Negli ultimi anni, l’intelligenza artificiale è stata un potente catalizzatore per l’innovazione, soprattutto nel settore sanitario e nell’istruzione [1].
Come pilastro fondamentale della Quarta Rivoluzione Industriale, l’AI migliora l’efficienza operativa e permette interventi personalizzati basati sui dati [2].
Anche se molta attenzione è stata dedicata al ruolo dell’AI nella diagnostica clinica e nell’automazione amministrativa, le sue applicazioni pedagogiche nell’educazione alla salute restano ancora da esplorare e documentare [3].
Sempre più, l’AI viene riconosciuta non solo come uno strumento tecnologico, ma come un motore di innovazione sociale, capace di ampliare l’accesso a informazioni sanitarie affidabili, sostenere percorsi di apprendimento individualizzati e promuovere l’alfabetizzazione sanitaria tra diverse popolazioni [4].
Indice degli argomenti
Dalla medicina reattiva alla medicina preventiva
Per molti secoli, il concetto di salute è stato insito nel concetto di giovinezza e la Medicina è stata essenzialmente reattiva: si interveniva nel momento di necessità in cui la malattia e i sintomi acuti o cronici della stessa si palesavano.
Poi, negli ultimi dieci anni, abbiamo assistito ad una completa rivoluzione della Medicina dove ha iniziato a manifestarsi il concetto di medicina preventiva, questa associata anche alla consapevolezza di poter arrivare alla longevità.
La medicina preventiva è la branca della Medicina che si occupa di prevenire l’insorgenza di malattie, disabilità e morte prematura, promuovendo la salute e il benessere attraverso interventi mirati a livello individuale e collettivo.
Questa disciplina si basa sul principio che prevenire è meglio che curare, concentrandosi sull’identificazione e la gestione dei fattori di rischio prima che la malattia si manifesti.
Nella vita quotidiana, la medicina preventiva ha un impatto fondamentale: dalle vaccinazioni che proteggono da malattie infettive, agli screening che permettono di individuare precocemente condizioni come tumori o malattie cardiovascolari, fino alle campagne di sensibilizzazione su stili di vita salutari che possono ridurre significativamente il rischio di patologie croniche.
La medicina preventiva non si concentra sul trattamento delle patologie già manifeste, ma sulla loro prevenzione. Le principali aree di intervento includono:
- Malattie infettive: attraverso programmi di vaccinazione, sorveglianza epidemiologica e misure di controllo delle infezioni;
- Malattie cardiovascolari: mediante l’identificazione e la gestione di fattori di rischio come ipertensione, dislipidemia e diabete;
- Tumori: con programmi di screening (mammografia, Pap test, ricerca del sangue occulto nelle feci) e riduzione dell’esposizione a cancerogeni;
- Malattie metaboliche: attraverso la promozione di corretta alimentazione e attività fisica;
- Patologie professionali: mediante la valutazione e il controllo dei rischi negli ambienti di lavoro;
- Disturbi mentali: con interventi di promozione del benessere psicologico e identificazione precoce del disagio;
- Malattie respiratorie croniche: attraverso il controllo dell’inquinamento e la lotta al tabagismo.
La medicina preventiva è poi evoluta negli anni da un modello statistico e basato sulla popolazione a un modello iperpersonalizzato e predittivo , aprendo la strada ad un’altra branca della Medicina quale la medicina predittiva.
Dalla medicina preventiva alla medicina predittiva
La medicina predittiva rappresenta il passaggio da un modello di cura basato sulla malattia a uno basato sulla prevenzione calibrata sull’utilizzo dei dati e delle informazioni individuali e sulle informazioni di popolazione , relativamente alla genetica, alla fisiologia, alle abitudini di vita e, ultimamente, anche ai risultati dei rilievi digitalizzati prodotti dai devices impiantati.
L’utilizzo della digitalizzazione ha contribuito negli ultimi anni allo sviluppo delle potenzialità della stessa e alla consapevolezza da parte del paziente, che ha aumentato la sua fidelizzazione ai percorsi e alle terapie prescritte, ponendosi come parte attiva nel processo di cura.
L’obiettivo non è più solo guarire, ma anticipare, comprendere e prevenire prima che accada.
L’AI per promuovere l’alfabetizzazione sanitaria
Recenti progressi nelle tecnologie di intelligenza artificiale personalizzata, come i sistemi di tutoraggio intelligenti [5], gli agenti sanitari conversazionali [6,7], i dispositivi indossabili per il monitoraggio della salute [4] e gli strumenti diagnostici basati sull’AI, tra cui PathAI e Zebra Medical Vision [8], hanno generato nuove opportunità per promuovere l’alfabetizzazione sanitaria attraverso la distribuzione di contenuti interattivi e multilingue.
Queste innovazioni si sono dimostrate particolarmente efficaci nel migliorare la memorizzazione delle conoscenze, facilitare l’intervento precoce e responsabilizzare gli individui a impegnarsi nell’autocura preventiva [9].
L’intelligenza artificiale come forma di innovazione sociale
L’innovazione sociale (IS) è concettualizzata come l’insieme delle strategie, pratiche e modelli nuovi o migliorati che affrontano i bisogni sociali insoddisfatti e generano un cambiamento sociale positivo, equo e sostenibile.
Nell’educazione sanitaria, l’IS enfatizza l’inclusività, l’accessibilità e la responsabilizzazione di individui e comunità attraverso strumenti che riducono le disparità sanitarie e migliorano l’alfabetizzazione sanitaria.
Posizionare l’intelligenza artificiale come una forma di innovazione sociale consente di esaminare non solo le capacità funzionali degli strumenti di apprendimento basati sull’AI, ma anche il loro più ampio impatto sociale. Ciò include il loro potenziale di democratizzare l’accesso alle informazioni sanitarie, supportare l’apprendimento culturalmente sensibile e affrontare le disuguaglianze sistemiche nell’educazione sanitaria digitale [6].
AI, longevità e prevenzione primaria
Tornando alla longevità e alla sua gestione sanitaria, un esempio calzante è rappresentato dalla gestione delle patologie croniche tipiche della popolazione in invecchiamento: sia che si parli di malattie metaboliche, cardiovascolari che neurovegetative , tutte queste raramente compaiono all’improvviso.
Tutte si sviluppano lentamente, attraverso un accumulo di alterazioni legate a genetica, stile di vita, alimentazione, sonno, stress, ambiente e microbioma intestinale.
In una recente pubblicazione Noa Rappaport (10) parla di una “long tail” della biologia: una sequenza di piccoli scostamenti che, nel tempo, riduce la resilienza dell’organismo. “Quando arriva la diagnosi, spiegano, il corpo può aver deviato dalla propria traiettoria di salute già da molti anni.”
Un esempio emblematico è il diabete di tipo 2: modifiche nell’infiammazione, nel metabolismo e nella funzione insulinica possono comparire 10-15 anni prima che la glicemia superi le soglie diagnostiche. Rilevare questi segnali precoci significherebbe intervenire quando la prevenzione è ancora davvero efficace.
L’intelligenza artificiale sta facendo notevoli progressi anche nella prevenzione primaria. È stato dimostrato che interventi sullo stile di vita riducono notevolmente il rischio di sviluppare malattie cardiovascolari o persino il diabete , due delle principali cause di morte nel mondo [11].
Una recente revisione sistematica di Aggarwal et al[12] ha evidenziato il potenziale degli interventi guidati dall’intelligenza artificiale, soprattutto attraverso chatbot interattivi, per promuovere cambiamenti nei comportamenti salutari come adottare una dieta più sana o smettere di fumare e di usare sostanze o alcool Queste applicazioni, facili da usare e senza giudizio, si stanno rivelando preziose per incoraggiare uno stile di vita più sano e ridurre il peso delle malattie metaboliche.
Intelligenza artificiale e diabete
Questo approccio sembra promettente anche nella prevenzione delle complicazioni legate al diabete di tipo 2.
Un esempio attuativo è rappresentato dal lavoro di Faruqui et al[13].Nello studio i partecipanti sono stati divisi in due gruppi per 6 mesi: un gruppo ha ricevuto quotidianamente feedback personalizzati generati dall’AI tramite messaggi di testo, mentre l’altro non ha ricevuto alcun intervento .
Il sistema di AI utilizzava un digital twin predittivo, costruito dai dati di autogestione di ogni paziente, come peso, dieta, attività fisica e livelli di glucosio, raccolti durante i primi 3 mesi.
Questo modello, aggiornato ogni settimana, può prevedere le future tendenze di glucosio e peso per ogni individuo con oltre l’80% di accuratezza. Basandosi su queste previsioni, il sistema forniva consigli personalizzati per aiutare i pazienti a mantenere glucosio e peso entro valori sani, entrambi fondamentali per prevenire complicazioni. I partecipanti, che ricevevano feedback guidati dall’AI, hanno registrato una perdita di peso significativa (in media 2,66 kg) e un migliore controllo del glucosio, dimostrando come il monitoraggio supportato dall’AI possa aiutare a prevenire le complicazioni della malattia.
Ma, anche quando la malattia diabetica si slatentizza, è importante avvalersi dell’intelligenza artificiale.
Nella diabetologia, sistemi di monitoraggio continuo del glucosio, combinati con modelli predittivi, permettono di anticipare i picchi glicemici prima che si verifichino.
Patel ha dimostrato che l’applicazione dell’AI nella regolazione in tempo reale delle dosi di insulina per i pazienti diabetici facilita un controllo glicemico più preciso, evidenziando così il suo potenziale trasformativo nel personalizzare gli interventi in base ai profili biologici individuali.
L’intelligenza artificiale per la prevenzione e diagnosi dei tumori
Anche in campo oncologico , l’analisi dei big data genomici consente di individuare predisposizioni genetiche e definire piani di sorveglianza mirata.
L’AI sta trasformando la cura del cancro, basta osservarne l’applicazione nel cancro colorettale (CRC) e nei suoi processi di screening.
Nel CRC, infatti, i metodi di screening tradizionali come l’endoscopia e i test del sangue occulto nelle feci si basano molto sull’esperienza clinica e possono non rilevare i casi precoci [14].
L’endoscopia assistita dall’AI migliora la rilevazione e la caratterizzazione dei polipi analizzando grandi set di dati di immagini e cartelle cliniche elettroniche, mentre i modelli predittivi che utilizzano dati clinici e molecolari aiutano a identificare le persone ad alto rischio per uno screening più precoce e accurato.
Nella diagnosi, inoltre, il riconoscimento delle immagini guidato dall’AI migliora significativamente l’interpretazione delle immagini radiografiche e patologiche per la stadiazione del CRC [14].
Gli algoritmi di deep learning riducono la variabilità tra osservatori e aumentano l’accuratezza nel rilevare e classificare i tumori dai dati di colonscopia, biopsia e imaging, supportando così una diagnosi tempestiva e precisa, fondamentale per la pianificazione del trattamento [14].
Per quanto riguarda quest’ultimo, l’AI aiuta nell’ottimizzazione , prevedendo le risposte dei pazienti a chirurgia, chemioterapia e radioterapia, permettendo interventi più personalizzati ed efficaci.
AI e modellizzazione della multimorbosità
Da questi esempi capiamo come il potenziale sia immenso, ma ciò che rende la medicina predittiva davvero rivoluzionaria è la capacità di trasformare il concetto stesso di salute. La salute diventa un processo dinamico, costruito giorno per giorno attraverso la conoscenza e la prevenzione.
Ad esempio, è stato previsto che, a livello globale, il numero di diagnosi di cancro aumenterà del 77% entro il 2050 oppure che, nel Regno Unito, il numero di persone in età lavorativa con malattie gravi, tra cui depressione, asma, diabete, malattie cardiovascolari, cancro o demenza, aumenterà da 3 a 3,7 milioni entro il 2040.
Modellare il carico previsto delle malattie è quindi fondamentale per la pianificazione sanitaria ed economica e, inoltre, monitorare continuamente l’insorgenza delle malattie insieme alla loro probabile prevalenza futura all’interno dei gruppi di popolazione favorisce un sistema sanitario più informato.
Gli sviluppi recenti nell’AI potrebbero aiutare a superare alcune limitazioni metodologiche della modellizzazione della multimorbosità, che finora si sono rivelate difficili da affrontare[15].
Oltre al grande numero di diagnosi, queste includono sfide nella modellizzazione delle dipendenze temporali tra eventi precedenti, l’integrazione di dati potenzialmente diversi ma rilevanti dal punto di vista prognostico e la calibrazione statistica delle previsioni.
AI, LLM e modellazione della progressione delle malattie
I grandi modelli linguistici (LLM) – un sottoinsieme dell’AI alla base di chatbot come ChatGPT – modellano il linguaggio come una sequenza di frammenti di parole (token).
Generato token per token, il nuovo testo si basa su tutto il testo precedente e, con un addestramento sufficiente, le dipendenze statistiche tra questi token si rivelano sufficienti a produrre un testo consapevole del contesto e persino conversazionale, spesso indistinguibile da quello di un essere umano.
L’analogia tra i grandi modelli linguistici e la modellazione della progressione delle malattie, che implica anche il riconoscimento di eventi passati e lo sfruttamento delle loro dipendenze reciproche per prevedere la sequenza futura di morbidità, ha recentemente ispirato una serie di nuovi modelli di intelligenza artificiale.
Ad esempio, sono stati sviluppati modelli basati su BERT22–25 per compiti di previsione specifici. Modelli Transformer addestrati su cartelle cliniche elettroniche sono stati usati per prevedere diagnosi come il cancro del pancreas, l’autolesionismo e l’ictus, così come parametri non clinici come l’autostima.
Tuttavia, nonostante prove di concetto promettenti, il potenziale per una modellazione completa e generativa della multimorbidità non è ancora stato pienamente applicato e valutato, ma ci si arriverà. [15]
L’AI, in questo contesto, non sostituisce il medico ma lo affianca. Gli algoritmi possono elaborare enormi quantità di dati, ma resta all’essere umano l’interpretazione finale, la capacità di contestualizzare, di leggere le emozioni, di decidere con empatia.
Medicina del futuro: la direzione è chiara
Naturalmente, la medicina predittiva apre anche nuovi interrogativi etici. Chi possiede i dati? Come vengono conservati? Chi decide come utilizzarli?
La trasparenza nella gestione dei dati sanitari e la tutela della privacy sono pilastri imprescindibili. È necessario costruire sistemi sicuri, capaci di proteggere le informazioni sensibili e di garantire che l’uso dei dati sia sempre orientato al benessere della persona, non al profitto o alla manipolazione. La formazione dei professionisti sarà decisiva per rendere concreto questo cambiamento.
Tuttavia, la direzione è chiara: la medicina del futuro sarà sempre più guidata dalla tecnologia, dalla capacità di leggere il corpo come un linguaggio complesso, in continua trasformazione, avvalendosi dell’AI.
Bibliografia
1.Ali O, Abdelbaki W, Shrestha A, Elbasi E, Alryalat MAA, Dwivedi YK. A systematic literature review of artificial intelligence in the healthcare sector: Benefits, challenges, methodologies, and functionalities. J Innov Knowl. 2023;8(1):100333.
2. Chattu VK. A review of artificial intelligence, big data, and blockchain technology applications in medicine and global health. Big Data Cogn Comput. 2021;5(3):41.
3.Klumpp M, Hintze M, Immonen M, Ródenas-Rigla F, Pilati F, Aparicio-Martínez F, et al. Artificial intelligence for hospital health care: application cases and answers to challenges in European hospitals. Healthcare. 2021;9(8):961.
4. Esmaeilzadeh P. Challenges and strategies for wide-scale artificial intelligence (AI) deployment in healthcare practices: A perspective for healthcare organizations. Artif Intell Med. 2024;151:102861.
5. Richie C. Environmentally sustainable development and use of artificial intelligence in health care. Bioethics. 2022;36(5):547–55.
6. Bazzano AN, Mantsios A, Mattei N, Kosorok MR, Culotta A. AI can be a powerful social innovation for public health if community engagement is at the core. J Med Internet Res. 2025;27:e68198.
7. Castillo VS, Cano CAG. Health education and technological innovation: an unpostponable relationship. Health Leadersh Qual Life. 2024;3(436):1.
8. Wangsa K, Karim S, Gide E, Elkhodr M. A systematic review and comprehensive analysis of pioneering AI chatbot models from education to healthcare. Future Internet. 2024;16(7):219.
9. Radanliev P, De Roure D, Maple C, Santos O. Forecasts on future evolution of artificial intelligence and intelligent systems. IEEE Access. 2022;10:45280–8.
10. Noa Rappaport, Bartek Nogal , Kevin Perrott et al. Early detection of Wellness-to-Disease transitions in the AI Era: Implications for Pharmacology and Toxicology. Annual Review of Pharmacology and Toxicology.2026 66:41-64
11. World Health Organization. The top 10 causes of death; 2025.https://www.who.int/news-room/fact-sheets/detail/the-top-10-causes-of-death. [Accessed 18 September 2025].[72]
12. Aggarwal A, Tam CC, Wu D, Li X, Qiao S. Artificial intelligence—based chatbots for promoting health behavioral changes: systematic review. J Med Internet Res2023;25:e40789.[73]
13. Faruqui SHA, Alaeddini A, Du Y, Li S, Sharma K, WangJ. Nurse-in-the-loop artificial intelligence for precisionmanagement of type 2 diabetes in a clinical trial uti-lizing transfer-learned predictive digital twin. arXiv 2024,http://arxiv.org/abs/2401.02661. [Accessed 18 September2025].
14. Qiu H, et al. Applications of artificial intelligence in screening, diagnosis, treatment, and prognosis of colorectal cancer. Curr Oncol. 2022;29(3):1773–95.
15. Artem Shmatko , Alexander Wolfgang Jung , Kumar Gaurav et al.Learning the natural history of human disease with generative transformers.Nature2025 Nov;647(8088):248-256.doi: 10.1038/s41586-025-09529-3. Epub 2025 Sep 17.
Partecipa alla community