Il NEXT GEN HACKATHON nasce come laboratorio congressuale ad alta intensità progettuale, coerente con il claim 2027 “AI entra in sanità, l’umanità resta al centro”. L’obiettivo è mettere il Medico di Medicina Generale nella condizione di progettare, con il supporto dell’Intelligenza Artificiale, percorsi di presa in carico multiprofessionali adattati a territori con bisogni, risorse e vincoli differenti.
L’AI agisce come copilota: supporta l’analisi dei dati, la mappatura delle risorse, la costruzione dei percorsi e la simulazione delle criticità. La regia clinica, la definizione delle priorità e la responsabilità delle scelte restano in capo al medico. Il format traduce in pratica i principi di Value Health, human in the loop, prossimità, integrazione multiprofessionale e uso appropriato delle risorse.
Obiettivi del format
- Allenare i partecipanti a progettare percorsi di presa in carico realistici, misurabili e trasferibili nella pratica.
- Valorizzare il ruolo del MMG come coordinatore clinico del team territoriale.
- Integrare in modo appropriato infermieri, segreteria clinica, specialistica ambulatoriale, servizi sociali, telemedicina e diagnostica di primo livello.
- Utilizzare l’AI come strumento di supporto alla decisione e all’organizzazione, mantenendo il professionista all’interno del processo decisionale.
- Confrontare modelli diversi di assistenza e identificare soluzioni adattabili a contesti territoriali eterogenei.
Format operativo
Quattro LAB-Hackathon paralleli, ciascuno assegnato a un territorio simulato. Le squadre ricevono un dossier contenente caratteristiche demografiche, risorse professionali disponibili, vincoli organizzativi, dati clinici sintetici e una popolazione/caso indice. Il compito è progettare un percorso di presa in carico completo e sostenibile
LAB 1 – Area metropolitana. Alta densità di popolazione e servizi, elevata frammentazione dei percorsi. Obiettivo: coordinare risorse numerose riducendo duplicazioni, accessi impropri e perdita di continuità.
LAB 2 – Territorio montano. Bassa densità, distanze elevate, popolazione anziana e fragile.
Obiettivo: portare la cura verso il paziente attraverso domiciliarità, telemedicina, diagnostica portatile e integrazione professionale.
LAB 3 – Area disagiata. Fragilità socioeconomica, barriere di accesso e bassa health literacy.
Obiettivo: usare dati e rete territoriale per intercettare bisogni sommersi, ridurre disuguaglianze e rendere la presa in carico proattiva.
LAB 4 – Piccolo centro. Comunità a forte prossimità, poche risorse specialistiche in presenza.
Obiettivo: costruire una Medicina Generale ad alta capacità risolutiva integrando ambulatorio, infermieristica, teleconsulto, diagnostica di primo livello e rete sociale
Output richiesti a ciascuna squadra
- Mappa del percorso di presa in carico, dalla identificazione del bisogno al follow-up.
- Distribuzione di ruoli e responsabilità tra MMG, infermiere, segreteria clinica, specialistica ambulatoriale e servizi sociali.
- Strumenti digitali, diagnostici e di telemedicina utilizzati, con relativo razionale.
- Modalità di coinvolgimento del paziente e del caregiver.
- Da 3 a 5 indicatori di Value Health per misurare efficacia, accessibilità, appropriatezza e sostenibilità del modello.
- Pitch finale sintetico del progetto
Valutazione finale e Comitato Tecnico
Ogni progetto viene valutato da un Comitato Tecnico multidisciplinare. Per limitare la componente soggettiva, la valutazione utilizza una griglia condivisa con punteggi predefiniti. Si propone una scala complessiva di 100 punti
Parametro | Peso | Criterio oggettivo |
Coerenza con i bisogni del territorio | 15 | l percorso utilizza correttamente caratteristiche, vincoli e risorse assegnati |
Centralità e continuità della presa in carico | 15 | Ruoli, responsabilità, passaggi e follow-up sono chiaramente definiti. |
Integrazione multiprofessionale | 15 | Uso appropriato e non ridondante di MMG, infermiere, segreteria clinica, specialisti e sociale. |
Value Health | 15 | Sono definiti outcome rilevanti per il paziente e indicatori misurabili di valore. |
Appropriatezza clinico-organizzativa | 15 | Le scelte sono plausibili, sicure, proporzionate e coerenti con il livello territoriale. |
Uso dell’AI e degli strumenti digitali | 15 | L’AI migliora analisi o organizzazione senza sostituire la responsabilità professionale. |
Fattibilità e sostenibilità | 15 | l modello può essere implementato con risorse realistiche e carico di lavoro sostenibile. |
Qualità del pitch finale | 15 | Chiarezza, sintesi e capacità di rendere comprensibile il modello. |
Criteri di assegnazione del punteggio
Per ciascun parametro il Comitato assegna un punteggio da 0 a 5, poi convertito secondo il peso previsto:
0 = assente/non affrontato;
1 = insufficiente;
2 = parziale;
3 = adeguato;
4 = molto buono;
5 = eccellente.
In caso di parità, prevalgono nell’ordine: Value Health, integrazione multiprofessionale, fattibilità.
Restituzione congressuale
La fase conclusiva prevede la presentazione in plenaria dei quattro modelli, con confronto tra territori e discussione dei criteri che hanno guidato le scelte. L’obiettivo non è individuare un unico modello “vincente”, ma mostrare come la stessa Medicina Generale possa adattare organizzazione, strumenti e reti professionali al contesto, mantenendo costanti centralità della persona, responsabilità clinica e produzione di valore.
Messaggio chiave
L’AI non progetta la Medicina Generale al posto del medico: aiuta il medico a progettare una Medicina Generale migliore per il territorio in cui lavora
