S‑RACE è la piattaforma del San Raffaele per portare modelli predittivi, validati e interpretabili, dentro i percorsi di cura.
Nasce dall’esperienza maturata durante l’emergenza Covid e si evolve in un’infrastruttura cloud per ricerca clinica, modellazione AI, validazione multi‑centro e applicazioni cliniche.
La sfida dell’AI medica non è più soltanto produrre algoritmi, ma renderli affidabili, spiegabili, integrati nei flussi ospedalieri e conformi alle normative.
Fortune Italia descrive S‑RACE come risposta al divario tra migliaia di studi sull’AI medica e poche applicazioni realmente entrate nella pratica clinica. La piattaforma nasce per portare la medicina predittiva fuori dai laboratori e dentro i percorsi di cura.
Avvenire racconta la nascita del prototipo durante la primavera 2020: dall’emergenza del pronto soccorso, alla telefonata a Microsoft Healthcare Europe, fino al modello predittivo sviluppato con 5 parametri clinici e dati di 1.500 pazienti Covid da 15 ospedali.
“L’AI deve restare uno strumento di supporto alla decisione clinica, non un sostituto del giudizio medico.”
S‑RACE copre l’intero ciclo di vita di dati e modelli: selezione coorti, ingestion, standardizzazione FHIR, esplorazione clinica, modellazione, validazione, registrazione, deployment e inferenza.
La governance combina controlli organizzativi e tecnici: AI Management System, risk management, tracciabilità, auditabilità, qualità del dato, sicurezza e monitoraggio operativo.
Ruoli formalizzati, evidenze documentali, logging, technical documentation e controlli di rischio.
Dati trattati on‑premise fino alla de‑identificazione; cloud data lake solo dopo strutturazione e protezione.
SHAP, feature importance, counterfactual analysis, error analysis e Responsible AI dashboard.
Architettura basata su NVFlare per collaborazioni multi‑centro senza trasferimento fisico dei dati.
Dati principali narratraggiornati al 31/05/2026.
Portfolio clinico organizzato per linee progettuali: S‑RACE, D34Health, S‑RACE Platform, imaging e altri grant.
| Use case | Domanda clinica / obiettivo | Pazienti caricati | PI / area |
|---|---|---|---|
| UC1 Lung Cancer S‑RACE | Fattori predittivi e prognostici nel NSCLC metastatico, con focus su failure precoce e long survival biomarkers. | 301 | Reni |
| UC2 Kidney Cancer S‑RACE | Stratificazione dei pazienti con carcinoma renale non metastatico per probabilità di sopravvivenza a 5 anni. | 2.532 | Salonia |
| UC3 Cardiovascular / TAVI S‑RACE | Predizione di mortalità / heart failure a un anno dopo TAVI combinando dati baseline e feature CT. | 563 | Esposito |
| UC4 Diabetes T2 S‑RACE | Algoritmi ML, statistici e causali per individuare il trattamento di seconda linea ottimale. | 10.570 | Piemonti · Bosi · Rovere Querini |
| UC5 Metastatic Colon Cancer D34Health | Predizione di recurrence dopo resezione epatica e risposta a chemioterapia neoadiuvante. | 1.378 | De Cobelli |
| UC8 Diabetes T1 D34Health | Predizione della partial clinical remission e rischio di complicanze micro/macrovascolari. | 6.329 | Piemonti · Bosi · Rovere Querini |
| UC9 Multiple Sclerosis D34Health | Score multi‑parametrico per risposta a trattamenti ad alta efficacia e rischio di riattivazione precoce. | 4.415 | Filippi |
| UC16 Prostate Cancer Platform | Modello AI basato su MRI e variabili cliniche per predire tumore prostatico clinicamente significativo. | 2.143 | Briganti |
| UC20 ARIA Platform | Algoritmo AI per screening del tumore polmonare tramite CT scan. | 996 | Veronesi |
| UC21 Pancreas AIRC Platform | Modelli ML/AI per risk stratification di IPMN su dati clinici e radiologici. | 2.210 | Crippa · De Cobelli |
Le web application rendono i modelli interrogabili da clinici e reviewer, senza esporre codice o infrastruttura.
Form con variabili numeriche, categoriche e booleane, validazione e calcoli automatici.
Invio strutturato verso endpoint AI tramite REST e ricezione output JSON.
Risk group, SHAP graph, boxplot rispetto alla popolazione di training.
Curve Kaplan‑Meier per confrontare predizione individuale e popolazione di riferimento.
Passare da una medicina costruita sulla media statistica a una medicina modellata sul singolo paziente, integrando dati clinici, imaging, laboratorio, referti e modelli interpretabili.
Rendere i dataset clinici comprensibili, documentati e adatti alla modellazione.
Trasformare Real‑World Data in evidenze riproducibili, verificabili e auditabili.
Portare i modelli validati in interfacce cliniche semplici, spiegabili e monitorate.