A che punto è il Piano pandemico italiano? Dalle ultime notizie, ricavate da un articolo del Sole 24 Ore pubblicato il 23 febbraio 2026, l’Italia non ha ancora pubblicato il Piano Pandemico 2025-2029. L’ultima bozza disponibile risale all’estate 2025 ed è oggetto di un rimpallo tra Ministero della Salute, Regioni e Ministero dell’Economia, che ha sollevato dubbi sulle coperture finanziarie.
È un elemento che si aggiunge al voto contrario dell’Italia al piano pandemico dell’Organizzazione mondiale della sanità (OMS) e alle polemiche sui metodi di nomina del Gruppo Consultivo Nazionale sulle Vaccinazioni (di cui Scienza in rete ha parlato qui), e riaccende così le discussioni e le critiche sulla gestione di epidemie e pandemie.
Nel piano in discussione in Italia, disponibile in bozza presso il sito del Quotidiano Sanità, e pur con le criticità già segnalate anche su Scienza in rete, si prevedono alcune azioni per limitare il contagio e/o le conseguenze sanitarie del diffondersi di agenti patogeni. Una di queste è la sorveglianza epidemiologica, che dovrebbe costituire la base conoscitiva per ulteriori azioni.
Riflettere su quanto è avvenuto con la pandemia di Covid-19 potrebbe farci comprendere meglio quali sono le nostre possibilità di contrasto e quali azioni potrebbero avere migliore efficacia, anche solo per fornire una migliore cornice interpretativa dei dati raccolti.
Per questo siamo tornati su un’analisi che abbiamo svolto nei primi mesi della pandemia, per fornire un quadro interpretativo sui tempi e le eventuali decisioni da prendere. Lo scenario di allora era quello di un’epidemia di un virus a trasmissione aerea che provocava una crisi respiratoria acuta sulla base di una esagerata risposta infiammatoria vascolare. Questo comportava un sovraccarico delle strutture sanitarie, in particolare quelle di emergenza e di cure intensive, a fronte anche di una carenza di strumenti per facilitare la respirazione in situazioni critiche. Dunque, la criticità da noi analizzata è stata quella dei ricoveri in unità intensiva, sia come indicatore dei casi realmente gravi, sia per monitorare l’uso delle risorse nel corso dell’andamento epidemico. Abbiamo raccontato qui su Scienza in rete il risultato del lavoro.
Poiché nei primi mesi del 2020 l’epidemia di Covid-19 ha colpito prevalentemente le regioni del Nord, abbiamo proposto un’analisi dell’andamento epidemico a livello regionale, scegliendo il Piemonte, poiché chi scrive operava allora in quella Regione e quindi aveva più facile accesso anche a informazioni non strutturate e pubblicate; inoltre il feed-back con quanto succedeva era immediato. Inoltre, a parte le direttive maggiori nazionali, le Regioni erano quelle deputate a mettere concretamente in pratica tali direttive destinando le risorse a disposizione con una certa discrezionalità.
Il modello prevedeva di stimare i nuovi accessi in unità intensiva a partire dalla dinamica di contagio delle popolazioni suscettibili che, al procedere del contagio, si trasformavano in popolazioni non più suscettibili, perché infetti e guariti, oppure infetti e malati. Questo presuppone una dinamica non lineare che, tradizionalmente, viene descritta dai cosiddetti modelli compartimentali SIR, oppure, come in questo caso SEIR, ovvero Suscettibili, Esposti (cioè infetti ma non ancor contagiosi), Infetti e contagiosi, e infine Resistenti (immuni). La transizione fra i diversi stati (compartimenti) è poi regolata dai tassi specifici che misurano la velocità e probabilità delle transizioni fra un compartimento e l’altro. A ogni ciclo giornaliero, una frazione dei casi nel compartimento degli infetti richiedeva un ricovero in unità intensiva, e di questi alcuni decedevano secondo il tasso di mortalità stimato nello specifico periodo. Per il lettore interessato, una più precisa descrizione del metodo ed i parametri utilizzati è disponibile nel box metodologico dell’articolo precedente citato.
Gli scenari stimati erano due: uno con una fase di isolamento (lockdown) breve e poi rilascio completo delle misure di contenimento, e l’altro con un rilascio più progressivo accompagnato da misure di sorveglianza, tracciamento ed eventuale isolamento di soli casi specifici.
Quello era il modello. Ma cosa si è osservato nella realtà?
Siamo quindi andati a vedere quelli che furono i reali ricoveri in unità intensiva in quel periodo prendendo i dati dai repository nazionali GitHub, in modo che, eventualmente, tale analisi fosse facilmente riproducibile in altri contesti regionali.
In figura 1 quindi confrontiamo l’andamento dei ricoveri nei reparti di cura intensiva (curva rossa), stimato dallo scenario 2, ovvero quello a rilascio progressivo delle misure di isolamento, più simile a quanto avvenuto, con i dati reali smussati con media mobile di ricovero in unità intensiva nello stesso periodo (curva verde), come forniti dal sito ministeriale. Inoltre, il livello di soglia critica di disponibilità di letti attrezzati in cura intensiva è stato ridotto 350 letti, più vicino a quanto realmente osservato in Piemonte.
Ebbene, mentre sino ad aprile c’è una sostanziale convergenza fra i dati reali e il modello, da maggio il modello si discosta, fornendo stime più alte, anche se ancora sotto la soglia critica di saturazione delle risorse. La diminuzione drastica dei casi reali è stata dovuta al mantenimento delle misure restrittive, mentre nel modello si ammettevano misure più blande di semplice sorveglianza e isolamento solamente in situazioni limitate e specifiche.
Il modello non intercetta le due ondate successive: quella dell’autunno 2020 e quella della primavera del 2021. Entrambe però erano sostenute ormai da varianti diverse, con diversi indici di riproduzione e altri parametri clinici. Questo ci mostra la necessità di prevedere le veloci mutazioni dei virus di quel tipo e a includere questo effetto per una stima più vicina a quanto osservato.
Tuttavia, la discussione che traspare intorno alle misure di contenimento, sia per la bozza del Piano Nazionale, sia per quello votato all’assemblea dell’OMS, ancora si concentra da un lato sulla reale efficacia delle misure stesse, dall’altro sul rapporto con i costi, anche sociali e non solo economici, che queste implicano. A posteriori, l’effetto delle misure di contenimento è stato studiato confrontando il risultato fra i diversi Paesi, o regioni, che hanno adottato strategie differenti. Qui uno dei più completi e recenti studi in merito, che però si riferisce ai soli Stati Uniti, con un confronto interno fra Stati.
Il problema principale di questi studi, laddove si vogliano fare confronti internazionali, è quello di confrontare Paesi con sistemi sanitari differenti e politiche di contenimento molto varie, che ne aumentano la variabilità intrinseca diminuendo la confrontabilità. Una delle prime metanalisi conclude infatti che l’ampia variabilità degli studi ne limita il confronto dei risultati.
Per garantire maggior confrontabilità, altri studi si concentrano sulla mortalità (per esempio qui, qui e qui), rinunciando così ad analizzare una dimensione importante della morbilità, in particolare ospedaliera, che costituisce uno dei punti di stress durante gli episodi epidemici. Tuttavia, anche in questo caso insorgono alcuni problemi metodologici nel calcolo omogeneo dell’excess death rate, laddove si considerino modelli differenti che tengano o meno conto delle differenze di età, del calcolo della mortalità di base, soggetta a dinamiche differenti per ciascun paese, e della lunghezza del periodo precedente considerato, come evidenziato in questo studio.
Altresì pongono problemi metodologici gli indici di distanziamento sociale utilizzati: non c’è un vero consenso in questo campo, e praticamente ogni studio propone elaborazioni differenti a partire dai database internazionali disponibili. Il più utilizzato e disponibile è il Oxford Covid-19 Government Response Tracker (OxCGRT), ma da questo sono possibili poi diverse elaborazioni.
Una possibile soluzione che offrirebbe la possibilità di confronti internazionali su base comune sarebbe appunto quella di utilizzare il OxCGRT in congiunzione con l’Attesa di vita alla nascita, indicatore attuariale disponibile annualmente presso praticamente tutte le nazioni e raccolto con medesima metodologia. Ha il vantaggio di essere “auto standardizzato” per età, poiché si compone come complemento della sommatoria (qui produttoria) della mortalità specifica per singolo anno di età, trasformato poi in anni di vita. La componente principale, quella cioè che deriva dal dato empirico, senza modellizzazioni, è quindi la mortalità generale osservata, indicatore molto stabile.
Come esercizio dimostrativo, si propone in figura 2 un’analisi della variazione percentuale degli anni di vita nel 2020 rispetto al 2019 per i paesi europei includendo anche USA e Giappone e per l’indice di “contenimento” OxCGRT (media 2020), come calcolato nell’articolo di analisi del database OMS.
Il risultato che se ne ricava è quello di un trend negativo con una paradossale diminuzione degli anni di vita attesi all’aumentare delle misure di lockdown: questo dovrebbe farci riflettere sulla presenza di un evidente inverse causation bias. Infatti, quello che appare essere capitato è che, all’aumentare della pressione pandemica, si sia risposto “a posteriori” con misure di chiusura, laddove il virus ormai era circolato e aveva avuto modo di avvantaggiarsi di quella settimana o 15 giorni di latenza ed incubazione che questo agente virale trasmissibile per via aerea aveva dimostrato avere.
Questo piccolo esercizio ci illustra ancora una volta – se ce ne fosse bisogno – i limiti metodologici di tutti quegli studi che tendano di spiegare con una relazione causale fenomeni complessi, Lo studio di tali fenomeni richiede innanzitutto l’esplicita concettualizzazione, ed eventualmente la simulazione, di modelli teorici di riferimento dell’epidemiologia della malattia in questione su cui innestare in un secondo momento possibili interventi di salute pubblica. Questo approccio consente di disegnare veri e propri studi controllati e di interpretarne i risultati alla luce delle dinamiche sottostanti i fenomeni osservati e non direttamente osservabili, e quindi di arrivare a conclusioni dal valore operativo basato su evidenze.
In conclusione, se un messaggio possiamo ricavare da questa esperienza è quella di utilizzare sempre modelli dinamici (SIR e SEIR) per predire le possibili evoluzioni della trasmissione delle malattie infettive, poiché la loro performance è buona e consente nel breve periodo di intercettare bene gli andamenti dei contagi, e i conseguenti impatti sulle strutture sanitarie, avendo però l’attenzione di prevedere anche le possibili dinamiche di mutazione che, nel caso in particolare di virus, sono fondamentali.
Un secondo messaggio è che questi modelli epidemiologici e di interventi di salute pubblica dovrebbero essere preparati e testati prima che uno stato di emergenza si manifesti, in modo tale da ottimizzare i tempi di reazione, la validità delle proiezioni e la fiducia nelle conclusioni.
Infine, crediamo che sia importante andare oltre le statistiche basate sulla mortalità, e di osservare, possibilmente in maniera standardizzata e tempestiva, quelli che sono gli impatti in termini di ricoveri ospedalieri nelle diverse strutture di pronto soccorso, ricovero normale e unità intensive.
