Dalla radiologia all’analisi dei dati clinici, fino alla ricerca di nuovi farmaci, l’intelligenza artificiale sta entrando sempre più rapidamente nella medicina. Le possibilità sono considerevoli, ma la vera sfida non è sostituire il medico: è sviluppare sistemi affidabili, verificabili e capaci di migliorare concretamente le decisioni cliniche.
L’intelligenza artificiale è già entrata negli ospedali
Per anni l’intelligenza artificiale applicata alla medicina è stata raccontata soprattutto come una tecnologia del futuro.
Quel futuro, almeno in parte, è già arrivato.
Algoritmi capaci di analizzare immagini, riconoscere pattern, elaborare grandi quantità di informazioni cliniche e assistere alcune decisioni sono progressivamente entrati nel settore sanitario.
L’Organizzazione Mondiale della Sanità indica tra le applicazioni dell’IA già presenti o in sviluppo la diagnosi e l’assistenza clinica, la ricerca e lo sviluppo di farmaci, la sorveglianza delle malattie, la risposta alle epidemie e la gestione dei sistemi sanitari.
Negli Stati Uniti, la Food and Drug Administration mantiene inoltre un elenco di dispositivi medici basati sull’intelligenza artificiale autorizzati alla commercializzazione. Tra le aree rappresentate figurano radiologia, cardiologia e altre discipline diagnostiche.
Non siamo quindi più davanti soltanto a prototipi sperimentali.
La domanda è diventata un’altra: in quali attività l’IA può realmente migliorare la medicina?
Immagini diagnostiche: uno dei settori più avanzati
Radiologia, anatomia patologica, oftalmologia e altre discipline basate sulle immagini rappresentano un terreno particolarmente favorevole allo sviluppo dell’intelligenza artificiale.
Un’immagine diagnostica contiene enormi quantità di informazioni. Gli algoritmi possono essere addestrati utilizzando grandi collezioni di immagini per riconoscere determinate caratteristiche e individuare pattern associati a una patologia.
In questo contesto, l’IA può diventare uno strumento di supporto: può contribuire a identificare anomalie, effettuare misurazioni, classificare immagini o aiutare a stabilire quali esami richiedano una valutazione particolarmente rapida.
La letteratura più recente evidenzia il crescente ruolo dei cosiddetti foundation models, sistemi addestrati su grandi quantità di dati e successivamente adattabili a differenti compiti. Nature Medicine sottolinea come questi modelli stiano assumendo particolare rilevanza nelle discipline fortemente basate sulle immagini, come radiologia, patologia e imaging retinico.
Non solo immagini: l’IA può leggere enormi quantità di dati
La medicina moderna produce una quantità di informazioni difficilmente immaginabile fino a pochi decenni fa.
Referti, esami di laboratorio, immagini diagnostiche, parametri vitali, anamnesi, terapie, dati genomici e cartelle cliniche elettroniche costituiscono un patrimonio informativo enorme.
L’intelligenza artificiale può essere utilizzata per cercare relazioni all’interno di questi dati e costruire sistemi capaci di supportare la valutazione clinica.
I modelli multimodali rappresentano uno degli sviluppi più interessanti: anziché elaborare un solo tipo di informazione, possono integrare testo, immagini, risultati di laboratorio e altri dati clinici.
Una delle prospettive della ricerca è proprio quella di sviluppare sistemi capaci di adattarsi al contesto del singolo paziente, alla specialità e all’ambiente sanitario nel quale vengono utilizzati.
L’intelligenza artificiale generativa arriva in medicina
Un’altra trasformazione è rappresentata dall’IA generativa.
Questi sistemi non si limitano a classificare informazioni, ma possono produrre nuovi contenuti: testi, sintesi, risposte, immagini e altre forme di output.
In ambito sanitario potrebbero essere utilizzati, per esempio, per organizzare informazioni contenute nelle cartelle cliniche, sintetizzare documentazione, facilitare determinate attività amministrative o assistere l’accesso alla conoscenza medica.
I modelli più avanzati possono inoltre elaborare contemporaneamente diverse tipologie di dati.
L’OMS definisce questi sistemi large multi-modal models e ritiene probabile una loro ampia applicazione nell’assistenza sanitaria, nella ricerca scientifica, nella sanità pubblica e nello sviluppo dei farmaci.
Ma proprio la capacità di generare risposte apparentemente convincenti introduce un problema fondamentale: una risposta plausibile non è necessariamente una risposta corretta.
Dalla scoperta di una molecola allo sviluppo di un farmaco
L’impatto dell’intelligenza artificiale potrebbe essere significativo anche molto prima che un paziente entri in ospedale.
La ricerca farmaceutica richiede l’analisi di enormi spazi chimici e biologici.
L’IA viene studiata per intervenire in diverse fasi del processo di sviluppo dei farmaci: identificazione dei bersagli biologici, ricerca di nuove molecole, previsione delle loro proprietà e ottimizzazione dei candidati.
Una review pubblicata su Nature Medicine nel 2025 ha analizzato proprio il ruolo crescente dell’intelligenza artificiale lungo il processo di drug discovery e sviluppo farmaceutico, insieme alle difficoltà ancora da superare prima che molte di queste applicazioni possano tradursi in risultati clinici.
L’obiettivo non è semplicemente “far inventare un farmaco al computer”, ma utilizzare capacità computazionali avanzate per esplorare possibilità che con i metodi tradizionali richiederebbero tempi e risorse considerevoli.
Il problema degli errori
Le prestazioni ottenute da un algoritmo durante uno studio sperimentale non garantiscono automaticamente che lo stesso sistema funzioni altrettanto bene nella pratica clinica.
Un modello addestrato su una determinata popolazione potrebbe comportarsi diversamente quando viene utilizzato su pazienti con caratteristiche differenti.
Cambiano gli ospedali, le apparecchiature, le popolazioni, la prevalenza delle malattie e la qualità dei dati.
Esiste inoltre il problema dei bias: se i dati utilizzati per sviluppare un algoritmo non rappresentano adeguatamente la popolazione nella quale verrà utilizzato, le sue prestazioni potrebbero non essere uniformi.
Per questo la ricerca sta spostando progressivamente l’attenzione dalla semplice performance ottenuta nei benchmark alla valutazione nel mondo reale. Nel 2026 Nature Medicine ha sottolineato proprio la necessità di passare dai risultati sperimentali a processi di valutazione clinica progressivi e capaci di costruire fiducia attraverso evidenze reali.
Privacy e dati sanitari
Per funzionare, molti sistemi di intelligenza artificiale hanno bisogno di dati.
In medicina, però, quei dati possono riguardare alcune delle informazioni più sensibili di una persona.
Cartelle cliniche, immagini diagnostiche, informazioni genetiche e anamnesi non possono essere trattate come normali dati commerciali.
Privacy, sicurezza informatica, qualità dei database, trasparenza degli algoritmi e responsabilità in caso di errore diventano quindi parte integrante dell’innovazione.
L’OMS richiama da anni l’attenzione proprio sui rischi relativi a privacy, bias, equità, responsabilità e accessibilità, sostenendo che lo sviluppo dell’IA sanitaria debba mantenere al centro etica e diritti umani.
Chi risponde quando l’intelligenza artificiale sbaglia?
È una delle domande più complesse.
Se un algoritmo fornisce un’indicazione sbagliata e quella informazione contribuisce a una decisione clinica errata, chi ne è responsabile?
Il medico? L’ospedale? Il produttore del software? Chi ha sviluppato il modello?
L’espansione dell’intelligenza artificiale sta costringendo i sistemi sanitari e le autorità regolatorie ad affrontare questioni che non sono soltanto tecnologiche.
Nel suo primo quadro complessivo sull’adozione dell’IA nei sistemi sanitari della Regione europea, pubblicato nel 2025 sulla base delle risposte di 50 Stati membri, WHO Europe ha evidenziato opportunità ma anche persistenti difficoltà legate a certezza giuridica, qualità dei dati, sostenibilità economica e governance.
Il medico rimane dentro il processo decisionale
La possibilità che l’intelligenza artificiale sostituisca completamente il medico è una delle rappresentazioni più popolari del fenomeno, ma è anche una semplificazione.
La medicina non consiste esclusivamente nel riconoscere una lesione su un’immagine o nell’associare un insieme di parametri a una diagnosi.
Significa comprendere la storia del paziente, valutare informazioni incomplete o contraddittorie, considerare preferenze e fragilità, comunicare l’incertezza e assumersi la responsabilità di una decisione.
Un algoritmo può essere estremamente efficace in un compito specifico senza possedere questa visione complessiva.
Per questo un editoriale di Nature Medicine del 2025 ha richiamato esplicitamente la necessità di mantenere l’essere umano all’interno del processo, chiedendo maggiori studi non soltanto sulle prestazioni dell’IA isolata, ma sull’interazione tra professionisti sanitari e sistemi artificiali nella pratica clinica.
Il futuro potrebbe essere medico più intelligenza artificiale
La vera rivoluzione potrebbe quindi non essere una competizione tra uomo e macchina.
Potrebbe essere la capacità di distribuire diversamente il lavoro.
Un sistema artificiale può analizzare rapidamente grandi quantità di dati, individuare correlazioni, automatizzare attività ripetitive e fornire informazioni di supporto.
Il professionista può utilizzare queste informazioni all’interno di una valutazione clinica più ampia.
In questo scenario, la questione decisiva diventa come progettare l’interazione tra medico e tecnologia.
Un algoritmo accurato ma difficile da integrare nella pratica quotidiana potrebbe avere un’utilità limitata. Allo stesso modo, un sistema tecnicamente impressionante ma incapace di garantire sicurezza, trasparenza e affidabilità non può essere considerato automaticamente un progresso.
Una rivoluzione che deve essere dimostrata sul campo
L’intelligenza artificiale offre possibilità che fino a pochi anni fa sembravano appartenere alla fantascienza.
Ma in medicina l’innovazione non può essere misurata soltanto dalla potenza di un algoritmo.
Deve essere misurata sulla capacità di migliorare diagnosi, terapie, organizzazione dell’assistenza e risultati per i pazienti senza introdurre rischi inaccettabili.
La FDA sottopone i dispositivi medici basati sull’IA ai requisiti applicabili di valutazione pre-market e mantiene un elenco pubblico degli strumenti autorizzati negli Stati Uniti. L’OMS, parallelamente, sta lavorando affinché l’adozione dell’intelligenza artificiale nei sistemi sanitari sia basata su evidenze, sicurezza, equità e governance.
Il futuro della medicina sarà probabilmente sempre più digitale.
La vera sfida non sarà però costruire un’intelligenza artificiale capace di impressionare.
Sarà costruirne una capace di meritare la fiducia di medici e pazienti.
Fonti
World Health Organization – Harnessing Artificial Intelligence for Health. Programma OMS sulle applicazioni dell’intelligenza artificiale in diagnosi, assistenza clinica, sviluppo farmaceutico, sorveglianza e gestione sanitaria.
WHO – Artificial Intelligence for Health
WHO Europe – Artificial intelligence is reshaping health systems: state of readiness across the WHO European Region (2025). Analisi dell’adozione dell’IA nei sistemi sanitari europei basata su 50 Stati membri.
WHO Europe – AI e sistemi sanitari europei
World Health Organization – Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models. Indicazioni OMS sull’utilizzo responsabile dei modelli generativi e multimodali in sanità e ricerca.
WHO – Guidance on large multi-modal models
U.S. Food and Drug Administration – Artificial Intelligence-Enabled Medical Devices. Elenco e informazioni regolatorie sui dispositivi medici che incorporano tecnologie di intelligenza artificiale autorizzati negli Stati Uniti.
FDA – AI-Enabled Medical Devices
Nature Medicine – Artificial intelligence in drug development (2025). Review sulle applicazioni dell’intelligenza artificiale nella scoperta e nello sviluppo di nuovi farmaci.
Nature Medicine – Artificial intelligence in drug development
Nature Medicine – For trustworthy AI, keep the human in the loop (2025). Editoriale sulla necessità di studiare e preservare l’interazione tra professionisti sanitari e sistemi di IA.
Nature Medicine – Keep the human in the loop
Nature Medicine – Principles to guide clinical AI readiness and move from benchmarks to real-world evaluation (2026). Approfondimento sulla necessità di valutare l’intelligenza artificiale clinica nelle condizioni reali di utilizzo.
Nature Medicine – Clinical AI readiness