Un assistente digitale alla prescrizione medica riduce l'abbandono degli antidepressivi del 37%

Cosa è successo

Un trial randomizzato internazionale confronta "usual care" e un tool web (PETRUSHKA) che suggerisce un antidepressivo personalizzato — incrociando variabili cliniche e demografiche con le preferenze esplicite del paziente.Il risultato pratico auspicabile: meno interruzioni precoci del trattamento. A 8 settimane, la discontinuazione per qualunque motivo scende da 27% a 17%. Si riduce anche l’interruzione per eventi avversi (dal 16% al 9%). A 24 settimane si osservano punteggi migliori su depressione e ansia.

La vera tassa degli antidepressivi non è "non funzionano": è il drop-out nelle prime settimane, quando effetti collaterali inattesi, aspettative disilluse o scarsa fiducia nel farmaco fanno abbandonare prima che l'effetto arrivi.Le linee guida invocano personalizzazione da anni, ma i biomarcatori — la promessa più attesa — non hanno ancora prodotto uno strumento utilizzabile nella pratica clinica quotidiana. Questo studio imbocca una strada diversa: invece di aspettare la biologia, struttura la decisione prescrittiva come un problema di routing — variabili in entrata, output raccomandato — sottraendola alla variabilità dell'intuito clinico.

• Il tool non “indovina” la biologia. Riduce l’errore decisionale su due leve concrete: integra variabili che i clinici spesso non pesano in modo sistematico: incorpora preferenze/rischi percepiti (cosa spaventa di più: insonnia? aumento di peso? sedazione?). Il risultato è una scelta più tollerabile → più continuità → maggiore probabilità di beneficio nel tempo.

Perché è importante

• Digital therapeutics invisibili: valore non come app a parte, ma come layer che modifica prescrizione e aderenza. Il tool agisce a monte, nella stanza del medico, invisibile per il paziente ma determinante per l'esito.
• Nuova unità economica: se si riducono interruzioni precoci, si riducono visite ripetute, switch, cronicizzazione e costi indiretti. Il valore è nella catena di eventi che non accadono: il ricovero evitato, lo switch saltato, la cronicizzazione scongiurata.
• Standardizzazione: la prescrizione diventa più replicabile tra medici e tra centri (meno variabilità "di stile"). Oggi due clinici davanti allo stesso paziente possono arrivare a scelte molto diverse — il tool riduce la parte arbitraria di quella variabilità.
• Ci sono anche dei rischi: dipendenza da dati, bias dei modelli (magari basati su dati storici che riflettono diseguaglianze già esistenti), e integrazione con responsabilità clinica (chi risponde se l’output è sbagliato o incompleto).

E adesso?

• Repliche in altri sistemi sanitari e integrazione in EHR (non "tool esterno" ma parte del flusso). Il vero test è sopravvivere al contatto con sistemi diversi e diventare parte del flusso, non restare un add-on ignorato dopo il pilot;
• Outcome real-world su aderenza a 6–12 mesi e ricadute, non solo 8 settimane. I numeri che contano davvero — chi ricade, chi switcha, chi smette silenziosamente — i trial controllati non li vedono;
• Modelli di rimborso: pagamento per miglioramento misurabile (aderenza/outcome), non per licenza software. Finché si paga la licenza indipendentemente dal risultato, l'incentivo a ottimizzare l'outcome resta debole.