Pletora Medica 2025

Analisi dell’evoluzione del numero di medici in Italia (2019-2040)

html`<button onclick="window.print()" style="background: #e83977; color: white; border: none; padding: 0.5rem 1rem; border-radius: 4px; cursor: pointer; font-size: 0.85rem; float: right;">📄 Esporta PDF</button>`

html`<div class="hero-box">
  <h2 style="color: white; margin: 0;">La domanda chiave</h2>
  <p style="font-size: 1.2em; margin: 1rem 0 0 0;">
    L'Italia avrà troppi medici nei prossimi anni? O il sistema sanitario ne avrà comunque bisogno?
  </p>
</div>`

Questa analisi simula l’evoluzione del numero di medici in Italia dal 2019 al 2040, considerando:

• Formazione: effetti del semestre filtro e dell’aumento dei posti a Medicina
• Migrazione: flussi di emigrazione e immigrazione dei medici
• Demografia: invecchiamento della popolazione e impatto sul carico del SSN

analisi = FileAttachment("../data/pletora/Analisi Pletora - Analisi.csv").csv()
andamento = FileAttachment("../data/pletora/Analisi Pletora - Andamento.csv").csv()
carico = FileAttachment("../data/pletora/Analisi Pletora - Carico su SSN.csv").csv()
ssn = FileAttachment("../data/pletora/Analisi Pletora - SSN.csv").csv()

anni = {
  const arr = [];
  for (let y = 2019; y <= 2040; y++) arr.push(y);
  return arr;
}

function parseNumber(str) {
  if (!str) return 0;
  return parseFloat(str.replace(/,/g, "").replace(/%/g, ""));
}

function fmt(n) {
  return n.toLocaleString("it-IT");
}

// Estrai serie temporali dall'analisi
totaliMedici = anni.map((anno, i) => ({
  anno,
  totale: parseNumber(analisi[0][anno]),
  attivi: parseNumber(analisi[1][anno]),
  nonPensionati: parseNumber(analisi[2][anno])
}))

// Fasce età medici (valori assoluti)
fasceEta = anni.map(anno => ({
  anno,
  "25-35": parseNumber(analisi[4][anno]),
  "36-45": parseNumber(analisi[5][anno]),
  "46-55": parseNumber(analisi[6][anno]),
  "56-67": parseNumber(analisi[7][anno])
}))

// Fasce età medici (percentuali)
fasceEtaPerc = anni.map(anno => ({
  anno,
  "25-35": parseNumber(analisi[9][anno]),
  "36-45": parseNumber(analisi[10][anno]),
  "46-55": parseNumber(analisi[11][anno]),
  "56-67": parseNumber(analisi[12][anno])
}))

---

L’evoluzione del numero di medici attivi

I medici attivi sono coloro che effettivamente esercitano la professione: include i non pensionati e circa il 30% dei pensionati che continuano a lavorare fino ai 72 anni.

mediciAttivi = ssn.map(d => ({
  anno: parseInt(d.Anno),
  attivi: parseNumber(d["Medici Attivi"])
}))

Plot.plot({
  title: "Evoluzione del numero di medici attivi in Italia (2019-2040)",
  width: width,
  height: 400,
  y: {
    label: "Medici attivi",
    grid: true,
    domain: [350000, 600000],
    tickFormat: d => Math.round(d / 1000) + "k"
  },
  x: {
    label: "Anno",
    tickFormat: d => String(d)
  },
  marks: [
    Plot.ruleX([2025], {stroke: "#f59e0b", strokeWidth: 2, strokeDasharray: "4,4"}),
    Plot.text([{anno: 2025}], {x: "anno", y: 600000, text: "2025", fill: "#f59e0b", fontWeight: "bold", dy: -5}),
    Plot.line(mediciAttivi, {x: "anno", y: "attivi", stroke: "#3973b9", strokeWidth: 3}),
    Plot.dot(mediciAttivi, {x: "anno", y: "attivi", fill: "#3973b9", r: 5, tip: true})
  ]
})

att2019 = mediciAttivi.find(d => d.anno === 2019)
att2025 = mediciAttivi.find(d => d.anno === 2025)
att2030 = mediciAttivi.find(d => d.anno === 2030)
att2040 = mediciAttivi.find(d => d.anno === 2040)
crescitaAtt2025 = ((att2025.attivi - att2019.attivi) / att2019.attivi * 100).toFixed(1)
crescitaAtt2030 = ((att2030.attivi - att2025.attivi) / att2025.attivi * 100).toFixed(1)
crescitaAtt2040 = ((att2040.attivi - att2025.attivi) / att2025.attivi * 100).toFixed(1)

html`<div class="card-grid">
  <div class="card">
    <h3>2019 <span class="muted">(passato)</span></h3>
    <p class="big">${fmt(att2019.attivi)}</p>
  </div>
  <div class="card highlight">
    <h3 style="color: #f59e0b;">2025 <span class="muted">(oggi)</span></h3>
    <p class="big">${fmt(att2025.attivi)}</p>
    <p class="small muted">${crescitaAtt2025}% dal 2019</p>
  </div>
  <div class="card">
    <h3>2030</h3>
    <p class="big">${fmt(att2030.attivi)}</p>
    <p class="small muted">+${crescitaAtt2030}% dal 2025</p>
  </div>
  <div class="card">
    <h3>2040</h3>
    <p class="big">${fmt(att2040.attivi)}</p>
    <p class="small muted">+${crescitaAtt2040}% dal 2025</p>
  </div>
</div>`

html`<div class="callout-tip">
  <strong>Cosa emerge:</strong> Dal 2019 al 2025 i medici attivi sono calati del ${Math.abs(parseFloat(crescitaAtt2025)).toFixed(1)}% per effetto dei pensionamenti. Dal 2025 inizia la ripresa: +${crescitaAtt2030}% entro il 2030 e +${crescitaAtt2040}% entro il 2040, grazie all'aumento dei posti in Medicina.
</div>`

---

Esplora i dati per anno

viewof annoSelezionato = Inputs.range([2019, 2040], {step: 1, value: 2025, label: "Anno"})

datoAnno = totaliMedici.find(d => d.anno === annoSelezionato)

html`<div class="card-grid cols-3">
  <div class="card">
    <h3>Medici totali</h3>
    <p class="big">${fmt(datoAnno.totale)}</p>
  </div>
  <div class="card">
    <h3>Medici attivi</h3>
    <p class="big">${fmt(datoAnno.attivi)}</p>
  </div>
  <div class="card">
    <h3>Non pensionati</h3>
    <p class="big">${fmt(datoAnno.nonPensionati)}</p>
  </div>
</div>`

---

Il cambio generazionale

Il dato più rilevante non è solo il numero totale, ma chi saranno questi medici.

datiFasceEtaAssoluti = fasceEta.flatMap(d => [
  {anno: d.anno, fascia: "25-35 (giovani)", valore: d["25-35"]},
  {anno: d.anno, fascia: "36-55 (medi)", valore: d["36-45"] + d["46-55"]},
  {anno: d.anno, fascia: "56-67 (esperti)", valore: d["56-67"]}
])

Plot.plot({
  title: "Andamento medici per fascia d'età (2019-2040)",
  width: width,
  height: 400,
  y: {label: "Numero medici", grid: true, tickFormat: d => Math.round(d / 1000) + "k"},
  x: {label: "Anno", tickFormat: d => String(d)},
  color: {legend: true, domain: ["25-35 (giovani)", "36-55 (medi)", "56-67 (esperti)"], range: ["#3973b9", "#6c757d", "#e83977"]},
  marks: [
    Plot.ruleX([2025], {stroke: "#f59e0b", strokeWidth: 2, strokeDasharray: "4,4"}),
    Plot.line(datiFasceEtaAssoluti, {x: "anno", y: "valore", stroke: "fascia", strokeWidth: 3}),
    Plot.dot(datiFasceEtaAssoluti, {x: "anno", y: "valore", fill: "fascia", r: 5, tip: true})
  ]
})

datiFasceEta = fasceEtaPerc.flatMap(d => [
  {anno: d.anno, fascia: "25-35 (giovani)", percentuale: d["25-35"]},
  {anno: d.anno, fascia: "36-45", percentuale: d["36-45"]},
  {anno: d.anno, fascia: "46-55", percentuale: d["46-55"]},
  {anno: d.anno, fascia: "56-67 (esperti)", percentuale: d["56-67"]}
])

Plot.plot({
  title: "Distribuzione per età dei medici (%)",
  width: width,
  height: 400,
  y: {label: "Percentuale", grid: true, domain: [0, 50], tickFormat: d => d + "%"},
  x: {label: "Anno", tickFormat: d => String(d)},
  color: {legend: true, domain: ["25-35 (giovani)", "36-45", "46-55", "56-67 (esperti)"], range: ["#3973b9", "#5a9bd5", "#a5c8e4", "#e83977"]},
  marks: [
    Plot.ruleX([2025], {stroke: "#f59e0b", strokeWidth: 2, strokeDasharray: "4,4"}),
    Plot.line(datiFasceEta, {x: "anno", y: "percentuale", stroke: "fascia", strokeWidth: 2.5}),
    Plot.dot(datiFasceEta, {x: "anno", y: "percentuale", fill: "fascia", r: 4, tip: true})
  ]
})

fascia2019 = fasceEtaPerc.find(d => d.anno === 2019)
fascia2025 = fasceEtaPerc.find(d => d.anno === 2025)
fascia2030 = fasceEtaPerc.find(d => d.anno === 2030)
fascia2040 = fasceEtaPerc.find(d => d.anno === 2040)

html`<div class="card-grid">
  <div class="card">
    <h3>2019</h3>
    <p class="small"><strong style="color: #3973b9;">Giovani:</strong> ${fascia2019["25-35"].toFixed(1)}%</p>
    <p class="small"><strong style="color: #e83977;">Esperti:</strong> ${fascia2019["56-67"].toFixed(1)}%</p>
  </div>
  <div class="card highlight">
    <h3 style="color: #f59e0b;">2025</h3>
    <p class="small"><strong style="color: #3973b9;">Giovani:</strong> ${fascia2025["25-35"].toFixed(1)}%</p>
    <p class="small"><strong style="color: #e83977;">Esperti:</strong> ${fascia2025["56-67"].toFixed(1)}%</p>
  </div>
  <div class="card">
    <h3>2030</h3>
    <p class="small"><strong style="color: #3973b9;">Giovani:</strong> ${fascia2030["25-35"].toFixed(1)}%</p>
    <p class="small"><strong style="color: #e83977;">Esperti:</strong> ${fascia2030["56-67"].toFixed(1)}%</p>
  </div>
  <div class="card">
    <h3>2040</h3>
    <p class="small"><strong style="color: #3973b9;">Giovani:</strong> ${fascia2040["25-35"].toFixed(1)}%</p>
    <p class="small"><strong style="color: #e83977;">Esperti:</strong> ${fascia2040["56-67"].toFixed(1)}%</p>
  </div>
</div>`

html`<div class="callout-warning">
  <strong>Il cambio generazionale:</strong> Oggi (2025) i giovani sono il ${fascia2025["25-35"].toFixed(0)}% e gli esperti il ${fascia2025["56-67"].toFixed(0)}%. Nel 2030 si invertirà la tendenza: giovani al ${fascia2030["25-35"].toFixed(0)}%, esperti al ${fascia2030["56-67"].toFixed(0)}%. Nel 2040 i giovani saranno il ${fascia2040["25-35"].toFixed(0)}% del totale.
</div>`

---

Il carico sul Sistema Sanitario

Ma l’Italia ha davvero bisogno di meno medici? La risposta dipende da chi deve essere curato.

La popolazione italiana sta invecchiando rapidamente. Un anziano over 85 richiede circa 5.5 volte più risorse sanitarie di un adulto sano. Per questo abbiamo calcolato il “carico equivalente” sul SSN.

caricoNorm = carico.filter(d => {
  const anno = parseInt(d.Anno);
  return anno >= 2019 && anno <= 2040;
}).map(d => ({
  anno: parseInt(d.Anno),
  normalizzato: parseFloat(d["Normalizzato 2019"])
}))

Plot.plot({
  title: "Carico SSN normalizzato (2019 = 1.0)",
  width: width,
  height: 300,
  y: {label: "Indice carico", grid: true, domain: [0.98, 1.25]},
  x: {label: "Anno", tickFormat: d => d.toString()},
  marks: [
    Plot.ruleX([2025], {stroke: "#f59e0b", strokeWidth: 2, strokeDasharray: "4,4"}),
    Plot.line(caricoNorm, {x: "anno", y: "normalizzato", stroke: "#e83977", strokeWidth: 3}),
    Plot.dot(caricoNorm, {x: "anno", y: "normalizzato", fill: "#e83977", r: 5, tip: true}),
    Plot.ruleY([1], {stroke: "#ccc", strokeDasharray: "4,4"})
  ]
})

carico2019n = caricoNorm.find(d => d.anno === 2019)
carico2025n = caricoNorm.find(d => d.anno === 2025)
carico2030n = caricoNorm.find(d => d.anno === 2030)
carico2040n = caricoNorm.find(d => d.anno === 2040)

html`<div class="card-grid">
  <div class="card">
    <h3>2019</h3>
    <p class="big">1.00</p>
    <p class="small muted">Base di riferimento</p>
  </div>
  <div class="card highlight">
    <h3 style="color: #f59e0b;">2025</h3>
    <p class="big">${carico2025n.normalizzato.toFixed(2)}</p>
    <p class="small muted">+${((carico2025n.normalizzato - 1) * 100).toFixed(0)}% dal 2019</p>
  </div>
  <div class="card">
    <h3>2030</h3>
    <p class="big">${carico2030n.normalizzato.toFixed(2)}</p>
    <p class="small muted">+${((carico2030n.normalizzato - 1) * 100).toFixed(0)}% dal 2019</p>
  </div>
  <div class="card">
    <h3>2040</h3>
    <p class="big" style="color: #e83977;">${carico2040n.normalizzato.toFixed(2)}</p>
    <p class="small muted">+${((carico2040n.normalizzato - 1) * 100).toFixed(0)}% dal 2019</p>
  </div>
</div>`

html`<div class="callout-note">
  <strong>Cosa significa:</strong> L'invecchiamento della popolazione aumenta costantemente il carico sul SSN. Oggi (2025) è già +${((carico2025n.normalizzato - 1) * 100).toFixed(0)}% rispetto al 2019, e nel 2040 raggiungerà +${((carico2040n.normalizzato - 1) * 100).toFixed(0)}%.
</div>`

---

Il rapporto medici/carico

Ecco il dato chiave: quanti pazienti equivalenti deve gestire ogni medico attivo?

caricoPerMedico = ssn.map(d => ({
  anno: parseInt(d.Anno),
  carico: parseInt(d["Carico SSN"])
}))

Plot.plot({
  title: "Carico SSN per medico attivo",
  subtitle: "Pazienti equivalenti per medico",
  width: width,
  height: 350,
  y: {label: "Carico per medico", grid: true, domain: [160, 240]},
  x: {label: "Anno", tickFormat: d => d.toString()},
  marks: [
    Plot.ruleX([2025], {stroke: "#f59e0b", strokeWidth: 2, strokeDasharray: "4,4"}),
    Plot.line(caricoPerMedico, {x: "anno", y: "carico", stroke: "#3973b9", strokeWidth: 3}),
    Plot.dot(caricoPerMedico, {x: "anno", y: "carico", fill: "#3973b9", r: 5, tip: true})
  ]
})

car2019 = caricoPerMedico.find(d => d.anno === 2019).carico
car2025 = caricoPerMedico.find(d => d.anno === 2025).carico
car2030 = caricoPerMedico.find(d => d.anno === 2030).carico
car2040 = caricoPerMedico.find(d => d.anno === 2040).carico
varCar2025 = ((car2025 - car2019) / car2019 * 100).toFixed(1)
varCar2040 = ((car2040 - car2025) / car2025 * 100).toFixed(1)

html`<div class="card-grid">
  <div class="card">
    <h3>2019</h3>
    <p class="big">${car2019}</p>
    <p class="small muted">pazienti eq./medico</p>
  </div>
  <div class="card highlight">
    <h3 style="color: #f59e0b;">2025</h3>
    <p class="big">${car2025}</p>
    <p class="small muted">+${varCar2025}% dal 2019</p>
  </div>
  <div class="card">
    <h3>2030</h3>
    <p class="big">${car2030}</p>
  </div>
  <div class="card">
    <h3>2040</h3>
    <p class="big" style="color: #3973b9;">${car2040}</p>
    <p class="small muted">${varCar2040}% dal 2025</p>
  </div>
</div>`

html`<div class="hero-box">
  <h2 style="color: white;">Il verdetto</h2>
  <p style="font-size: 1.1em;">
    Oggi (2025) ogni medico gestisce <strong>${car2025}</strong> pazienti equivalenti, contro i ${car2019} del 2019 (+${varCar2025}%).
  </p>
  <p style="font-size: 1.1em; margin-top: 0.5rem;">
    Nel 2040 il carico scenderà a <strong>${car2040}</strong> (${varCar2040}% dal 2025), grazie all'aumento dei medici.
  </p>
  <p style="font-size: 1.1em; margin-top: 1rem;">
    <strong>Non c'è pletora.</strong> L'aumento dei medici è proporzionato all'aumento del carico sul SSN dovuto all'invecchiamento della popolazione.
  </p>
</div>`

---

Medici per 1000 abitanti

Quanti medici attivi ci sono per ogni 1000 abitanti? E per ogni 1000 anziani?

mediciPerAbitante = ssn.map(d => ({
  anno: parseInt(d.Anno),
  per1000: parseFloat(d["Medici/1000 Abitanti"]),
  per1000over65: parseFloat(d["Medici/1000 Abitanti 65+"]),
  per1000over75: parseFloat(d["Medici/1000  Abitanti 75+"])
}))

Plot.plot({
  title: "Medici attivi per 1000 abitanti",
  width: width,
  height: 350,
  y: {label: "Medici / 1000 abitanti", grid: true, domain: [6, 11]},
  x: {label: "Anno", tickFormat: d => d.toString()},
  marks: [
    Plot.ruleX([2025], {stroke: "#f59e0b", strokeWidth: 2, strokeDasharray: "4,4"}),
    Plot.line(mediciPerAbitante, {x: "anno", y: "per1000", stroke: "#3973b9", strokeWidth: 3}),
    Plot.dot(mediciPerAbitante, {x: "anno", y: "per1000", fill: "#3973b9", r: 5, tip: true})
  ]
})

mpa2019 = mediciPerAbitante.find(d => d.anno === 2019)
mpa2025 = mediciPerAbitante.find(d => d.anno === 2025)
mpa2030 = mediciPerAbitante.find(d => d.anno === 2030)
mpa2040 = mediciPerAbitante.find(d => d.anno === 2040)

html`<div class="card-grid">
  <div class="card"><h3>2019</h3><p class="big">${mpa2019.per1000.toFixed(2)}</p></div>
  <div class="card highlight"><h3 style="color: #f59e0b;">2025</h3><p class="big">${mpa2025.per1000.toFixed(2)}</p></div>
  <div class="card"><h3>2030</h3><p class="big">${mpa2030.per1000.toFixed(2)}</p></div>
  <div class="card"><h3>2040</h3><p class="big" style="color: #3973b9;">${mpa2040.per1000.toFixed(2)}</p></div>
</div>`

---

Medici per anziani over 65 e over 75

datiAnziani = mediciPerAbitante.flatMap(d => [
  {anno: d.anno, categoria: "Over 65", valore: d.per1000over65},
  {anno: d.anno, categoria: "Over 75", valore: d.per1000over75}
])

Plot.plot({
  title: "Medici attivi per 1000 anziani",
  width: width,
  height: 350,
  y: {label: "Medici / 1000 anziani", grid: true, domain: [20, 65]},
  x: {label: "Anno", tickFormat: d => d.toString()},
  color: {legend: true, domain: ["Over 65", "Over 75"], range: ["#3973b9", "#e83977"]},
  marks: [
    Plot.ruleX([2025], {stroke: "#f59e0b", strokeWidth: 2, strokeDasharray: "4,4"}),
    Plot.line(datiAnziani, {x: "anno", y: "valore", stroke: "categoria", strokeWidth: 3}),
    Plot.dot(datiAnziani, {x: "anno", y: "valore", fill: "categoria", r: 5, tip: true})
  ]
})

html`<div class="card-grid">
  <div class="card">
    <h3>2019</h3>
    <p class="small"><strong style="color: #3973b9;">Over 65:</strong> ${mpa2019.per1000over65.toFixed(1)}</p>
    <p class="small"><strong style="color: #e83977;">Over 75:</strong> ${mpa2019.per1000over75.toFixed(1)}</p>
  </div>
  <div class="card highlight">
    <h3 style="color: #f59e0b;">2025</h3>
    <p class="small"><strong style="color: #3973b9;">Over 65:</strong> ${mpa2025.per1000over65.toFixed(1)}</p>
    <p class="small"><strong style="color: #e83977;">Over 75:</strong> ${mpa2025.per1000over75.toFixed(1)}</p>
  </div>
  <div class="card">
    <h3>2030</h3>
    <p class="small"><strong style="color: #3973b9;">Over 65:</strong> ${mpa2030.per1000over65.toFixed(1)}</p>
    <p class="small"><strong style="color: #e83977;">Over 75:</strong> ${mpa2030.per1000over75.toFixed(1)}</p>
  </div>
  <div class="card">
    <h3>2040</h3>
    <p class="small"><strong style="color: #3973b9;">Over 65:</strong> ${mpa2040.per1000over65.toFixed(1)}</p>
    <p class="small"><strong style="color: #e83977;">Over 75:</strong> ${mpa2040.per1000over75.toFixed(1)}</p>
  </div>
</div>`

html`<div class="callout-note">
  <strong>Il paradosso degli anziani:</strong> Nonostante l'aumento dei medici, il rapporto medici/anziani rimane stabile o addirittura diminuisce fino al 2028 a causa del rapido invecchiamento della popolazione. Solo dopo il 2030 si vede un miglioramento significativo.
</div>`

---

Piramide demografica dei medici

viewof annopiramide = Inputs.range([2019, 2040], {step: 1, value: 2025, label: "Anno"})

datiPiramide = andamento.map(row => ({
  eta: parseInt(row["ETA' / ANNO"]),
  numero: parseNumber(row[annopiramide])
})).filter(d => !isNaN(d.eta) && d.numero > 0)

Plot.plot({
  title: `Distribuzione per età dei medici (${annopiramide})`,
  width: width,
  height: 600,
  marginLeft: 50,
  x: {label: "Numero medici", grid: true, domain: [0, 25000], tickFormat: d => Math.round(d / 1000) + "k"},
  y: {label: "Età"},
  marks: [
    Plot.barX(datiPiramide, {
      y: "eta",
      x: "numero",
      fill: d => d.eta <= 35 ? "#3973b9" : d.eta >= 56 ? "#e83977" : "#6c757d",
      tip: true
    }),
    Plot.ruleX([0])
  ]
})

---

Fonti dei dati

html`<div class="card-grid cols-2">
  <div class="card">
    <h3>Dati demografici</h3>
    <ul>
      <li>ISTAT - Proiezioni popolazione</li>
      <li>OECD - Coefficienti carico sanitario</li>
    </ul>
  </div>
  <div class="card">
    <h3>Dati medici</h3>
    <ul>
      <li>FNOMCEO - Albo medici</li>
      <li>MIUR - Immatricolati e laureati</li>
      <li>Database GAP Med</li>
    </ul>
  </div>
</div>`

---

Metodologia

Il modello considera:

1. Nuovi ingressi: laureati in medicina che completano la specializzazione, tenendo conto del semestre filtro e dell’aumento dei posti (da ~10.000/anno a ~23.000/anno dal 2030)

2. Uscite: pensionamenti (età 68+) e mortalità stimata per fascia d’età

3. Migrazione netta: saldo tra medici che emigrano e immigrano, basato su trend OECD

4. Carico SSN: popolazione italiana pesata per coefficienti di utilizzo sanitario per fascia d’età (es: 85+ = 5.5x rispetto a 20-49)