L'intelligenza artificiale in sanità è entrata in una fase delicata. Promette diagnosi più rapide, trial meglio disegnati, reparti più fluidi e percorsi di cura più personalizzati, ma continua a scontrarsi con un punto che nessuna demo riesce ad aggirare: nell’healthcare la capacità tecnica di un sistema non è sufficiente, deve essere affidabile, comprensibile e inserito in processi che reggano davvero il peso clinico, organizzativo e regolatorio delle decisioni.

Parlare di AI nell’healthcare in modo serio richiede quindi un passo in più rispetto al linguaggio dell'innovazione. Non basta chiedersi che cosa l'algoritmo sa fare: serve capire dove crea valore clinico o operativo, quali rischi introduce e quali condizioni permettono di passare da una sperimentazione promettente a un'adozione che non si incrini appena entra nella pratica quotidiana.

Dove l'AI sta già creando valore in ambito sanitario

Il campo è più ampio di quanto sembri. Come già evidenziava nel 2021 il primo rapporto globale sull’AI dell’OMS, l'intelligenza artificiale può contribuire a migliorare velocità e accuratezza di diagnosi e screening, supportare la pratica clinica, rafforzare ricerca e sviluppo di farmaci e aiutare la gestione dei sistemi sanitari. Questa ampiezza spiega perché il tema non riguardi solo medici e produttori di tecnologia, ma anche chi governa dati, processi ospedalieri, sperimentazioni e accesso alle cure.

Il valore, però, non emerge nello stesso modo ovunque. In alcuni casi l’AI aiuta a leggere meglio informazioni già disponibili, come accade nell’analisi di immagini, nella sintesi di cartelle cliniche complesse o nell’estrazione di elementi rilevanti da referti, note e documentazione non strutturata. In altri consente di collegare fonti prima separate, facendo emergere pattern utili per stratificazione del rischio, organizzazione dei percorsi o identificazione dei pazienti eleggibili per uno studio. Il tratto comune è uno: funziona quando riduce attrito cognitivo o operativo in un punto preciso del lavoro sanitario.

Anche per questo le applicazioni più mature non sono necessariamente quelle più visibili o di maggiore impatto mediatico. L'AI nell’healthcare convince quando aiuta a prendere decisioni migliori riducendo dispersione informativa, ritardi operativi e variabilità non motivata. Se resta una tecnologia che produce output sofisticati ma poco integrati nei flussi reali, il valore rimane fragile.

Le applicazioni AI più promettenti tra diagnosi, trial e operations

Oggi il potenziale dell'AI emerge con maggiore chiarezza in tre aree, molto diverse tra loro.

Diagnosi e supporto decisionale

Un primo ambito riguarda diagnosi, screening e supporto alla decisione clinica. Radiologia, patologia digitale, analisi di referti, triage e identificazione precoce di segnali di rischio sono ambiti in cui l'AI può aumentare velocità di lettura, coerenza e capacità di prioritarizzare i casi. Può, ad esempio, aiutare a ridurre i tempi di refertazione, segnalare immagini o parametri meritevoli di attenzione e supportare il medico nella lettura di informazioni cliniche distribuite tra più documenti. Il punto interessante non è solo l'automazione del compito. È la possibilità di alleggerire il carico informativo in contesti in cui il tempo è poco e il margine di errore pesa molto.

Ricerca clinica e sviluppo

Un altro ambito cruciale è la ricerca clinica. Qui l'AI entra nella selezione dei pazienti, nel matching con i trial, nell'analisi dei dati clinici e nella gestione di evidenze che sarebbe difficile esaminare manualmente con la stessa profondità. Può aiutare a individuare pazienti eleggibili per uno studio, confrontare criteri di inclusione ed esclusione, analizzare grandi volumi di letteratura scientifica e rendere più rapido il passaggio dai dati disponibili a ipotesi di ricerca verificabili. L’EMA - European Medicines Agency mostra bene questo orientamento: considera l'AI rilevante lungo l'intero ciclo di vita del medicinale, dalla ricerca iniziale fino al monitoraggio successivo all'autorizzazione, purché venga usata in modo sicuro ed efficace.

Operations sanitarie

C'è poi l'operatività delle strutture, spesso meno raccontata ma decisiva. Gestione dei posti letto, previsione dei flussi, organizzazione delle urgenze, allocazione delle risorse, coding documentale, sintesi amministrativa e instradamento delle attività sono casi d'uso meno appariscenti della diagnosi assistita, ma spesso più rapidi nel produrre impatto. In concreto, significa prevedere picchi di accesso al pronto soccorso, supportare la programmazione di personale e sale, ridurre attività amministrative ripetitive e rendere più fluido il passaggio delle informazioni tra reparti. Quando un ospedale riduce tempi di attesa, congestione o lavoro ripetitivo, l'AI non migliora solo l'efficienza: permette ai professionisti sanitari di concentrarsi sulle attività a maggior valore.

I nodi critici: bias, sicurezza, dati e responsabilità

Più il perimetro si allarga, più diventa evidente che il problema non è soltanto tecnico. Una criticità centrale riguarda la qualità del dato. In sanità i dati sono eterogenei, incompleti, distribuiti tra sistemi diversi e spesso raccolti con finalità originarie differenti. Se l'addestramento o l'uso del modello poggiano su basi poco rappresentative, l'errore non resta astratto: può colpire un paziente, distorcere una priorità o spingere una decisione nella direzione sbagliata.

L’OMS insiste proprio su questo rischio, ricordando che sistemi sviluppati su dati raccolti soprattutto in contesti ad alto reddito possono funzionare peggio altrove. È uno snodo essenziale, perché in healthcare il tema dei bias non riguarda solo l'equità in senso generale. Riguarda la tenuta clinica di un sistema quando incontra popolazioni, setting assistenziali o pratiche reali diverse da quelle del dataset originario.

Poi c'è il tema della sicurezza, intesa in senso ampio. La panoramica FDA su AI e medical products ricorda, ad esempio, che il tema attraversa farmaci, prodotti biologici e dispositivi medici, e che l'obiettivo regolatorio resta sempre lo stesso: proteggere salute pubblica, efficacia e qualità. In altre parole, l'AI non vive in una zona franca dell'innovazione. Quando entra in prodotti o decisioni che toccano il paziente, eredita tutto il peso della validazione, della tracciabilità e del controllo.

Infine c'è la responsabilità. Un output ben formulato non chiarisce automaticamente chi decide, chi verifica, chi risponde di un errore e in quali condizioni un professionista può fidarsi del sistema. Se questi passaggi restano opachi, l'adozione si blocca. O peggio: procede lo stesso, ma senza un presidio adeguato.

AI e healthcare: dalle regole alla governance operativa

Proprio per questi motivi, negli ultimi anni il dibattito regolatorio si è fatto più concreto. Non si parla più soltanto di opportunità, ma delle condizioni che rendono l’uso dell’AI compatibile con il contesto sanitario. Il punto centrale è che un sistema AI non può essere valutato solo per la qualità del suo output: deve essere verificabile nel modo in cui usa i dati, spiegabile nei limiti del possibile, monitorato nel tempo e inserito in una catena chiara di responsabilità.

Per chi adotta AI in ambito sanitario, questo significa lavorare su alcuni requisiti pratici. Prima di tutto, la validazione: un modello deve essere testato rispetto al contesto d’uso reale, alle popolazioni coinvolte e ai processi in cui verrà inserito. Poi l’auditabilità: dati, logiche di funzionamento, aggiornamenti e interventi umani devono poter essere ricostruiti, soprattutto quando il sistema contribuisce a decisioni cliniche o organizzative rilevanti.

C’è poi il monitoraggio continuo. Un modello che funziona bene in una fase iniziale può perdere efficacia quando cambiano dati, popolazioni, protocolli, strumenti diagnostici o modalità operative. Per questo la governance non può esaurirsi nella fase di rilascio: deve includere controlli sulle performance, gestione delle anomalie, revisione periodica e criteri chiari per aggiornare o sospendere l’utilizzo del sistema.

Le indicazioni di OMS, EMA e FDA convergono proprio su questo punto: l’innovazione è possibile, ma dentro un perimetro in cui approccio risk-based, efficacia, qualità del dato, trasparenza e responsabilità restano centrali. In healthcare, adottare AI non significa quindi introdurre un algoritmo e misurarne l’accuratezza una volta per tutte. Significa costruire un sistema di governo capace di accompagnarlo lungo tutto il ciclo di vita, creando un dialogo stabile tra sviluppatori, regolatori, produttori, operatori sanitari e pazienti.

Oltre la sperimentazione: le condizioni per portare l’AI nella pratica sanitaria

Molti progetti AI in sanità sembrano maturi finché restano confinati a un pilot ben controllato. La differenza tra una prova riuscita e un'adozione reale sta quasi sempre altrove: integrazione nei flussi, qualità del dato nel tempo, presidio delle eccezioni, formazione delle persone e chiarezza sul punto esatto in cui il sistema aiuta una decisione.

Una sperimentazione può anche produrre metriche brillanti e restare periferica. Succede quando lavora su dataset ben puliti ma lontani dalla pratica quotidiana, oppure quando offre un suggerimento utile ma non si innesta nel software, nel reparto o nel flusso di lavoro in cui quel suggerimento dovrebbe essere usato. In quel caso l'AI resta una capacità tecnica interessante, non una capacità organizzativa.

L'adozione comincia quando clinici, ricercatori o team operativi capiscono che cosa cambia concretamente nel loro lavoro e in quali condizioni possono fidarsi. Da lì in poi, estendere l’uso dell’AI richiede ancora più disciplina: monitorare eventuali derive del modello, rivedere governance e qualità dei dati, aggiornare i controlli, misurare impatti reali e non solo accuratezza tecnica.

L'AI in healthcare ha quindi un futuro molto concreto, ma meno automatico di quanto spesso si racconti. Le applicazioni promettenti esistono già, dalla diagnosi al supporto decisionale, dai trial alle operations. La linea di separazione non passa tra chi adotta e chi non adotta. Passa tra chi tratta l'AI come una scorciatoia tecnologica e chi la costruisce come infrastruttura affidabile di cura, ricerca e governo del sistema sanitario.