L’intelligenza artificiale sta entrando con forza nella pratica clinica, portando innovazioni che promettono di trasformare diagnosi, terapie e organizzazione dei servizi sanitari. Accanto alle opportunità emergono però interrogativi cruciali: quanto è affidabile un algoritmo in medicina? Quali rischi comporta? E soprattutto, come preservare il ruolo centrale del medico?

Ma “l’intelligenza artificiale in Sanità non è un fine in sé, ma uno strumento per amplificare il giudizio clinico. Il suo valore nasce dall’apprendimento dai dati: algoritmi di machine learning e deep learning riconoscono pattern, stimano probabilità, suggeriscono priorità diagnostiche e terapeutiche. La finalità non è sostituire il medico, bensì rafforzare la capacità decisionale del medico, rendendo più tempestive e coerenti le decisioni, soprattutto nei contesti complessi”, evidenzia Salvatore Corrao, direttore dell’Unità di Medicina Interna dell’ARNAS Civico di Palermo e docente dell’Università di Palermo, che invita a un approccio equilibrato e consapevole, capace di mettere al centro la qualità delle cure e i diritti del paziente.

“L’IA agisce come un moltiplicatore dell’attenzione clinica – prosegue -. Riduce il rumore informativo, orienta le ipotesi differenziali, supporta la gestione del rischio e velocizza passaggi critici, dal triage alla definizione del piano terapeutico, senza erodere l’autonomia professionale. Il guadagno reale non riguarda soltanto l’accuratezza delle diagnosi, ma anche la standardizzazione dei processi e la tracciabilità delle scelte: due leve fondamentali per qualità, sicurezza e accountability, che permettono di offrire cure più coerenti e trasparenti ai pazienti”.

Potenzialità e limiti

“È utile distinguere tra l’IA ristretta, progettata per compiti ben delimitati, come classificare un’immagine, prevedere un rischio o estrarre informazioni da un referto, e l’IA generale, ancora non fruibile nella pratica clinica. Gli algoritmi lavorano entro i limiti dei dati con cui sono stati addestrati e questo significa che qualità, rappresentatività e completezza dei dataset condizionano direttamente accuratezza, trasferibilità e affidabilità dei risultati – sottolinea –. Se i dati sono parziali o distorti possono emergere bias di campionamento o di annotazione, che generano disuguaglianze nelle performance tra gruppi di pazienti. Per questo la costruzione e la validazione dei modelli non sono solo attività tecniche, ma fanno parte integrante della responsabilità clinico-scientifica. Bisogna inoltre considerare la stabilità nel tempo: fenomeni come il data drift o il concept drift impongono monitoraggio continuo, riaddestramento periodico e documentazione rigorosa delle versioni, altrimenti anche un modello eccellente in fase di test rischia di degradare in produzione, con impatti seri su equità e sicurezza”.

Applicazioni concrete e frontiere future

L’impatto dell’intelligenza artificiale è già concreto in diversi campi della medicina, applicazioni quotidiane che supportano il lavoro dei clinici.

“In diagnostica e prognostica l’IA eccelle quando lavora su dati digitali standardizzati e ad alto volume – osserva Corrao-. Parliamo di immagini radiologiche, cardiologiche o dermatologiche, di segnali come ECG e PPG, di analisi di laboratorio e perfino di testi clinici. Nella pratica i modelli aiutano a individuare anomalie subcliniche, a stratificare il rischio, a ottimizzare i percorsi – dal triage alle priorità di refertazione – e a prevedere eventi come deterioramenti in pronto soccorso, riacutizzazioni o risposta terapeutica”.

“Il punto chiave è l’integrazione nel flusso di lavoro – sottolinea -. L’algoritmo deve interfacciarsi con i sistemi informativi, come PACS, LIS e cartelle cliniche, senza creare attriti o carichi aggiuntivi. Il beneficio reale emerge solo quando la segnalazione algoritmica è tempestiva, ben calibrata e contestualizzata, cioè con soglie adattate al setting, spiegazioni sintetiche e alternative praticabili. Solo in questo modo si facilitano decisioni condivise, misurabili in termini di outcome clinici, tempi di processo e uso appropriato delle risorse”.

Guardando avanti, Corrao individua nella multimodalità la sfida più affascinante: “La frontiera più promettente è l’IA multimodale. Combinare immagini, segnali, esami di laboratorio, note cliniche e variabili demografiche in un unico modello consente di cogliere segnali deboli distribuiti su più fonti. Questo approccio spesso migliora la performance rispetto ai modelli monomodali e si adatta meglio a scenari internistici complessi. Tuttavia richiede infrastrutture robuste, ontologie condivise, qualità dei metadati, standard di interoperabilità e un governo del dato che ne garantisca provenienza, versione e consenso d’uso”.

Fiducia ed etica

“La fiducia non è un atto di fede, ma il risultato di processi verificabili – chiarisce il prof. -. Servono validazioni esterne su popolazioni real-world, studi di generalizzabilità tra differenti siti, analisi di calibratione, monitoraggio continuo delle prestazioni in produzione e meccanismi di allerta per il data drift. Gli output devono essere tracciabili, spiegabili a un livello adeguato al contesto – dal razionale clinico sintetico fino a mappe di attenzione o feature contribution – e accompagnati da limiti d’uso espliciti, come range di età, setting o qualità del segnale. I sistemi di IA per uso clinico vanno considerati ad alto rischio. Richiedono gestione dei bias, trasparenza, sorveglianza post-marketing e controllo umano significativo. L’output algoritmico non trasferisce la responsabilità: il professionista resta l’unico responsabile della decisione e deve poter motivare l’accoglimento o il rigetto del suggerimento. Inoltre, il consenso informato si evolve: quando l’IA influenza la decisione, il paziente ha diritto a una spiegazione comprensibile del ruolo dell’algoritmo”.

I rischi da evitare

Accanto alle opportunità, l’intelligenza artificiale porta con sé anche zone d’ombra che non vanno sottovalutate. Corrao richiama l’attenzione sui punti più critici, sintetizzandoli con chiarezza.

“I rischi principali sono quattro – ricorda -. Bias e disequità, che compromettono l’equità delle cure. Opacità, che ostacola l’audit clinico-scientifico e la spiegazione al paziente. Overreliance, cioè l’eccesso di fiducia, che riduce il controllo critico. Deskilling, la perdita di abilità cliniche se il professionista delega sistematicamente compiti chiave. Le contromisure, invece, includono dataset diversificati e annotati con qualità, soglie decisionali contestualizzate, doppia lettura nei casi a impatto elevato, connettività sistematica e circuiti di feedback per la correzione degli errori. Ulteriori leve sono spiegazioni operative, criteri di attivazione con soglie d’incertezza, valutazioni di congruità per sottogruppi e programmi di formazione che alternino lavoro con e senza IA per preservare abilità diagnostiche di base e capacità di controargomentazione clinica”.

Sicurezza e nuovo ruolo del medico

“La sicurezza informatica è un requisito clinico – ribadisce Corrao -. Vanno previsti segmentazione di rete, ridondanza, ottimizzazione dei dispositivi, gestione delle identità, piani di continuità operativa e test periodici di intrusione. Altrettanto cruciale è la catena di custodia del dato dal punto di raccolta all’inferenza. Ogni trasformazione di quest’ultimo, deve essere documentata per garantire integrità, riproducibilità e accountability medico-legale. I modelli devono essere protetti da attacchi specifici, da manipolazioni dei log o delle dipendenze software, e la gestione delle patch riduce il rischio di vulnerabilità note”.

La sfida non è solo tecnica, perché l’intelligenza artificiale ridisegna anche le competenze dei professionisti e introduce la figura del “medico aumentato”.

“Non un tecnico dell’algoritmo, ma un interprete del dato, capace di interrogare i modelli, valutarne i limiti e integrare le raccomandazioni con il proprio giudizio clinico e con i valori del paziente – puntualizza -. La formazione deve includere metodologia, lettura critica della letteratura, etica e governance del dato, ma anche competenze comunicative per spiegare con chiarezza incertezze e scelte al paziente. Solo così l’adozione sarà sostenibile e davvero centrata sulla persona”.

Infine Corrao richiama, in particolare le nuove generazioni di medici, a un approccio di equilibrio. “L’IA ben progettata e governata permette di passare da una medicina reattiva a una più proattiva, predittiva e personalizzata. Ma il guadagno reale non è tecnologico, ma è nell’equità degli esiti e nella qualità delle decisioni. Per questo bisogna evitare tanto il tecnosoluzionismo quanto la nostalgia anti-tecnologica. La strada è un’alleanza consapevole tra sapere clinico, evidenza scientifica e potenza analitica, sempre centrata sui bisogni e sui diritti delle persone assistite”.