AI nel settore sanitario: applicazioni e best practice

L'AI nell'assistenza sanitaria si riferisce all'applicazione dell'intelligenza artificiale, inclusi il machine learning, il deep learning e l'AI generativa, ai workflow clinici, amministrativi e di ricerca nei sistemi sanitari. I sistemi di AI per la sanità acquisiscono i dati dei pazienti, le cartelle cliniche elettroniche, l'imaging medico e la documentazione clinica per supportare la diagnosi, la pianificazione dei trattamenti e l'efficienza operativa. Questa guida è scritta per professionisti sanitari, leader dell'IT sanitaria e team di informatica clinica che valutano soluzioni di AI, dando priorità ai casi d'uso clinici, alle pratiche relative ai dati e agli obblighi normativi rispetto al confronto tra i vendor.

L'AI in ambito sanitario ha una storia più lunga di quanto la maggior parte dei team clinici ritenga. L'AI ha iniziato a integrarsi nell'assistenza sanitaria negli anni '70, quando i primi sistemi esperti basati su regole cercavano di replicare il processo decisionale dei medici per compiti diagnostici specifici. I moderni modelli di AI somigliano ben poco a quei primi sistemi, ma l'obiettivo principale rimane lo stesso: utilizzare i pattern nei dati per supportare, e non sostituire, il giudizio clinico. Le sezioni seguenti illustrano dove vengono utilizzati oggi gli strumenti di AI, come le organizzazioni gestiscono i dati di addestramento che li alimentano e quali framework normativi ne disciplinano l'uso clinico.

Ambito e definizioni: intelligenza artificiale, modelli di AI e algoritmi di AI

L'intelligenza artificiale è l'ampio campo dell'informatica focalizzato sulla creazione di sistemi che eseguono compiti che normalmente richiedono l'intelligenza umana, come il riconoscimento dei pattern, la comprensione del linguaggio e la previsione. Nell'ambito dell'AI sanitaria, tre termini vengono spesso usati in modo intercambiabile, ma descrivono livelli distinti dello stack tecnologico.

I modelli di AI sono gli artefatti addestrati che mappano i dati di input, come i dati dei pazienti o le immagini mediche, in un output, come un punteggio di rischio o una classificazione. Gli algoritmi di AI sono le procedure matematiche, inclusi gli algoritmi di machine learning e le tecniche di deep learning, utilizzati per addestrare tali modelli. L'AI generativa è una categoria specifica di modelli di AI in grado di produrre nuovi contenuti, come bozze di documentazione clinica o riepiloghi della storia medica, anziché limitarsi a classificare o prevedere i dati esistenti.

Le organizzazioni sanitarie in genere distribuiscono diversi tipi di modelli affiancati: modelli di classificazione supervisionata per il supporto diagnostico, modelli di serie temporali per il monitoraggio dei pazienti, modelli di elaborazione del linguaggio naturale per la documentazione clinica e modelli di computer vision per l'analisi delle immagini mediche. Capire quale tipo di modello è alla base di un determinato strumento di AI aiuta i team clinici a valutarne gli output in modo appropriato, poiché il testo scorrevole di un modello generativo offre garanzie di affidabilità diverse rispetto all'output di un classificatore diagnostico validato.

Dove viene utilizzata l'AI: applicazioni e strumenti di AI in ambito sanitario

Gli strumenti di AI oggi interessano quasi ogni fase della medicina clinica, dall'accettazione al monitoraggio post-dimissione. Nelle organizzazioni del settore sanità e scienze della vita, le applicazioni più mature si concentrano in quattro categorie: supporto diagnostico, automazione amministrativa, scoperta di farmaci e coinvolgimento dei pazienti.

I sistemi di supporto alle decisioni cliniche segnalano i pazienti ad alto rischio, evidenziano i protocolli di trattamento pertinenti e riassumono la storia medica al momento dell'assistenza. Gli algoritmi di AI possono segnalare i pazienti ad alto rischio nei reparti di pronto soccorso, offrendo al personale di triage una visibilità tempestiva sul rischio di deterioramento rispetto a quanto consentito dalla revisione manuale delle cartelle cliniche. Gli strumenti di AI per l'imaging assistono radiologi e patologi eseguendo lo screening preliminare delle scansioni ed evidenziando le regioni di interesse. Le soluzioni di AI amministrativa gestiscono la codifica medica, l'elaborazione dei sinistri e l'autorizzazione preventiva, riducendo il carico di lavoro manuale per gli operatori sanitari.

Gli assistenti sanitari virtuali e i dispositivi indossabili estendono l'assistenza sanitaria basata sull'AI oltre l'ospedale, consentendo il monitoraggio continuo dei pazienti per le patologie croniche. Le piattaforme di telemedicina integrano sempre più spesso i modelli di AI direttamente nel workflow di consultazione, utilizzando l'elaborazione del linguaggio naturale per generare riepiloghi delle visite in tempo reale. In tutte queste applicazioni, il filo conduttore è che gli strumenti di AI sono progettati per potenziare la pratica clinica, fornendo insight accurati più rapidamente rispetto alla revisione manuale e lasciando al contempo le decisioni diagnostiche e terapeutiche ai professionisti sanitari.

Cartelle cliniche elettroniche e addestramento dei modelli di AI

Le cartelle cliniche elettroniche (EHR) sono la fonte di dati primaria per la maggior parte dei sistemi di AI sanitaria. I dati delle EHR includono campi strutturati come i risultati di laboratorio e gli elenchi dei farmaci, insieme a note cliniche non strutturate, rendendoli una fonte di dati di addestramento ricca ma eterogenea. L'AI può analizzare le cartelle cliniche elettroniche per prevedere i rischi di malattia, identificare le lacune nell'assistenza e segnalare i pazienti che potrebbero beneficiare di un intervento tempestivo.

Un addestramento efficace dei modelli di AI sui dati delle EHR richiede pratiche rigorose di raccolta dei dati. I sistemi sanitari necessitano di modelli di dati standardizzati, pratiche di codifica coerenti e formati interoperabili prima che gli algoritmi di AI possano apprendere in modo affidabile dai record storici. Le organizzazioni che centralizzano i dati delle EHR, la documentazione clinica e i dati di imaging su un'architettura data lakehouse unificata evitano i silos di dati che storicamente limitavano i progetti di AI sanitaria a progetti pilota per singoli reparti.

L'interoperabilità è un secondo requisito. I sistemi sanitari che scambiano dati tramite API moderne e standard basati su FHIR possono addestrare modelli di AI su popolazioni di pazienti più ampie e rappresentative, migliorando la generalizzabilità. L'AI può prevedere gli esiti dei pazienti con un'accuratezza del 70-72% utilizzando i dati delle EHR quando i modelli sono addestrati su dataset sufficientemente ampi e diversificati, sebbene l'accuratezza vari in modo significativo in base alla patologia, alla qualità dei dati e alla popolazione rappresentata nei dati di addestramento.

Documentazione clinica e AI generativa

La documentazione clinica è uno dei casi d'uso in più rapida crescita per l'AI generativa in ambito sanitario. Gli strumenti di ascolto ambientale acquisiscono gli incontri con i pazienti e redigono note cliniche strutturate, riducendo il tempo che i medici dedicano alla compilazione manuale delle cartelle cliniche. L'AI può ridurre le attività amministrative, migliorando l'efficienza dei medici e offrendo agli operatori sanitari più tempo diretto con i pazienti.

Un tipico workflow di documentazione clinica inizia con la trascrizione audio dell'incontro con il paziente, seguita da un modello di AI generativa che struttura la trascrizione in una nota formattata utilizzando modelli standard. I modelli linguistici di grandi dimensioni alimentano la maggior parte dei moderni strumenti di trascrizione e riepilogo, e molte implementazioni incorporano anche la Retrieval-Augmented Generation (RAG), una tecnica che ancora l'output di un modello a una knowledge base verificata anziché affidarsi esclusivamente all'addestramento interno del modello. L'ancoraggio delle note generate a una knowledge base RAG verificata riduce il rischio che nel record compaiano dettagli clinici inventati.

La validazione clinica rimane non negoziabile. Ogni nota redatta dall'AI richiede un checkpoint di revisione da parte del medico prima di entrare a far parte della cartella clinica permanente. Questa fase di supervisione umana non è una soluzione temporanea; è una caratteristica permanente di un'AI responsabile per la documentazione clinica, poiché i modelli generativi possono produrre testi scorrevoli ma di fatto errati, una modalità di errore che comporta implicazioni dirette per la sicurezza dei pazienti in una cartella clinica.

Strumenti di AI per l'imaging medico e la diagnostica

L'imaging medico è il settore clinico con la più solida esperienza in termini di strumenti di AI approvati dalle autorità di regolamentazione. Entro il 2025, il 77% dei dispositivi medici basati sull'AI approvati dalla FDA sarà in radiologia, riflettendo sia il volume di dati di imaging disponibili per l'addestramento sia la natura relativamente ben definita dei compiti di classificazione delle immagini rispetto a un ragionamento clinico più aperto.

I sistemi di AI ora analizzano le immagini mediche attraverso molteplici modalità. I modelli di deep learning addestrati su scansioni CT possono segnalare i primi segni di cancro al polmone, spesso identificando noduli più piccoli o meno evidenti di quelli rilevati in modo affidabile nella revisione manuale. Architetture convoluzionali simili supportano lo screening della retinopatia diabetica da fotografie retiniche e il rilevamento del cancro al seno da mammografia, due dei casi d'uso dell'AI per l'imaging più ampiamente validati nella medicina clinica.

Quando valutano gli strumenti di AI per l'imaging, le organizzazioni sanitarie dovrebbero confermare l'approvazione della FDA o lo stato della marcatura CE, richiedere dati pubblicati su sensibilità e specificità relativi a popolazioni paragonabili alla propria base di pazienti e stabilire un workflow in cui l'output dell'AI funga da secondo lettore anziché da decisione finale. Questo approccio preserva i vantaggi della diagnosi precoce, mantenendo al contempo la responsabilità in capo al radiologo o al patologo di riferimento.

Scoperta di farmaci e interazioni farmacologiche

La ricerca e lo sviluppo farmaceutico rappresentano una delle applicazioni a più alto valore dell'AI in ambito sanitario, dati i costi e le tempistiche pluriennali dello sviluppo di farmaci tradizionale. L'AI può migliorare i processi di scoperta dei farmaci, accelerando la disponibilità dei trattamenti grazie al restringimento dello spazio di ricerca dei candidati farmaci praticabili prima che inizi la costosa validazione in laboratorio.

Modelli di AI nella scoperta di farmaci

I modelli di previsione della struttura proteica, in particolare AlphaFold e i suoi successori, hanno cambiato il modo in cui i team di ricerca affrontano l'identificazione dei target. Invece di affidarsi esclusivamente alla cristallografia sperimentale, i ricercatori possono generare previsioni strutturali ad alta affidabilità per via computazionale, per poi dare priorità alla validazione in laboratorio (wet-lab) per i target più promettenti. Ciò sposta il workflow di scoperta dei farmaci: l'identificazione dei target inizia sempre più spesso con un modello computazionale prima di passare alla conferma biologica o biochimica. L'AI può ridurre significativamente i tempi di scoperta dei farmaci durante i trial clinici, in particolare nelle prime fasi di screening in cui i modelli di AI filtrano migliaia di composti candidati fino a ottenere una rosa ristretta che vale la pena testare sperimentalmente.

Rilevamento delle interazioni farmacologiche con l'AI

Gli algoritmi di literature mining scansionano ricerche cliniche pubblicate, report sugli eventi avversi e database di farmacovigilanza per identificare interazioni farmacologiche precedentemente non documentate. Questi algoritmi di AI elaborano volumi di testi di ricerca medica non strutturati che superano di gran lunga la capacità di copertura dei team di revisione manuale della letteratura. L'integrazione dei modelli di rilevamento delle interazioni farmacologiche con i sistemi di sorveglianza degli eventi avversi consente alle organizzazioni sanitarie di segnalare tempestivamente i problemi di sicurezza emergenti, a vantaggio sia della sicurezza dei singoli pazienti sia del monitoraggio della salute pubblica generale.

Soluzioni di AI operative: attività amministrative e flussi di lavoro

Il carico amministrativo viene costantemente indicato dagli operatori sanitari come una delle principali cause di burnout dei medici, e le soluzioni di AI mirate alle attività di routine affrontano direttamente questo problema. L'AI può ridurre il carico amministrativo per gli operatori sanitari automatizzando la codifica medica, le verifiche di idoneità assicurativa, la documentazione per l'autorizzazione preventiva e l'elaborazione dei rimborsi.

Una tipica implementazione di AI operativa mappa le attività amministrative in base a volume e complessità, quindi pianifica l'automazione partendo dai processi a volume più elevato e basati su regole, come la codifica delle visite di routine, prima di passare a scenari di rimborso più complessi. I diagrammi di flusso di lavoro che tracciano una richiesta di rimborso dalla presentazione alla liquidazione aiutano i team operativi a identificare dove la revisione assistita dall'AI riduce i tassi di rifiuto e la necessità di ripetere il lavoro.

Oltre alle richieste di rimborso, gli strumenti di allocazione delle risorse basati sull'AI aiutano i sistemi sanitari a distribuire risorse come personale, posti letto e attrezzature in base al volume di pazienti previsto. La stima del ritorno sull'investimento (ROI) operativo per queste implementazioni prevede in genere il confronto tra i tempi di elaborazione e i tassi di errore precedenti all'automazione e le metriche successive all'implementazione in un periodo pilota definito, offrendo ai sistemi sanitari una base solida per scalare i progetti pilota di successo.

Supporto alle decisioni cliniche e algoritmi di AI

I sistemi di supporto alle decisioni cliniche applicano algoritmi di AI per sintetizzare i dati dei pazienti, le linee guida cliniche e i protocolli di trattamento in raccomandazioni pratiche direttamente nel punto di cura. Le tipologie di algoritmi spaziano dai sistemi basati su regole, che applicano una logica clinica esplicita, agli algoritmi di machine learning addestrati su risultati storici, fino a modelli di deep learning più complessi in grado di identificare pattern impercettibili in dati multidimensionali, come i flussi continui dei parametri vitali.

La spiegabilità è un requisito fondamentale per il supporto alle decisioni cliniche, che lo distingue da molte altre applicazioni di AI. I professionisti sanitari devono comprendere il motivo per cui un algoritmo ha segnalato un determinato paziente o raccomandato uno specifico protocollo di trattamento, anziché ricevere semplicemente l'output. La rendicontazione delle metriche di spiegabilità, come le variabili di input che hanno influenzato maggiormente una determinata raccomandazione, favorisce la fiducia dei medici e soddisfa le crescenti aspettative normative per i sistemi di AI ad alto rischio.

I protocolli di validazione prima dell'implementazione dovrebbero includere test retrospettivi rispetto ai risultati storici dei pazienti, test prospettici in modalità shadow (in cui l'algoritmo viene eseguito parallelamente alle cure standard senza influenzare le decisioni) e il monitoraggio continuo delle prestazioni dopo il go-live. Questo approccio di validazione a fasi rileva il deterioramento delle prestazioni o i bias prima che possano influire sulla cura del paziente.

Pratiche relative ai dati: raccolta dei dati, privacy e utilizzo dei sistemi EHR

I sistemi di AI richiedono dati di alta qualità per garantire accuratezza ed equità, il che rende gli standard di raccolta dei dati fondamentali per qualsiasi programma di AI in ambito sanitario. Gli standard di raccolta dei dati clinici dovrebbero specificare le fonti di dati accettabili, le dimensioni minime del campione per i dati di addestramento e i requisiti di documentazione su come ogni dataset è stato assemblato ed etichettato.

La de-identificazione e la pseudonimizzazione sono pratiche standard prima che i dati sanitari entrino in una pipeline di addestramento del modello. Le tecniche variano dalla semplice rimozione dei campi ad approcci più sofisticati che preservano l'utilità analitica riducendo al contempo il rischio di re-identificazione. Le organizzazioni che operano nell'Unione Europea dovrebbero inoltre tenere conto dello Spazio europeo dei dati sanitari, un quadro di riferimento che consente l'uso secondario dei dati sanitari per la ricerca e l'innovazione nell'ambito dell'AI con tutele definite, distinto dall'uso primario di tali dati nella cura diretta del paziente.

Le considerazioni sui dati transfrontalieri aggiungono ulteriore complessità per i consorzi di ricerca multinazionali. La centralizzazione dei dati dei pazienti su un framework di data governance gestito, con una chiara tracciabilità (lineage) dalle fonti di dati proprietarie fino all'addestramento del modello, fornisce ai team di conformità la pista di controllo (audit trail) sempre più richiesta dalle autorità di regolamentazione.

Regolamentazione e responsabilità: l'AI Act e la conformità

Lo scenario normativo per l'AI in ambito sanitario è passato da linee guida volontarie a obblighi legali vincolanti. L'AI Act europeo sarà pienamente applicabile entro il 2026 e stabilisce un quadro normativo suddiviso per livelli di rischio in cui la maggior parte dei sistemi di AI clinica, compresi gli strumenti diagnostici e di raccomandazione dei trattamenti, è classificata come ad alto rischio. L'AI Act richiede che i sistemi di AI ad alto rischio soddisfino standard di sicurezza rigorosi, tra cui la gestione documentata dei rischi, la data governance, la documentazione tecnica e la supervisione umana lungo tutto il ciclo di vita del sistema.

Gli obblighi differiscono per i modelli di AI di uso generale, come i modelli linguistici di grandi dimensioni che le organizzazioni sanitarie ottimizzano (fine-tune) o implementano per uno specifico uso clinico, rispetto ai sistemi di AI creati per un unico scopo definito. I fornitori di modelli di uso generale devono affrontare requisiti di trasparenza e documentazione a livello di modello, mentre le organizzazioni sanitarie che implementano tali modelli per un uso clinico ad alto rischio ereditano obblighi aggiuntivi in qualità di utilizzatori (deployer) nell'ambito del quadro normativo.

Negli Stati Uniti, la FDA sta sviluppando quadri di riferimento per i dispositivi medici basati sull'AI che tengono conto di modelli in grado di apprendere continuamente dopo l'autorizzazione iniziale, segnando una svolta rispetto al tradizionale modello di approvazione dei dispositivi basato su un prodotto fisso e immutabile. Qualsiasi implementazione di AI in ambito sanitario che gestisca i dati dei pazienti deve inoltre essere conforme alle normative HIPAA per proteggere i dati dei pazienti, indipendentemente dal percorso normativo clinico applicabile. Una checklist pratica di conformità per le implementazioni di AI in ambito sanitario dovrebbe confermare le misure di salvaguardia per la conformità HIPAA, la classificazione del rischio applicabile ai sensi dell'AI Act, lo stato di autorizzazione della FDA ove pertinente e le procedure documentate di supervisione umana prima del go-live.

Framework di implementazione per il deployment di soluzioni di AI

Le organizzazioni sanitarie che ottengono risultati positivi con le soluzioni di AI seguono in genere una roadmap che va dal progetto pilota alla scalabilità, anziché un'implementazione a livello aziendale fin dal primo giorno. Una fase pilota, limitata a una singola linea di servizio clinico o a un flusso di lavoro amministrativo, fa emergere problemi di qualità dei dati, attriti nei flussi di lavoro e barriere all'adozione da parte dei medici prima di effettuare un investimento più ampio.

L'implementazione in modalità shadow, in cui il sistema di AI viene eseguito in parallelo con i flussi di lavoro clinici esistenti senza influenzare le decisioni in tempo reale, è il passaggio consigliato tra la fase pilota e la produzione per qualsiasi strumento di AI che riguardi la cura diretta del paziente. Questo periodo consente ai sistemi sanitari di confrontare gli output generati dall'AI con i risultati clinici effettivi e la revisione manuale, quantificando l'accuratezza prima che i medici si affidino alle raccomandazioni del sistema.

Il coinvolgimento degli stakeholder dovrebbe estendersi oltre il team informatico per incluirvi medici professionisti, responsabili della conformità e rappresentanti dei pazienti fin dalle prime fasi di pianificazione. Una cadenza di monitoraggio trimestrale garantisce che uno strumento di AI validato al momento del lancio continui a funzionare in modo affidabile man mano che le popolazioni di pazienti e le distribuzioni dei dati sottostanti cambiano nel tempo.

Etica, bias e sicurezza dei pazienti nella sanità basata sull'AI

L'integrazione dell'AI deve affrontare sfide come la privacy dei dati e i bias algoritmici, e affrontare entrambi gli aspetti è un prerequisito per un'implementazione responsabile, non un'aggiunta opzionale. Le strategie di mitigazione dei bias dovrebbero includere la verifica dei dati di addestramento per verificarne la rappresentatività tra i vari gruppi demografici, il test delle prestazioni del modello separatamente all'interno delle sottopopolazioni anziché affidarsi solo all'accuratezza aggregata, e la definizione di un processo per riaddestrare o ritirare i modelli che mostrano un divario di prestazioni per qualsiasi gruppo di pazienti.

La supervisione umana è un requisito, non una raccomandazione, per i casi d'uso clinici ad alto rischio. Ogni raccomandazione generata dall'AI che influenza la diagnosi o il trattamento dovrebbe passare al vaglio di un professionista sanitario prima di influire sulla cura del paziente, e tale revisore dovrebbe avere l'autorità e la formazione necessarie per ignorare l'output del sistema. Le pratiche di trasparenza e consenso sono altrettanto importanti: i pazienti dovrebbero essere informati quando gli strumenti di AI contribuiscono alla loro cura, con un linguaggio che spieghi il ruolo del sistema di AI senza richiedere competenze tecniche per essere compreso.

Le tutele della privacy dei pazienti vanno oltre la conformità normativa ed entrano nella pratica quotidiana, includendo controlli di accesso su chi può interrogare i dati dei pazienti e la registrazione dei log di controllo (audit logging) per ogni evento di accesso. Queste pratiche proteggono i singoli pazienti preservando al contempo la fiducia da cui dipende la sanità basata sull'AI su scala di popolazione.

Valutazione, monitoraggio e metriche di prestazione per i sistemi di AI

Le metriche di prestazione clinica per l'AI in ambito sanitario vanno oltre i dati di accuratezza tipicamente riportati nel settore dell'AI. Sensibilità, specificità, valore predittivo positivo e calibrazione tra i sottogruppi di pazienti sono tutti elementi che contano di più in un contesto clinico rispetto a un singolo punteggio di accuratezza aggregato. L'AI può prevedere le malattie con un'accuratezza del 70-72% in diversi casi d'uso validati, ma questa cifra significa poco senza i corrispondenti dati di sottogruppo e calibrazione specifici per la popolazione di implementazione.

I piani di raccolta delle evidenze del mondo reale dovrebbero specificare come verranno tracciati i risultati post-implementazione rispetto alle prestazioni di validazione pre-implementazione del modello. Gli strumenti di AI che prevedono la sepsi ore prima della comparsa dei sintomi, ad esempio, richiedono il monitoraggio non solo dell'accuratezza della previsione, ma anche del tempo di risposta clinica a valle e dei risultati dei pazienti a seguito di ciascun avviso.

La frequenza di monitoraggio post-distribuzione dipende dal livello di rischio clinico: gli strumenti di supporto alle decisioni ad alto rischio richiedono un monitoraggio continuo, mentre le soluzioni AI amministrative a basso rischio possono seguire un ciclo di revisione trimestrale. Il tracciamento dei dati e delle versioni dei modelli tramite MLflow fornisce ai team clinici e di conformità un registro riproducibile di quale versione del modello ha generato una determinata raccomandazione.

Personale, formazione e opportunità di carriera nell'AI per il settore sanitario

L'assistenza sanitaria basata sull'AI sta ridefinendo le competenze necessarie per i professionisti sanitari, senza eliminare il giudizio clinico che è al centro della cura del paziente. I medici hanno sempre più bisogno di una comprensione pratica di come i modelli di AI generano i loro output, di quali limitazioni nella raccolta dei dati e nei dati di addestramento potrebbero influire sull'affidabilità e di come segnalare i casi in cui la raccomandazione di uno strumento di AI è in conflitto con il giudizio clinico.

I moduli di formazione per il personale clinico dovrebbero coprire l'alfabetizzazione pratica sull'AI: interpretare i punteggi di confidenza del modello, riconoscere le modalità di errore come i bias demografici e comprendere i limiti di ciò che un determinato strumento di AI è stato validato a fare. Stanno emergendo ruoli interdisciplinari all'intersezione tra medicina clinica e data science, tra cui informatici clinici, specialisti della governance dei dati sanitari e responsabili dell'implementazione dell'AI incaricati del processo di transizione dal progetto pilota alla produzione su scala descritto sopra. I sistemi sanitari che investono in queste competenze oggi sono in una posizione migliore per valutare criticamente i nuovi strumenti di AI con l'accelerare dell'innovazione dell'AI in ambito sanitario.

Tendenze future: AI generativa e modelli di AI avanzati nel settore sanitario

Si prevede che l'AI migliorerà la medicina personalizzata entro il 2025, adattando i protocolli di trattamento ai singoli pazienti sulla base di dati genomici, clinici e sullo stile di vita, piuttosto che su medie di popolazione. L'AI consentirà una medicina di precisione su misura per i singoli pazienti man mano che i modelli di AI multimodali diventeranno abbastanza maturi da ragionare congiuntamente su immagini mediche, dati EHR strutturati e dati genomici all'interno di un unico sistema, anziché richiedere modelli separati per ciascun tipo di dato.

Si prevede inoltre che il ruolo dell'AI generativa nei flussi di lavoro clinici si estenderà oltre la documentazione ad aree come la generazione di dati di addestramento sintetici, che possono aiutare a far fronte alla scarsità di dati per la ricerca sulle malattie rare preservando al contempo la privacy dei pazienti. Si stima che l'AI genererà un valore annuo compreso tra 60 e 110 miliardi di dollari per il settore sanitario, una cifra trainata dai vantaggi combinati in termini di efficienza amministrativa, supporto alle decisioni cliniche e accelerazione della scoperta di farmaci, piuttosto che da una singola applicazione.

La ricerca in corso dovrebbe monitorare i modelli di AI emergenti in grado di elaborare simultaneamente molteplici modalità di dati, le linee guida normative aggiornate man mano che le disposizioni dell'AI Act diventano pienamente applicabili e le prove in evoluzione su dove l'assistenza sanitaria basata sull'AI migliori in modo misurabile i risultati dei pazienti su scala rispetto a dove sia ancora necessaria un'ulteriore validazione.

Domande frequenti

Come viene utilizzata l'AI nel settore sanitario oggi?

L'AI nel settore sanitario supporta il processo decisionale clinico, l'analisi delle immagini mediche, la documentazione clinica, l'automazione amministrativa e la scoperta di farmaci. Gli operatori sanitari utilizzano strumenti di AI per segnalare i pazienti ad alto rischio, redigere note cliniche dagli incontri con i pazienti e sottoporre a screening le immagini mediche per individuare i primi segni di malattia, sempre con la supervisione umana prima che i risultati influiscano sulla cura del paziente.

Quanto è precisa l'AI nel prevedere i risultati dei pazienti?

L'AI può prevedere i risultati dei pazienti con un'accuratezza del 70-72% utilizzando le cartelle cliniche elettroniche, sebbene l'accuratezza vari in base alla patologia, alla qualità dei dati e alla diversità dei dati di addestramento. Le organizzazioni sanitarie dovrebbero richiedere dati sulle prestazioni a livello di sottogruppo, e non solo un dato di accuratezza aggregato, prima di affidarsi a qualsiasi modello predittivo nella pratica clinica.

Qual è l'impatto dell'AI Act europeo sull'AI nel settore sanitario?

L'AI Act europeo classifica la maggior parte dei sistemi di AI clinici come ad alto rischio e sarà pienamente applicabile entro il 2026. Richiede alle organizzazioni sanitarie che distribuiscono sistemi di AI ad alto rischio di mantenere una gestione dei rischi documentata, la governance dei dati, la documentazione tecnica e la supervisione umana durante l'intero ciclo di vita di ciascun sistema.

L'AI sostituisce i professionisti sanitari?

No. I sistemi di AI sono progettati per supportare, non per sostituire, il giudizio clinico. La supervisione umana è richiesta per i casi d'uso clinici ad alto rischio, il che significa che un professionista sanitario esamina le raccomandazioni generate dall'AI prima che queste influenzino le decisioni di diagnosi o trattamento per i singoli pazienti.

In che modo l'AI protegge la privacy dei pazienti nei contesti sanitari?

I sistemi di AI che gestiscono i dati dei pazienti devono essere conformi alle normative HIPAA negli Stati Uniti e a framework equivalenti come lo Spazio europeo dei dati sanitari altrove. Le organizzazioni sanitarie applicano la de-identificazione, la pseudonimizzazione e i controlli di acesso ai dati dei pazienti prima che questi entrino nelle pipeline di addestramento dei modelli di AI.

Di quali dati hanno bisogno i modelli di AI per le applicazioni sanitarie?

I modelli di AI per il settore sanitario si addestrano su cartelle cliniche elettroniche, immagini mediche, documentazione clinica e, sempre più spesso, dati provenienti da dispositivi indossabili. I sistemi di AI richiedono dati di addestramento rappresentativi e di alta qualità per garantire accuratezza ed equità tra le popolazioni di pazienti che il modello andrà a servire.

Risorse, riferimenti e approfondimenti

Le organizzazioni sanitarie che sviluppano o valutano funzionalità di AI dovrebbero monitorare le linee guida normative del framework in evoluzione della FDA per i dispositivi medici basati sull'AI e la tabella di marcia per l'attuazione dell'AI Act della Commissione Europea, insieme ai dataset di benchmark comunemente utilizzati per valutare le prestazioni dei modelli in radiologia, NLP clinico e analisi predittiva. Databricks supporta le organizzazioni del settore sanitario nella creazione di sistemi di AI controllati e su scala di produzione su un'architettura data lakehouse unificata, con Unity Catalog che fornisce il livello di governance alla base dell'addestramento conforme dei modelli di AI su dati clinici e di ricerca.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale