 
LE RISORSE
Transizione digitale, Simest apre i fondi Pnrr alle medie imprese
Prospettive
Turismo, cultura e digital: come spendere bene le risorse del PNRR
Analisi
Smart City: quale contributo alla transizione ecologica
Decarbonizzazione
Idrogeno verde, 450 milioni € di investimenti PNRR, Cingolani firma
Unioncamere
PNRR, imprese in ritardo: ecco come le Camere di commercio possono aiutare
I fondi
Industria 4.0: solo un’impresa su tre pronta a salire sul treno Pnrr
CODICE STARTUP
Imprenditoria femminile: come attingere ai fondi per le donne che fanno impresa
DECRETI
PNRR e Fascicolo Sanitario Elettronico: investimenti per oltre 600 milioni
IL DOCUMENTO
Competenze digitali, ecco il nuovo piano operativo nazionale
STRUMENTI
Da Istat e RGS gli indicatori per misurare la sostenibilità nel PNRR
STRATEGIE
PNRR – Piano nazionale di Ripresa e Resilienza: cos’è e novità
FONDI
Pnrr, ok della Ue alla seconda rata da 21 miliardi: focus su 5G e banda ultralarga
GREEN ENERGY
Energia pulita: Banca Sella finanzia i progetti green incentivati dal PNRR
TECNOLOGIA SOLIDALE
Due buone notizie digitali: 500 milioni per gli ITS e l’inizio dell’intranet veloce in scuole e ospedali
INNOVAZIONE
Competenze digitali e InPA cruciali per raggiungere gli obiettivi del Pnrr
STRATEGIE
PA digitale 2026, come gestire i fondi PNRR in 5 fasi: ecco la proposta
ANALISI
Value-based healthcare: le esperienze in Italia e il ruolo del PNRR
Strategie
Accordi per l’innovazione, per le imprese altri 250 milioni
Strategie
PNRR, opportunità e sfide per le smart city
Strategie
Brevetti, il Mise mette sul piatto 8,5 milioni
Strategie
PNRR e opere pubbliche, la grande sfida per i Comuni e perché bisogna pensare digitale
Formazione
Trasferimento tecnologico, il Mise mette sul piatto 7,5 milioni
Strategie
PSN e Strategia Cloud Italia: a che punto siamo e come supportare la PA in questo percorso
Dispersione idrica
Siccità: AI e analisi dei dati possono ridurre gli sprechi d’acqua. Ecco gli interventi necessari
PNRR
Cloud, firmato il contratto per l’avvio di lavori del Polo strategico
Formazione
Competenze digitali, stanziati 48 milioni per gli Istituti tecnologici superiori
Iniziative
Digitalizzazione delle reti idriche: oltre 600 milioni per 21 progetti
Competenze e competitività
PNRR, così i fondi UE possono rilanciare la ricerca e l’Università
Finanziamenti
PNRR, si sbloccano i fondi per l’agrisolare
Sanità post-pandemica
PNRR, Missione Salute: a che punto siamo e cosa resta da fare
Strategie
Sovranità e autonomia tecnologica nazionale: come avviare un processo virtuoso e sostenibile
La relazione
Pnrr e PA digitale, l’alert della Corte dei conti su execution e capacità di spesa
L'editoriale
Elezioni 2022, la sfida digitale ai margini del dibattito politico
Strategie
Digitale, il monito di I-Com: “Senza riforme Pnrr inefficace”
Transizione digitale
Pnrr: arrivano 321 milioni per cloud dei Comuni, spazio e mobilità innovativa
L'analisi I-COM
Il PNRR alla prova delle elezioni: come usare bene le risorse e centrare gli obiettivi digitali
Cineca
Quantum computing, una svolta per la ricerca: lo scenario europeo e i progetti in corso
L'indice europeo
Desi, l’Italia scala due posizioni grazie a fibra e 5G. Ma è (ancora) allarme competenze
L'approfondimento
PNRR 2, ecco tutte le misure per cittadini e imprese: portale sommerso, codice crisi d’impresa e sismabonus, cosa cambia
Servizi digitali
PNRR e trasformazione digitale: ecco gli investimenti e le riforme previste per la digitalizzazione della PA
Legal health
Lo spazio europeo dei dati sanitari: come circoleranno le informazioni sulla salute nell’Unione Europea
Servizi digitali
PNRR e PA digitale: non dimentichiamo la dematerializzazione
Digital Healthcare transformation
La trasformazione digitale degli ospedali
Governance digitale
PA digitale, è la volta buona? Così misure e risorse del PNRR possono fare la differenza
Servizi digitali
Comuni e digitale, come usare il PNRR senza sbagliare
La survey
Pnrr e digitale accoppiata vincente per il 70% delle pmi italiane
Missione salute
Fascicolo Sanitario Elettronico alla prova del PNRR: limiti, rischi e opportunità
Servizi pubblici
PNRR: come diventeranno i siti dei comuni italiani grazie alle nuove risorse
Skill gap
PNRR, la banda ultra larga crea 20.000 nuovi posti di lavoro
Il Piano
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUMPA2022
PNRR e trasformazione digitale: rivedi i Talk di FORUM PA 2022 in collaborazione con le aziende partner
I contratti
Avio, 340 milioni dal Pnrr per i nuovi propulsori a metano
Next Generation EU
PNRR, a che punto siamo e cosa possono aspettarsi le aziende private
Fondi
Operativo il nuovo portale del MISE con tutti i finanziamenti per le imprese
Servizi comunali
Il PNRR occasione unica per i Comuni digitali: strumenti e risorse per enti e cittadini
Healthcare data platform
PNRR dalla teoria alla pratica: tecnologie e soluzioni per l’innovazione in Sanità
Skill
Competenze digitali, partono le Reti di facilitazione
Gli obiettivi
Scuola 4.0, PNRR ultima chance: ecco come cambierà il sistema formativo
Sistema Paese
PNRR 2, è il turno della space economy
FORUM PA 2022
FORUM PA 2022: la maturità digitale dei comuni italiani rispetto al PNRR
Analisi
PNRR: dalla Ricerca all’impresa, una sfida da cogliere insieme
Innovazione
Pnrr, il Dipartimento per la Trasformazione digitale si riorganizza
FORUM PA 2022
PA verde e sostenibile: il ruolo di PNRR, PNIEC, energy management e green public procurement
Analisi
PNRR, Comuni e digitalizzazione: tutto su fondi e opportunità, in meno di 3 minuti. Guarda il video!
Rapporti
Competenze digitali e servizi automatizzati pilastri del piano Inps
Analisi
Attuazione del PNRR: il dialogo necessario tra istituzioni e società civile. Rivedi lo Scenario di FORUM PA 2022
Progetti
Pnrr, fondi per il Politecnico di Torino. Fra i progetti anche IS4Aerospace
Analisi
PNRR, Colao fa il punto sulla transizione digitale dell’Italia: «In linea con tutte le scadenze»
La Svolta
Ict, Istat “riclassifica” i professionisti. Via anche al catalogo dati sul Pnrr
Analisi
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUM PA 2022
Ecosistema territoriale sostenibile: l’Emilia Romagna tra FESR e PNRR
Il Piano
Innovazione, il Mise “centra” gli obiettivi Pnrr: attivati 17,5 miliardi
Analisi
PNRR: raggiunti gli obiettivi per il primo semestre 2022. Il punto e qualche riflessione
Analisi
PNRR: dal dialogo tra PA e società civile passa il corretto monitoraggio dei risultati, tra collaborazione e identità dei luoghi
Webinar
Comuni e PNRR: un focus sui bandi attivi o in pubblicazione
Analisi
Formazione 4.0: cos’è e come funziona il credito d’imposta
PA e Sicurezza
PA e sicurezza informatica: il ruolo dei territori di fronte alle sfide della digitalizzazione
PA e sicurezza
PNRR e servizi pubblici digitali: sfide e opportunità per Comuni e Città metropolitane
Water management
Water management in Italia: verso una transizione “smart” e “circular” 
LE RISORSE
Transizione digitale, Simest apre i fondi Pnrr alle medie imprese
Prospettive
Turismo, cultura e digital: come spendere bene le risorse del PNRR
Analisi
Smart City: quale contributo alla transizione ecologica
Decarbonizzazione
Idrogeno verde, 450 milioni € di investimenti PNRR, Cingolani firma
Unioncamere
PNRR, imprese in ritardo: ecco come le Camere di commercio possono aiutare
I fondi
Industria 4.0: solo un’impresa su tre pronta a salire sul treno Pnrr

Articoli correlati