AI-driven data mining of administrative health flows for geriatric epidemiology: two case studies in Lombardy

The demographic transition toward an aging society and the long-term sequelae of the COVID-19 pandemic pose unprecedented challenges to healthcare sustainability, particularly in the Lombardy Region. In this context, administrative healthcare databases represent a massive, yet underutilized source of epidemiological intelligence. This thesis addresses the healthcare challenges of Lombardy’s aging population by demonstrating how Artificial Intelligence can transform administrative billing data into actionable epidemiological intelligence. The study investigates geriatric health needs in two diverse fields: the acute instability of post-COVID outcomes and the chronic accumulation of frailty leading to institutionalization. By comparing advanced machine learning with traditional statistics, the analysis reveals a crucial insight: while acute physiological risk relies on complex, non-linear interactions, long-term frailty follows a linear, additive logic. This work validates the use of administrative proxies to bridge the clinical granularity gap, providing a scalable foundation for population health management that integrates administrative efficiency with social welfare needs.

La transizione demografica verso l'invecchiamento della popolazione e le conseguenze a lungo termine della pandemia da COVID-19 pongono sfide senza precedenti alla sostenibilità dei sistemi sanitari, in particolare nella Regione Lombardia. In questo contesto, i database amministrativi sanitari rappresentano una fonte vasta, ma ancora sottoutilizzata, di informazioni epidemiologiche. Questa tesi affronta le sfide legate all'invecchiamento della popolazione lombarda dimostrando come l'Intelligenza Artificiale possa trasformare i flussi amministrativi in strumenti epidemiologici operativi. Lo studio indaga due differenti aspetti dei bisogni sanitari geriatrici: l'instabilità acuta degli esiti post-COVID e l'accumulo cronico di fragilità che conduce all'istituzionalizzazione. Attraverso il confronto tra tecniche avanzate di Machine Learning e statistica tradizionale, l'analisi rivela un risultato cruciale: mentre il rischio fisiologico acuto dipende da interazioni complesse e non lineari, la fragilità a lungo termine segue una logica lineare e additiva. Questo lavoro valida l'uso di proxy amministrativi per colmare il divario di granularità clinica, fornendo una base scalabile per la gestione della salute di popolazione che integri l'efficienza amministrativa con le necessità del welfare sociale.