di Yuleisy Cruz Lezcano

 

 L'intelligenza artificiale è destinata a compiere il passo decisivo, passando dall'essere uno strumento capace di rispondere alle domande di medici e pazienti a diventare un sistema in grado di partecipare direttamente ai processi decisionali della medicina? È un interrogativo che fino a pochi anni fa apparteneva quasi esclusivamente alla fantascienza, mentre oggi rappresenta uno dei temi più discussi dalla comunità scientifica internazionale, dall'industria tecnologica e dai responsabili delle politiche sanitarie.

 L'evoluzione dei modelli di machine learning, del deep learning e delle reti neurali addestrate su enormi quantità di dati clinici sta infatti modificando il rapporto tra tecnologia e assistenza sanitaria, aprendo scenari nei quali i software non si limitano più a elaborare informazioni, ma sono in grado di analizzare sintomi, interpretare esami diagnostici, individuare correlazioni invisibili all'occhio umano e formulare ipotesi terapeutiche sempre più sofisticate. Negli Stati Uniti il dibattito si è intensificato anche sul piano politico. L'amministrazione Trump ha manifestato interesse verso una maggiore integrazione dell'intelligenza artificiale nei processi della pubblica amministrazione e del sistema sanitario, sostenendo iniziative volte ad accelerare l'adozione di tecnologie avanzate.

Sebbene, allo stato attuale, la prescrizione di farmaci senza alcuna supervisione medica non rappresenti uno standard clinico approvato né una pratica diffusa, il confronto tra istituzioni, aziende tecnologiche e settore sanitario punta a comprendere fino a che punto questi sistemi possano assumere un ruolo sempre più autonomo nelle diagnosi e nell'elaborazione dei percorsi terapeutici. L'orientamento della ricerca internazionale è quello di trasformare l'intelligenza artificiale in una componente strutturale dell'assistenza medica. L'obiettivo perseguito da numerosi gruppi di ricerca è sviluppare piattaforme capaci di raccogliere l'anamnesi del paziente, confrontare milioni di casi clinici, interpretare immagini radiologiche, referti di laboratorio e dati genetici, valutare la probabilità delle diverse patologie e suggerire il trattamento più appropriato sulla base delle evidenze scientifiche più aggiornate. Si tratta di sistemi che sfruttano algoritmi di apprendimento supervisionato e non supervisionato, modelli probabilistici e tecniche di apprendimento per rinforzo, continuamente perfezionati attraverso nuovi dati e verifiche cliniche.

 L'intelligenza artificiale, in questo contesto, non sostituisce semplicemente la memoria del medico, ma tenta di riprodurne il processo decisionale integrandolo con una capacità di analisi statistica praticamente irraggiungibile per un essere umano. Tra le esperienze che stanno attirando l'attenzione figura anche quella di startup impegnate nello sviluppo di chatbot clinici in grado di effettuare una prima valutazione delle condizioni del paziente. Secondo le informazioni diffuse dall'azienda, il direttore medico Armando Cuesta sostiene che il sistema sviluppato sia in grado di formulare diagnosi comparabili a quelle di un buon medico e di impostare un piano terapeutico, operando attualmente con la supervisione di un professionista sanitario. Si tratta di una prospettiva che evidenzia il rapido progresso della tecnologia, pur richiedendo ulteriori verifiche scientifiche indipendenti e una rigorosa validazione clinica prima di un'eventuale diffusione su larga scala. Anche l'America Latina sta osservando con interesse questa evoluzione.

In Argentina sono stati avviati programmi di sperimentazione sull'impiego dell'intelligenza artificiale in ambito sanitario con l'obiettivo di valutare l'efficacia degli algoritmi nel supporto alle diagnosi e nell'organizzazione dei percorsi assistenziali. Le sperimentazioni mirano a comprendere non soltanto il livello di accuratezza raggiunto dai sistemi, ma anche la loro capacità di integrarsi nel lavoro quotidiano degli operatori sanitari senza compromettere sicurezza, trasparenza e responsabilità clinica. Le pubblicazioni scientifiche degli ultimi anni confermano come gli algoritmi di deep learning abbiano raggiunto livelli di accuratezza molto elevati nell'interpretazione di immagini diagnostiche, nella dermatologia, nell'oftalmologia, nella radiologia e nell'identificazione precoce di alcune patologie oncologiche e cardiovascolari. Modelli linguistici di ultima generazione sono inoltre in grado di sintetizzare cartelle cliniche, supportare la ricerca bibliografica, individuare possibili interazioni farmacologiche e suggerire protocolli terapeutici coerenti con le linee guida internazionali. Tuttavia, la medicina resta un settore nel quale l'affidabilità non può essere misurata esclusivamente in termini statistici.

 Ogni decisione clinica coinvolge aspetti biologici, psicologici, etici e sociali che difficilmente possono essere ricondotti esclusivamente a un algoritmo. Per questo motivo la maggior parte delle autorità regolatorie e delle società scientifiche continua a considerare imprescindibile il ruolo del medico. La supervisione umana rappresenta oggi una garanzia fondamentale per intercettare eventuali errori degli algoritmi, correggere possibili distorsioni derivanti dai dati utilizzati durante l'addestramento e adattare le decisioni alle caratteristiche specifiche di ogni paziente. L'intelligenza artificiale può riconoscere schemi complessi con straordinaria rapidità, ma non possiede consapevolezza, responsabilità giuridica né la capacità di instaurare il rapporto umano che costituisce una parte essenziale dell'atto medico. Il futuro appare comunque orientato verso una crescente collaborazione tra professionisti della salute e sistemi intelligenti. Gli esperti parlano della necessità di sviluppare software sempre più trasparenti, spiegabili e affidabili, capaci di motivare le proprie conclusioni e di consentire al medico di comprenderne il ragionamento. Parallelamente sarà necessario sensibilizzare professionisti e cittadini a un utilizzo consapevole di queste tecnologie, evitando sia l'entusiasmo acritico sia il rifiuto pregiudiziale dell'innovazione. L'ascolto dei software, così come la capacità di valutarne criticamente le indicazioni, diventerà probabilmente una nuova competenza della medicina del XXI secolo. La sfida non sarà stabilire se l'intelligenza artificiale entrerà definitivamente negli ospedali, perché questo processo è già iniziato, ma comprendere quale equilibrio saprà instaurare con l'esperienza, il giudizio clinico e la responsabilità dei professionisti chiamati a prendersi cura delle persone.

Negli ultimi anni la ricerca informatica applicata alla medicina ha accelerato lo sviluppo di architetture sempre più complesse, in grado di integrare dati eterogenei provenienti da imaging diagnostico, cartelle cliniche elettroniche, genetica e monitoraggio in tempo reale. Questo tipo di integrazione, spesso definita multimodale, ha permesso di costruire modelli capaci di individuare correlazioni cliniche che non emergono facilmente dall’analisi umana tradizionale. Tuttavia, proprio l’aumento della complessità ha reso centrale il problema della verificabilità del ragionamento algoritmico. Una delle linee più importanti della ricerca attuale riguarda i cosiddetti sistemi di apprendimento continuo, nei quali il modello non viene addestrato una sola volta, ma aggiornato progressivamente attraverso nuovi dati clinici. Questo approccio, noto come continuous learning o lifelong learning, introduce però un rischio significativo: il cosiddetto “model drift”, cioè la progressiva perdita di coerenza delle prestazioni quando i dati reali cambiano rispetto a quelli di addestramento. In ambito medico questo fenomeno può tradursi in variazioni non controllate nell’accuratezza diagnostica, rendendo indispensabili sistemi di monitoraggio e validazione costante.

Parallelamente si sta sviluppando un filone cruciale legato alla cosiddetta explainable artificial intelligence, che tenta di risolvere uno dei problemi più critici dei modelli neurali profondi: la loro opacità decisionale. In medicina, infatti, non è sufficiente ottenere una risposta corretta, ma è necessario comprendere perché quella risposta venga prodotta. Le tecniche di interpretabilità cercano di tradurre le attivazioni interne dei modelli in elementi comprensibili per il medico, evidenziando quali variabili cliniche hanno influenzato maggiormente la decisione. Questo aspetto è diventato centrale anche per le autorità regolatorie, che richiedono livelli crescenti di trasparenza nei sistemi destinati a uso sanitario.

 Un altro elemento chiave riguarda la gestione dei dati. Le applicazioni mediche di intelligenza artificiale dipendono da enormi quantità di informazioni sensibili, e questo ha portato allo sviluppo di infrastrutture basate su federated learning, un approccio che consente di addestrare modelli senza spostare fisicamente i dati dai singoli ospedali. In questo modo, le informazioni rimangono localmente protette, mentre i parametri del modello vengono aggiornati in maniera distribuita. Questa architettura rappresenta uno dei compromessi più avanzati tra progresso tecnologico e tutela della privacy clinica.