Prevedere per Proteggere: L’Intelligenza dei Dati al Servizio delle Famiglie con Hello Baby

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi appassiona davvero: come possiamo usare la tecnologia e i dati, non per cose futuristiche e lontane, ma per affrontare problemi reali e urgenti, come la protezione dei bambini più vulnerabili. Immaginate di poter avere una sorta di “sfera di cristallo” che ci aiuti a capire quali famiglie potrebbero aver bisogno di un supporto extra, prima che le cose si complichino. Sembra fantascienza? Beh, non proprio. Vi racconto la storia del programma “Hello Baby” nella contea di Allegheny, in Pennsylvania.

La Sfida Enorme della Prevenzione

Partiamo da un presupposto: prevenire l’abuso e la trascuratezza sui minori (quello che in gergo tecnico chiamiamo child maltreatment) è una sfida gigantesca. Perché? Principalmente perché, per fortuna, i tassi annuali di incidenza sono relativamente bassi sulla popolazione generale. Questo significa che anche quando individuiamo famiglie che sulla carta sembrano “a rischio” secondo criteri standard (come la povertà o l’essere madri adolescenti), la probabilità che si verifichi effettivamente un maltrattamento grave rimane bassa.

Questo crea due grossi problemi:

• Costi: Offrire servizi di prevenzione intensivi, come le visite a domicilio, a tantissime famiglie “per sicurezza” è estremamente costoso.
• Valutazione: È difficile dimostrare l’efficacia di un programma di prevenzione, perché servirebbe un numero enorme di famiglie partecipanti per vedere una riduzione statisticamente significativa dei casi di maltrattamento.

Insomma, per anni ci siamo trovati un po’ con le armi spuntate, cercando di aiutare ma sapendo di non poter raggiungere in modo mirato chi ne aveva davvero più bisogno. I finanziamenti, poi, spesso arrivano quando il danno è già avvenuto, in modo reattivo piuttosto che preventivo.

Ecco che Entrano in Gioco i Dati: I Modelli di Rischio Predittivo (PRM)

Qui arriva la svolta interessante. Negli ultimi decenni, le amministrazioni pubbliche hanno iniziato a raccogliere e, soprattutto, a integrare enormi quantità di dati amministrativi. Parliamo di dati sulle nascite, sui servizi sociali, sul sistema sanitario, sulla giustizia… un patrimonio informativo incredibile, se usato bene.

Ed è qui che nascono i Modelli di Rischio Predittivo (PRM). Cosa sono? Immaginateli come algoritmi intelligenti che analizzano tutti questi dati anonimizzati per calcolare un “punteggio di rischio” per ogni individuo o famiglia. Nel nostro caso, l’obiettivo è identificare i neonati che hanno una probabilità più alta di subire un allontanamento da casa per maltrattamento entro i primi 3 anni di vita.

Il bello è che questi modelli lavorano “dietro le quinte”, usando dati già esistenti, senza bisogno di questionari aggiuntivi o lavoro extra per operatori e famiglie. Un modo efficiente per fare uno screening su tutta la popolazione.

Hello Baby: Un Approccio Innovativo in Allegheny County

La contea di Allegheny, grazie a un investimento lungimirante in un data warehouse integrato, ha deciso di fare il grande passo. Nel 2016 hanno iniziato a sviluppare, insieme ai fornitori di servizi locali, il programma Hello Baby, lanciato in via sperimentale nel 2020.

La vera unicità di Hello Baby sta proprio nell’uso di un PRM per “stratificare” tutte le nuove nascite della contea in tre livelli di priorità per i servizi:

• Livello Base: Supporto universale disponibile per tutte le famiglie.
• Livelli Prioritari: Servizi più intensivi e un approccio proattivo da parte degli operatori per le famiglie identificate dal PRM come a rischio più elevato (in particolare, il top 5% con i punteggi più alti).

È importante sottolineare una cosa: alle famiglie viene comunicato alla nascita che i loro dati amministrativi potrebbero essere usati per verificare l’idoneità a programmi di supporto aggiuntivi. Ricevono anche una cartolina per esercitare il diritto di opt-out, cioè di rifiutare questo screening. Solo dopo 6 settimane dalla nascita, se la famiglia non si è opposta, l’algoritmo viene eseguito. L’eventuale contatto e l’adesione ai servizi avvengono poi su base volontaria, con il consenso della famiglia.

Costruire e Testare il Modello: Come Hanno Fatto?

Per creare questo PRM, un team di ricerca ha usato dati anonimizzati di oltre 52.000 bambini nati nella contea tra il 2012 e il 2015. Hanno considerato tantissime variabili (features): caratteristiche del bambino e della madre dai certificati di nascita, dati sui padri (se noti), e informazioni da altri sistemi come i servizi sociali (CPS), i servizi per i senzatetto, la giustizia penale, riguardanti genitori e fratelli. Non hanno incluso dati sanitari specifici perché disponibili solo per chi usufruisce di servizi pubblici.

L’obiettivo era prevedere l’allontanamento del bambino da casa per maltrattamento entro i 3 anni. Hanno scelto questo indicatore perché riflette un esito grave che l’intervento voleva prevenire e che coinvolge anche il sistema giudiziario, non solo una segnalazione o una valutazione interna dei servizi.

Hanno “addestrato” il modello usando una tecnica statistica chiamata LASSO (Least Absolute Shrinkage and Selection Operator) sul 70% dei dati e l’hanno poi testato sul restante 30% (il holdout set), assicurandosi che fratelli e sorelle fossero tutti nello stesso gruppo (o training o test) per evitare “contaminazioni”. Il modello è stato ottimizzato per massimizzare l’AUC (Area Under the Curve), un indicatore che misura la capacità del modello di ordinare correttamente gli individui per rischio.

La Prova del Nove: La Validazione Funziona?

E qui viene il bello. I risultati sul set di test sono stati notevoli:

• L’AUC ha raggiunto 0.93 (su una scala da 0.5 a 1, dove 1 è perfetto), indicando un’ottima capacità predittiva.
• Il gruppo identificato come prioritario (il top 5% dei punteggi di rischio) rappresentava ben il 54% di tutti i bambini effettivamente allontanati entro i 3 anni in quel campione.
• La precision era del 19.9%, significa che circa 1 bambino su 5 in quel gruppo prioritario è stato poi effettivamente allontanato (ricordiamo che l’allontanamento è comunque un evento raro).

Ma non si sono fermati qui. Hanno fatto una cosa fondamentale: la validazione esterna. Hanno verificato se i punteggi del PRM fossero correlati anche ad altri esiti avversi, non usati per addestrare il modello. Ebbene, la correlazione era forte e “graduata” (più alto il punteggio, maggiore la prevalenza dell’esito negativo) per tantissimi indicatori:

• Mortalità infantile e materna.
• Eventi di quasi-fatalità o fatalità legati a maltrattamento.
• Apertura di casi presso i servizi sociali.
• Accessi al pronto soccorso materno.
• Senzatetto materno.
• Arresti materni o paterni.
• Incercerazione materna o paterna.

In particolare, i bambini nel top 5% del rischio avevano una probabilità 5.5 volte maggiore di essere coinvolti in un evento di maltrattamento quasi-fatale o fatale rispetto al resto della popolazione. Questo è importantissimo: il modello, pur addestrato sull’allontanamento, identifica efficacemente i bambini a rischio di danni gravissimi.

Meglio dei Metodi Tradizionali? Il Confronto

La domanda sorge spontanea: ma non potevamo ottenere risultati simili usando criteri più semplici, come lo status socio-economico (es. essere idonei a Medicaid, l’assistenza sanitaria per i non abbienti) o l’età della madre (es. mamme teenager)?

I ricercatori hanno fatto anche questo confronto. Hanno simulato di selezionare il top 5% della coorte usando questi criteri “semplici” e hanno ricalcolato i rischi relativi per tutti gli esiti avversi. Il risultato? Nettamente inferiore. Il PRM si è dimostrato molto più preciso e raffinato nell’identificare le famiglie che avrebbero poi sperimentato le maggiori difficoltà. Ad esempio, il rischio relativo di fatalità/quasi-fatalità da maltrattamento era 5.5 con il PRM, contro 2.8-3.3 con gli altri metodi.

Questo significa che, se le risorse per i servizi intensivi sono limitate (e lo sono quasi sempre), usare un PRM permette di indirizzarle in modo molto più efficiente verso chi ne ha davvero più bisogno, potenzialmente moltiplicando l’efficacia dell’investimento.

Cosa Impariamo da Hello Baby? Prospettive e Ostacoli

L’esperienza di Hello Baby ci lascia almeno tre messaggi importanti:

1. È possibile usare i dati amministrativi per fare uno screening passivo ed efficace sulla popolazione, identificando neonati e famiglie con un rischio significativamente più alto di esiti avversi, senza aggiungere burocrazia.
2. Un PRM addestrato su un esito specifico (come l’allontanamento) può avere una forte correlazione anche con altri indicatori di vulnerabilità e danno, inclusi quelli più gravi e oggettivi, fungendo da valido strumento di validazione.
3. Questo approccio basato sui dati è molto più accurato dei metodi tradizionali basati su regole semplici (povertà, età) nel prioritizzare gli interventi preventivi.

Certo, non è tutto rose e fiori. Replicare un modello come Hello Baby altrove richiede una disponibilità e integrazione di dati che non tutte le amministrazioni hanno (Allegheny County è un’eccezione negli USA). C’è poi la sfida della “licenza sociale”: ottenere la fiducia dei cittadini per usare i loro dati in modo proattivo, anche se a fin di bene. La trasparenza, la possibilità di opt-out e un design del programma attento sono cruciali.

Un’altra limitazione è la generalizzabilità: un modello sviluppato in un contesto specifico potrebbe non funzionare altrettanto bene altrove. E manca ancora un pezzo fondamentale: la valutazione dell’efficacia degli interventi offerti a queste famiglie ad altissimo rischio. Identificarle è il primo passo, ma poi bisogna capire se i servizi proposti sono davvero in grado di aiutarle, considerando le loro necessità complesse e multidimensionali (spesso legate a dipendenze, salute mentale, violenza).

In conclusione, credo che Hello Baby rappresenti un esempio affascinante di come l’analisi predittiva possa diventare uno strumento potente per la prevenzione nel sociale. Non una soluzione magica, ma un aiuto concreto per indirizzare meglio le risorse limitate, passando da un approccio reattivo a uno più proattivo e, speriamo, più efficace nel proteggere i bambini e supportare le famiglie. La strada è ancora lunga, soprattutto per capire come disegnare i servizi più adatti a queste famiglie con bisogni così complessi, ma la direzione mi sembra quella giusta. Stiamo imparando a usare l’intelligenza dei dati per essere più “intelligenti” anche nel nostro modo di aiutare.

Fonte: Springer