Data pubblicazione
13 marzo 2026
Autori
Massimiliano Tempesta
Tiziano Modotti
Topic
Industrial IoT SolutionsLife SciencesConnected Health: e se il dispositivo sul campo potesse agire davvero?
Da qualche tempo la percezione rispetto agli asset fisici sta cambiando. Un esempio arriva dal mondo delle grandi utility energetiche. Un asset come una cabina non più un componente di rete ma cambia la propria funzione, diventando una fonte continua di dati aggiornati in real-time. Ne consegue che il valore oggi è nell’orchestrare le informazioni prodotte in un ciclo di vita. Ci sono ambiti dove questa prospettiva fatica ad essere valutata. Tra questi spicca l’ambito sanitario. Quando un defibrillatore in terapia intensiva ha una batteria compromessa che nessun sistema ha segnalato, il danno è di un ordine di grandezza diverso da un black-out di quartiere, perché in gioco ci sono delle vite.
Dal modello IoT predominante al paradigma edge-first
Ad oggi il modello IoT dominante funziona così: il sensore rileva, il dato sale in cloud, un algoritmo lo elabora, un operatore riceve una notifica. Ha prodotto risultati, ma ha un difetto strutturale che in ambienti ad alta criticità diventa insostenibile: la latenza del ciclo dato-elaborazione-azione. Latenza che in ambienti specifici può fare la differenza.
Il paradigma edge-first ribalta lo schema. L'intelligenza risiede nel dispositivo e a contatto diretto con il campo. Un agente software embedded analizza in tempo reale, rileva anomalie, agisce localmente nell’ordine di millisecondi. In questo modo a cambiare non è la pipeline del dato ma il punto di decisione, che dalla fine viene traslato all’inizio del ciclo.
Tre scenari dal panorama health-care
In questo caso l’ambito ospedaliero, già citato in precedenza, si presta a numerose implementazioni edge-first. Il primo scenario si consuma in ambito emergenziale con i defibrillatori. Un agente embedded cambia tutto: monitora le curve di carica e scarica, rileva il degrado in anticipo, genera proattivamente una richiesta di intervento calibrata sulla condizione reali. I risultati misurati su implementazioni reali confermano la direzione: uno studio pubblicato sul Journal of Medical Systems ha documentato risparmi sui costi di manutenzione fino al 25%, con un payback period inferiore a un anno. Lo shift paradigmatico più rilevante non è economico ma clinico. Un'ispezione su oltre 23.000 defibrillatori pubblici condotta tra il 2013 e il 2017 e pubblicata su Scientific Reports ha rilevato che quasi uno su sei non era pronto all'uso al momento del controllo. I motivi sono tra i più disparati, spaziando dalla batteria scarica agli elettrodi scaduti o al malfunzionamento del dispositivo. In un contesto in cui la sopravvivenza all'arresto cardiaco scende di circa il 10% per ogni minuto senza intervento, e in cui la disponibilità immediata di un defibrillatore funzionante fa salire le probabilità di sopravvivenza dall'8–10% fino al 50–74%, la continuità operativa del dispositivo diventa una variabile clinica diretta.
Lo stesso vale per i macchinari per la dialisi, quasi completamente disconnessi da architetture IoT strutturate. La componente agentica nel dispositivo monitora pressione transmembrana, portata ematica, conducibilità del liquido dialitico e costruisce un modello predittivo specifico per quella macchina. Il contributo più interessante è però di sistema: quando l'intera flotta converge su una piattaforma comune, correlare performance operative e outcome clinici diventa possibile. In questo caso si parla di qualcosa di strutturalmente impossibile con dispositivi isolati.
Il terzo caso è la chirurgia robotica, dove la latenza non è una questione di efficienza ma di sicurezza fisica. Una revisione sistematica del 2025 sul Journal of Robotic Surgery ha fissato a 200ms la soglia critica: oltre quel valore, la desincronizzazione tra gesto e risposta del braccio robotico impatta direttamente sulla precisione superando quindi la degradazione accettabile, oltre la quale ogni operazione diventa clinicamente impattante sull’intervento e sul paziente. Architetture cloud-centriche non possono garantire quella consistenza. Un nodo edge fisicamente prossimo alla sala operatoria sì.
Dal dispositivo alla piattaforma
Questi casi sono uniti da un comune denominatore: ogni volta che l'intelligenza si sposta al layer di generazione del dato, si crea qualcosa di più grande della singola ottimizzazione: un nodo ecosistemico.
L'approccio IoTomic sviluppato in BIP parte esattamente da questo assunto. Il modello si articola su tre strati: in basso i generatori di dati cioè macchinari biomedici, sistemi di monitoraggio, infrastruttura energetica dei reparti critici; in campo ed al centro la piattaforma comune, costruita su architetture a microservizi e protocolli aperti; distribuiti sia in campo sia sulla piattaforma invece troviamo le componenti agentiche e le applicazioni che agiscono sui dati raccolti. La logica non è "un dispositivo, un sistema, un'applicazione chiusa": è quella di un marketplace in cui operatori diversi contribuiscono dati e accedono a servizi sviluppati sulla stessa infrastruttura condivisa.
Un elemento chiave è la portabilità del software sull'hardware esistente. SDK aperti e API documentate sono la leva che abbatte le barriere dell’adoption per sviluppatori e operatori terzi trasformando asset già installati in nodi attivi di un ecosistema aperto senza richiedere la sostituzione dei dispositivi in campo e consentendo virtualmente a chiunque di costruire soluzioni compatibili e compliant sulla stessa infrastruttura. È il passaggio da una logica di ammodernamento ciclico a una logica di ecosistema in evoluzione continua: nuove funzionalità distribuite via software, nuovi agenti attivati senza interventi fisici, valore che si accumula sulla piattaforma anziché deprezzarsi con il singolo dispositivo.
Per i produttori di tecnologie biomediche, questo ribalta il modello di ricavo andando a garantire la prontezza operativa del presidio o la continuità dello stesso e non il singolo dispositivo. Chi fa questo salto prima avrà un vantaggio strutturale. Chi resta nella logica del dispositivo chiuso rischia di diventare commodity.
Come cambia il posizionamento delle strutture sanitarie
A luglio 2025 la FDA aveva autorizzato oltre 1.250 dispositivi medici con AI/ML embedded, con 295 nuovi clearance nel solo anno. Uno studio di simulazione pubblicato su Engineering Proceedings nel 2026 stima, su classi di dispositivi ospedalieri rappresentativi (imaging, patient monitoring, analizzatori, sterilizzatori e pompe) una riduzione del 18–35% dei guasti non pianificati e del 10–22% dei consumi elettrici rispetto a piani di manutenzione tradizionali. L'intelligenza nel dispositivo non è più una prospettiva: è un fatto regolatorio che il mercato sta incorporando.
La domanda che decide il posizionamento di una struttura sanitaria nel prossimo decennio non è quanti dispositivi sono connessi. È: che tipo di piattaforma vogliamo essere? I dispositivi sanno già tutto quello che serve per tenere pronta una struttura. Ad impedirne l’ascolto, oggi, è un cambio di paradigma che potrebbe essere raggiunto con un nuovo approccio già esistente.