L’Intelligenza Artificiale sta ridefinendo il paradigma della Medicina contemporanea.
Se, fino a pochi anni fa, rappresentava un argomento confinato ai laboratori di ricerca e ai grandi centri di innovazione tecnologica, oggi è entrata nella pratica clinica quotidiana, trasformando il modo in cui preveniamo, diagnostichiamo, monitoriamo e trattiamo le malattie.
La sua evoluzione non riguarda semplicemente l’introduzione di nuovi strumenti digitali, ma investe l’intero ecosistema sanitario, modificando il ruolo dei professionisti, il percorso del paziente, l’organizzazione delle strutture sanitarie e persino il concetto stesso di dispositivo medico.
Indice degli argomenti
Dall’algoritmo alla cura
Queste (e altre) riflessioni sono state al centro del webinar “Dall’algoritmo alla cura: Intelligenza Artificiale nei Dispositivi Medici tra innovazione, evidenze cliniche e sfide regolatorie”, promosso dall’Associazione TOPForGrowth, presieduta da Carlo Mario Poli, con il contributo dei membri dell’Associazione Francesco De Bellis e Mauro De Filippi, da sempre impegnati nel favorire il dialogo tra innovazione, impresa, tecnologia e competenze professionali.
L’incontro ha rappresentato un’importante occasione di confronto multidisciplinare su una delle trasformazioni più significative che il settore sanitario stia vivendo.
Oggi, parlare di Intelligenza Artificiale in sanità significa andare ben oltre il fascino della tecnologia. Significa interrogarsi su come costruire un sistema sanitario capace di coniugare innovazione, sicurezza, sostenibilità ed equità, garantendo che ogni progresso tecnologico si traduca in un reale beneficio per il paziente. La sfida non consiste nello sviluppare algoritmi sempre più sofisticati, ma nel renderli affidabili, trasparenti, clinicamente validati e pienamente integrati nei percorsi assistenziali.
La Medicina ha sempre attraversato grandi rivoluzioni. L’introduzione degli antibiotici ha cambiato la storia delle malattie infettive; la diagnostica per immagini ha consentito di osservare il corpo umano in modo non invasivo; la genomica ha aperto la strada alla medicina di precisione. Oggi, l’Intelligenza Artificiale rappresenta una nuova fase di questa evoluzione, con una differenza sostanziale: non introduce semplicemente una nuova tecnologia, ma modifica il modo stesso in cui viene prodotta, interpretata e utilizzata la conoscenza clinica.
Medicina dei dati e medicina delle decisioni
Negli ultimi anni, la quantità di informazioni generate dal sistema sanitario ha raggiunto dimensioni impensabili fino a poco tempo fa. Ogni visita specialistica, ogni esame di laboratorio, ogni TAC, risonanza magnetica, ecografia, referto anatomopatologico, test genomico, dato proveniente da un dispositivo indossabile o dal Fascicolo Sanitario Elettronico contribuisce ad alimentare un patrimonio informativo enorme e in continua crescita.
Secondo diverse stime internazionali, il volume dei dati sanitari cresce a un ritmo superiore rispetto a qualsiasi altro settore economico. Tuttavia, accumulare dati non significa automaticamente generare conoscenza. Il vero problema della sanità moderna non è più la scarsità di informazioni, ma la capacità di trasformarle in decisioni cliniche tempestive, accurate e personalizzate.
Il ruolo strategico dell’Intelligenza Artificiale
È proprio in questo scenario che l’Intelligenza Artificiale assume un ruolo strategico. Attraverso algoritmi di Machine Learning, Deep Learning, modelli linguistici avanzati (Large Language Models) e, più recentemente, AI Agents, è possibile analizzare milioni di informazioni contemporaneamente, individuare correlazioni invisibili all’osservazione umana, identificare pattern diagnostici complessi e supportare il professionista sanitario nelle decisioni cliniche.
È fondamentale sottolineare un aspetto: l’Intelligenza Artificiale non nasce per sostituire il medico. Al contrario, rappresenta uno strumento di intelligenza aumentata, capace di amplificare le competenze del professionista, ridurre il carico cognitivo, migliorare l’appropriatezza diagnostica e terapeutica e favorire una medicina sempre più personalizzata.
Questa trasformazione è già realtà. In radiologia, gli algoritmi supportano l’identificazione precoce di lesioni polmonari e tumori mammari; in cardiologia consentono di individuare aritmie e stimare il rischio cardiovascolare; in anatomia patologica facilitano il riconoscimento di cellule tumorali; in endoscopia aumentano il tasso di identificazione degli adenomi durante la colonscopia; in oftalmologia contribuiscono allo screening della retinopatia diabetica.
Ogni giorno, l’Intelligenza Artificiale dimostra come la tecnologia possa migliorare non solo le performance diagnostiche, ma anche l’efficienza organizzativa e la sostenibilità dell’intero sistema sanitario.
L’evoluzione non si limita, però, all’assistenza clinica. Gli strumenti di AI stanno trasformando anche la ricerca scientifica, la farmacovigilanza, la gestione della documentazione regolatoria, lo sviluppo dei dispositivi medici, la sorveglianza post-market e la comunicazione scientifica, delineando un ecosistema in cui la competenza umana e l’innovazione digitale collaborano in modo sempre più stretto.
I dati nuovo “principio attivo” dell’Intelligenza Artificiale
Se nel mondo farmaceutico il principio attivo rappresenta l’elemento responsabile dell’effetto terapeutico di un medicinale, nell’Intelligenza Artificiale il vero principio attivo è costituito dai dati.
È un parallelismo che aiuta a comprendere uno dei concetti più importanti della trasformazione digitale in sanità. Così come nessun farmaco può essere efficace senza una molecola di qualità, nessun algoritmo può produrre risultati affidabili se alimentato da dati incompleti, non rappresentativi o di scarsa qualità.
L’Intelligenza Artificiale non “ragiona” come un essere umano. Non possiede intuizione, esperienza clinica o senso critico. Ogni previsione, ogni classificazione e ogni suggerimento derivano esclusivamente dall’apprendimento effettuato sui dati utilizzati durante l’addestramento del modello. Di conseguenza, la qualità dell’algoritmo è direttamente proporzionale alla qualità dei dati su cui è stato sviluppato.
Da qui nasce il noto principio dell’informatica: “Garbage In, Garbage Out” (GIGO). Se i dati in ingresso sono incompleti, errati o distorti, anche il risultato prodotto dall’algoritmo sarà inaffidabile, indipendentemente dalla sofisticazione del modello matematico utilizzato.
Per questo, oggi il tema dei dati è diventato strategico tanto quanto quello degli algoritmi. L’innovazione non dipende più soltanto dalla capacità di sviluppare modelli sempre più complessi, ma dalla costruzione di un ecosistema di informazioni affidabile, interoperabile, sicuro e rappresentativo della popolazione reale.
Un dataset clinico destinato all’addestramento di un algoritmo deve includere pazienti di età differenti, uomini e donne, persone appartenenti a gruppi etnici diversi, soggetti con patologie concomitanti e provenienti da differenti contesti assistenziali. Solo così è possibile ridurre il rischio di bias algoritmico, uno dei principali limiti dell’Intelligenza Artificiale applicata alla Medicina.
Un algoritmo addestrato esclusivamente su una popolazione selezionata potrebbe infatti perdere accuratezza quando viene utilizzato nella pratica clinica reale, generando diagnosi meno precise o prestazioni differenti in funzione dell’età, del sesso o dell’origine etnica del paziente. La qualità del dato, quindi, non rappresenta soltanto un requisito tecnico, ma una questione di equità, sicurezza e appropriatezza clinica.
Raccolta del dato e governance europea
L’Unione Europea ha compreso che il patrimonio informativo sanitario costituisce una risorsa strategica per il futuro della Medicina, della ricerca e dell’innovazione industriale. Per questo, è stato costruito un nuovo quadro normativo che mira a favorire la condivisione dei dati sanitari garantendo, al tempo stesso, sicurezza, trasparenza e tutela dei diritti dei cittadini.
Uno dei pilastri di questa strategia è rappresentato dallo European Health Data Space (EHDS), il primo spazio europeo dedicato ai dati sanitari. L’EHDS nasce con un duplice obiettivo: consentire ai cittadini di accedere e condividere in modo semplice e sicuro le proprie informazioni cliniche per finalità assistenziali (uso primario) e permettere l’utilizzo dei dati, opportunamente protetti, per ricerca scientifica, sviluppo di dispositivi medici, sanità pubblica e innovazione (uso secondario).
L’Italia si sta inserendo in questo percorso attraverso il Fascicolo Sanitario Elettronico 2.0, destinato a diventare il punto di accesso unico alla storia clinica del paziente, e attraverso l’Ecosistema Dati Sanitari (EDS), che definisce l’infrastruttura nazionale per l’integrazione e la valorizzazione dei dati sanitari.
Queste iniziative si inseriscono in un ecosistema regolatorio molto più ampio che comprende il Regolamento Generale sulla Protezione dei Dati (GDPR), il Data Governance Act, volto a favorire la condivisione sicura dei dati, il Data Act, che disciplina l’accesso e l’utilizzo dei dati generati dai dispositivi connessi, e la Direttiva NIS2, che rafforza gli obblighi di cybersicurezza per le infrastrutture critiche, incluse quelle sanitarie.
Non si tratta di norme indipendenti, ma di tasselli di una strategia europea che punta a costruire un’infrastruttura digitale capace di sostenere la medicina del futuro. L’obiettivo è creare un ambiente in cui i dati possano circolare in modo interoperabile tra ospedali, medici di medicina generale, specialisti, laboratori e centri di ricerca, mantenendo elevati standard di sicurezza, riservatezza e qualità.
Interoperabilità e standard per non limitare il potenziale dell’Intelligenza Artificiale
Affinché un algoritmo possa essere utilizzato efficacemente in contesti clinici differenti, non basta che i dati esistano: devono poter “dialogare” tra loro. Questo è il concetto di interoperabilità, uno dei pilastri della sanità digitale.
Ospedali, laboratori, dispositivi medici, sistemi informativi regionali e Fascicolo Sanitario Elettronico devono essere in grado di utilizzare standard comuni, evitando la frammentazione delle informazioni. In caso contrario, il rischio è creare “isole digitali” incapaci di comunicare tra loro, limitando il potenziale dell’Intelligenza Artificiale.
In questo contesto, assumono particolare importanza i principi FAIR (Findable, Accessible, Interoperable, Reusable), secondo cui i dati devono essere rintracciabili, accessibili agli aventi diritto, interoperabili e riutilizzabili per finalità di ricerca e innovazione. Essi rappresentano oggi il riferimento internazionale per la gestione dei dati scientifici e costituiscono la base su cui costruire modelli di AI realmente affidabili.
Dal dato alla fiducia
La fiducia rappresenta probabilmente la vera sfida dell’Intelligenza Artificiale in sanità. Medici e pazienti accetteranno l’utilizzo degli algoritmi solo se avranno la certezza che i dati siano raccolti, gestiti e utilizzati nel rispetto di criteri rigorosi di qualità, sicurezza e trasparenza, in un percorso che, appunto, va dal dato alla fiducia.
Per questo, il dato non può più essere considerato un semplice elemento tecnico o amministrativo. È una risorsa strategica, un patrimonio collettivo che alimenta ricerca, innovazione e sviluppo tecnologico. In altre parole, se l’algoritmo costituisce il motore dell’Intelligenza Artificiale, i dati ne rappresentano il vero principio attivo.
Ed è proprio dalla qualità di questo “principio attivo” che dipenderà la capacità dell’Intelligenza Artificiale di trasformarsi da promessa tecnologica a reale strumento di cura, contribuendo a costruire una medicina più precisa, predittiva, personalizzata e partecipativa.
Partecipa alla community