Transcription
Pochi di voi hanno utilizzato consciamente uno strumento di intelligenza artificiale negli ultimi 6 mesi nella pratica clinica quotidiana. Eppure, se andiamo a vedere e a fare un'analisi dell'uso consapevole dell'intelligenza artificiale rispetto all'uso che quotidianamente si fa, soprattutto in ambito clinico, vedrete che quello che è l'uso consapevole è soltanto la punta dell'iceberg rispetto a quello che invece è l'uso che se ne fa quotidianamente, per esempio, sugli esami di laboratorio, le linee guida cliniche, gli algoritmi diagnostici. L'intelligenza artificiale non è più il futuro della medicina, ma il presente. È un presente spesso invisibile, ma che lavora silenziosamente anche nella pratica clinica e sul paziente.
Allora, iniziamo dal 9 ottobre del 2024, quando il premio Nobel per la chimica viene assegnato a Demis Hassabis e John Jumper per AlphaFold. È un'azienda che lavora in DeepMind, controllata di Google, impegnata nell'intelligenza artificiale. È sostanzialmente la certificazione che l'intelligenza artificiale ha risolto un problema fondamentale della biologia che ha tormentato i ricercatori per 50 anni: il Protein Folding Problem. Sostanzialmente, tramite questa intelligenza artificiale è stato possibile predire la struttura tridimensionale di una proteina dalla sua sequenza di amminoacidi in maniera immediata, naturalmente dopo essere stata addestrata a riconoscere determinati dataset. Prima di AlphaFold, per poter svolgere questo processo veniva richiesto un tempo che variava da alcuni mesi addirittura ad anni. Tramite AlphaFold, nel giro di pochi mesi, è stata scoperta la struttura di più di 200 milioni di proteine. Questo nel 2021. Nel 2023 è stata rilasciata la nuova versione di AlphaFold, ovvero AlphaFold 3, una nuova struttura che non solo è capace di predire i legami delle molecole per creare, appunto, per predire delle proteine, ma viene utilizzato anche per predire le interazioni proteina-DNA, proteina-RNA e proteina-ligando. E proprio AlphaFold ci serve, appunto, per portarci al primo caso concreto di cui vi voglio parlare oggi, ovvero il primo farmaco completamente sviluppato grazie all'intelligenza artificiale. E quando parlo di "completamente" intendo dire in tutte le sue forme, ovvero il target terapeutico, ovvero l'enzima TNIK, e la molecola stessa, che sono stati scoperti entrambi tramite, appunto, l'intelligenza artificiale generativa. Inoltre, la cosa più interessante di questo studio è stato il risparmio sia di tempo, perché la fase clinica è stata terminata nell'arco di 18 mesi, sia dal punto di vista economico: la spesa per terminare questa fase clinica ha riportato un miglioramento del 70% rispetto ai costi tradizionali.
E sostanzialmente questo è il contesto in cui ci muoviamo. L'intelligenza artificiale non si sta muovendo soltanto nella ricerca o marginalmente, diciamo, in una ricerca, ma sta anche cambiando le regole del gioco, perché in effetti, dal 2018 ad oggi, la FDA ha approvato più di 950 dispositivi o farmaci che sono basati sull'intelligenza artificiale e sul machine learning. Di questi dispositivi, voglio parlarvi di tre che secondo me sono molto interessanti. Il primo, qualche anno fa, è IDXDR, che è un sistema che viene utilizzato per lo screening delle retinopatie. Viene oggi utilizzato in più di centinaia di studi di medicina generale americani e permette, appunto, di effettuare uno screening di retinopatia in maniera praticamente automatizzata o comunque semiautomatizzata, con una sensibilità dell'87,2% e una specificità del 90,7%. Il secondo punto è l'azienda Viz.ai, che con il suo, con i suoi sistemi di intelligenza artificiale ha, per esempio, permesso l'identificazione delle occlusioni dei grandi vasi dalla TAC, con una sensibilità del 93,8% e una riduzione dei tempi di rilevamento di 52 minuti. Sostanzialmente, in questo articolo che possiamo vedere, pubblicato appunto nel 2025, abbiamo preso l'utilizzo dell'intelligenza artificiale per la cardiomiopatia ipertrofica, ma in realtà, se andate sul sito internet di Viz.ai, vedrete che le fonti accademiche sono robuste e spaziano, appunto, dove si parla di diagnostica e dove si parla di intelligenza artificiale. Il terzo esempio, invece, è Prostate IQ. In questo caso parliamo di anatomia patologica e vediamo, appunto, come in questo studio c'è stato un assessment indipendente che ha dimostrato come la detection del 70% è stata, scusate, la detection del patologo è stata migliorata del 7,3% e la riduzione del 70% dei falsi negativi nella diagnosi di carcinoma prostatico. In questo caso, sostanzialmente, non stiamo parlando di un software che, come IDXDR, va a sostituire totalmente l'oculista, oppure va ad aiutare, appunto, l'analisi della diagnosi, ma parliamo di un'assistenza che viene fatta in maniera attiva nelle aree sospette che potrebbero sfuggire.
Naturalmente, c'è anche il rovescio della medaglia. Se abbiamo degli studi che sono robusti e che aiutano, appunto, a migliorare l'imaging e la diagnostica, abbiamo anche degli esempi che, come dire, ci dimostrano come l'intelligenza artificiale debba essere sempre utilizzata con una supervisione umana. In questo caso, Dermasensor è stato approvato, appunto, nel 2024 per la medicina generale. Permette di poter analizzare, appunto, uno screening dei tumori cutanei. Ha una sensibilità del 96%, ma vedete, ha soltanto una specificità del 21%. E questo cosa vuol dire? Vuol dire sostanzialmente che se noi ci affidassimo soltanto a questo sensore, e in Europa ne esiste un altro che si chiama Dermatizer, che utilizza più o meno lo stesso sistema, avremmo sì, appunto, una sensibilità molto alta, ma potremmo creare una strage di biopsie di falsi positivi.
Questa è un'analisi molto interessante che ho ritrovato ultimamente. Il primo studio è del 2021, il secondo è del 2025 con i dati del 2023 e dimostra come nell'Unione Europea, ancora oggi, il 34% dei device che sono stati bollinati con il marchio CE, ancora oggi il 34% sono marchiati senza avere però delle evidenze scientifiche peer-reviewed. Significa che ancora oggi, o praticamente l'altro ieri, circa un terzo dei prodotti, dei device marchiati CE, non erano stati revisionati da terzi.
Ovviamente, parlare di diagnosi, di diagnostica e imaging e intelligenza artificiale significa parlare anche di diagnostica cardiovascolare. La letteratura in questo senso è forte, è corposa e esiste già da diversi anni. Questo è uno studio del 2021 pubblicato sull'American Heart Journal, dove il team del professor Zachi Attia aveva analizzato, appunto, come l'aggiunta di un algoritmo ECG addestrato su centinaia di migliaia di dataset riusciva a creare, ad analizzare dei pattern elettrocardiografici, ma con un tempo di velocità notevolmente anticipato. Questo algoritmo, sempre nello stesso anno, viene, per esempio, utilizzato nei pazienti affetti da scompenso cardiaco e dimostra come, appunto, l'utilizzo di un algoritmo di intelligenza artificiale sull'ECG consenta una diagnosi precoce di bassa frazione di eiezione. Anche in questo caso, senza l'ausilio dell'operatore o comunque supervisionato da un operatore umano, ma in maniera totalmente automatizzata.
L'utilizzo di questi algoritmi, naturalmente, ha fatto sì che potesse uscire fuori dall'ambito ospedaliero, l'ambito della ricerca accademica universitaria, e riuscisse ad arrivare anche negli ambulatori di medicina generale o in ambiti e in ambienti in cui l'accesso alle cure primarie può essere difficoltoso. Vedete questo articolo qui a sinistra, pubblicato su Nature, che fa riferimento a uno studio portato avanti dalla Mayo Clinic in Nigeria, dove attraverso l'utilizzo di questo fonendo, arricchito, diciamo, di intelligenza artificiale, fosse stato possibile un'analisi delle cardiomiopatie in 400 donne in un ambiente rurale nigeriano, dove, al senza l'ausilio di questi fonendi migliorati, non ci sarebbe potuta essere la possibilità di effettuare delle diagnosi precoci di cardiomiopatie. Echo and EchoCore sono stati approvati dalla FDA, sono utilizzabili anche adesso anche nell'Unione Europea perché sono stati bollinati, e quindi vedete come questo algoritmo e questa analisi di questa intelligenza artificiale ha superato, diciamo, la barriera ospedaliera ed è stata utilizzata ed ha avuto un'applicazione pratica nella vita di tutti i giorni.
Un altro articolo che vi voglio mostrare, questo è fresco di stampa e di poche settimane fa, e ve l'ho voluto indicare perché dimostra un altro cambio di paradigma. Nelle precedenti analisi, nelle precedenti diagnostiche, vedevamo, appunto, come l'algoritmo andasse a fare un'analisi dei pattern e quindi di pattern geometrici per valutare eventuali differenze ed eventuali discrepanze. In questo caso, invece, EODL, questo è il nome dell'algoritmo, va a fare un'analisi, un'analisi immediata con uno scarto di pochi millisecondi sul video. EODL, in sostanza, non spiega com'è la geometria del ventricolo, ma spiega come si comporta. Andando quindi ad analizzare il video, dà un supporto clinico in tempo reale, appunto, per la stratificazione del rischio, ma non va a sostituire l'analisi dell'operatore e dell'ecocardiografista, che comunque deve andare a ricercare la causa. Va semplicemente ad individuare quello che è il meccanismo e quindi, naturalmente, riesce a dare una velocità di diagnosi completamente innovativa e nuova rispetto a quella che potrebbe essere, appunto, l'analisi geometrica del ventricolo.
Ancora, tutti noi conosciamo i pod, vengono utilizzati oggi in maniera ubiquitaria per poter analizzare e fare l'autoanalisi del monitoraggio del glucosio. Bene, utilizzando questi pod e integrandoli con l'intelligenza artificiale, oggi esistono degli infusori che ci permettono, per esempio, di poter fare, anzi, che permettono all'infusore, praticamente in maniera automatizzata e non supervisionata, di poter andare a modificare l'incidenza dell'insulina, prevedendo quindi un'ipoglicemia e un'iperglicemia fino a 60 minuti prima rispetto semplicemente ai classici algoritmi a soglia.
Cambiando macroarea, a questo punto possiamo parlare della genomica e della medicina di precisione, e qui potremmo veramente stare delle ore a parlare di come l'intelligenza artificiale ha cambiato il paradigma della genomica e della medicina di precisione. Ma siccome il tempo è limitato e io non sono ancora così sadico, mi limiterò a parlare brevemente di tre esempi. Il primo, Variant, sempre lui, Google, con il suo progetto. Qui a sinistra potete vedere il sito internet, aperto a tutti. Bene, Google raggiunge una precisione del 99,7% di identificazione di varianti genetiche attraverso il suo progetto, il sistema basato sull'intelligenza artificiale. Secondo esempio, AlphaMissense, un adattamento di AlphaFold, ricordate, ne avevamo parlato all'inizio, che però è stato ottimizzato e ha classificato 71 milioni di possibili varianti missense con un'accuratezza del 90%. Questo nella popolazione umana e nei primati. Terzo esempio, studio PREPARE, e qui mi soffermerò appena un po' di più, pubblicato nel 2023 su The Lancet. E che cosa ha scoperto? In un pannello farmacogenetico di 12 geni testato su 694 pazienti, dei 41.700 elegibili, ha mostrato una riduzione del 30% delle reazioni avverse ai farmaci. Ovvero, ha dimostrato sostanzialmente che il 93,5% dei pazienti studiati ha presentato almeno una variante genetica con implicazioni terapeutiche. E quindi pensiamo un attimo all'implicazione di quello di cui stiamo parlando: nove pazienti su dieci che entrano nel vostro ambulatorio hanno nel loro DNA delle informazioni che potrebbero cambiare la vostra prescrizione. Ecco, quindi, che l'intelligenza artificiale rende analizzabili questi dati in tempo reale.
Ora, naturalmente, siamo ancora in un ambito di ricerca e di applicazione limitata, ma questa è la strada che ci aspetta, appunto, nel futuro. E questo, naturalmente, l'Unione Europea e i regolatori, naturalmente gli stati, lo sanno benissimo. E facevo riferimento all'Unione Europea non a caso, appunto, perché l'Unione Europea ha investito massicciamente su questo con l'iniziativa "One Million Genes", che coinvolge 25 paesi e sostanzialmente vuole creare un'infrastruttura federata di dati genomici accessibili per la ricerca e per la clinica.
In merito alla terza macroarea di cui voglio parlarvi in questa relazione, ovvero la medicina predittiva, ho voluto inserire un sottotitolo che ho chiamato "Promesse e illusioni", perché forse nel rapporto tra intelligenza artificiale e medicina e su cosa aspettarsi, questo è l'esempio, questa è l'area in cui ci sono stati maggiori successi e forse anche più clamorosi fallimenti. Parlando di clamorosi fallimenti, un caso di scuola è quello dell'EPIC Sepsis Model, un sistema non validato da terzi, adottato in oltre 170 ospedali americani entusiasticamente, oserei dire, visto che comunque c'era un, l'EPIC Share dichiarava un'area sotto la curva ROC di 0,76-0,83. Ma al momento della validazione indipendente, e in questo caso l'Università del Michigan aveva fatto, appunto, un'analisi su 38.000 con 355 pazienti, ecco che l'AUC reale era 0,63, sostanzialmente inutile. Il modello aveva quindi mancato nel 67% dei casi la diagnosi di sepsi e aveva generato un alert del 18% su tutti i pazienti ospedalizzati.
Naturalmente, si fa tesoro anche dei fallimenti e si cerca di trovare quelli che sono i successi. Un caso parallelamente invece importante a livello di successo è quello di Tru. Tru è un progetto sviluppato dalla Johns Hopkins University, è validato prospetticamente su quasi 600.000 pazienti, come potete vedere, pubblicato anche su Nature e su varie riviste indicizzate. Ha dimostrato una riduzione della mortalità del 18,7% con un AUC dello 0,97. Ma qual è quindi la differenza tra il caso EPIC Sepsis Model e il caso Tru? La differenza è che Tru è stato sviluppato con i clinici. Sviluppato con i clinici e validato rigorosamente e prospetticamente. I suoi alert sono stati creati in maniera azionabile. Dicono quindi al medico non solo "questo paziente è a rischio", ma anche "considera questi interventi specifici". E quindi è la nota metodologica che è importante.
Se c'è un take-home message da voler portare a casa in questa relazione, è proprio quello della supervisione della mente umana e del potenziamento, quindi, dell'operatore umano attraverso l'intelligenza artificiale. Non dobbiamo lasciare, quindi, che sia l'intelligenza artificiale a fare tutto il lavoro, ma far sì che noi possiamo essere potenziati attraverso le reti neurali artificiali e attraverso, quindi, la loro potenza di calcolo.
Fin qui abbiamo parlato di come l'unione tra intelligenza artificiale e medicina vada a legarsi in applicazioni pratiche legate al contesto operativo e di ricerca medica. Però, avviandoci nelle ultime due macroaree di questa relazione, non possiamo non parlare di alcuni aspetti che sono legati invece al tempo, all'efficienza del tempo, alla gestione del tempo dell'organizzazione sanitaria. E vedete, questa è una ricerca condotta un paio di mesi fa negli Stati Uniti, dove sono stati intervistati alcuni medici, i quali hanno riportato come, durante il loro orario lavorativo, 13 ore sono dedicate alla documentazione indiretta e per ogni ora di cura diretta al paziente, 2 ore sono necessarie per compilare le cartelle elettroniche, con la conclusione che il 22,5% dei medici lavora più ore settimanali sul EHR, quindi sulle cartelle cliniche, fuori dall'orario di lavoro. E questo, naturalmente, può provocare un problema che molti professionisti conoscono: il burnout.
Ed è qui che, invece, appunto, i cosiddetti AI scribes, ovvero gli scriba digitali, possono davvero migliorare l'efficienza clinica ed alleviare il problema del burnout. Qui ho riportato alcuni articoli e alcuni siti internet di quelli che sono, appunto, questi scriber elettronici. Parliamo di Dark Dragon Copilot. Sono praticamente dei software che possono registrare la visita che viene fatta al paziente, registrarla e analizzarla, inserirla in alcuni algoritmi e quindi creare sostanzialmente l'electronic record in tempo reale. I copilot, vedete, riducono il tempo dedicato alla burocrazia. E in effetti, esistono degli studi che sono molto recenti. Questi due, come vedete, sono nel novembre 2025, ottobre 2025. Uno studio, il primo di cui vi voglio parlare, per esempio, è della UCLA, che dimostra, appunto, come Nabla ha ridotto il tempo di documentazione del 10%. Ora, se pensate che il 10% sembra poco, in realtà sono 41 secondi per nota, cioè da 4 minuti a 30, 4 minuti e 30 secondi a 3 minuti e 49 secondi. E un medico che fa 25 visite al giorno significa che riduce di 17 minuti il tempo dedicato alla documentazione clinica. Il dato più impressionante, però, è questo, il secondo, quello che vi voglio far vedere documentato su JAMA, dove 263 clinici sono stati seguiti per mesi e hanno mostrato una riduzione del burnout dal 51,9% al 38,8%, cioè una riduzione di 13 punti percentuali. Il punteggio di attenzione al paziente è migliorato di due punti su una scala su una scala a sette punti. Per cui, gli AI scribes, almeno come li conosciamo oggi, sono probabilmente la prossima killer application nella gestione del tempo e dell'efficienza clinica. Ma ci sono dei caveat. È vero che possono essere molto utili, soprattutto dove serve, quindi nella medicina d'urgenza, nelle cure primarie, però è anche vero che lo studio UCLA ha identificato degli errori clinicamente significativi, per cui la supervisione del medico è ancora necessaria, non possiamo delegare tutto quanto a un'intelligenza artificiale. Inoltre, serve ancora tempo, gli studi erano ancora molto brevi e il costo orario è decisamente importante, visto che per ogni singolo medico questi AI scribes attualmente hanno un costo di circa €370 al mese per medico, per cui il ritorno sull'investimento, appunto, deve essere ancora validato.
Abbiamo parlato, quindi, della riduzione dei tempi dedicati alla scrittura della cartella clinica, la riduzione del burnout e quindi comunque anche un risparmio, evidentemente, di costi e quindi uno risparmio sanitario. Ecco, quindi, che nell'ultima parte di questa mia relazione, ovvero sull'organizzazione sanitaria, vorrei parlare di quelle che sono delle realtà che si trovano nel nostro territorio, perché finora abbiamo, appunto, analizzato istituzioni e stati che hanno adottato l'intelligenza artificiale in maniera probabilmente più rapida e più efficace rispetto al nostro stato e al vecchio continente. Ma parlando semplicemente soltanto dell'Italia, a livello di organizzazione sanitaria, possiamo dire che qualcosa si sta muovendo. Per esempio, l'UNIT, e questo è un articolo del 26 agosto di quest'anno, ha siglato, appunto, un protocollo d'intesa con più di 10 ASL delle regioni del Veneto, della Lombardia e del Lazio, racchiudendo più del 14% della popolazione, per poter attivare uno screening oncologico che possa, appunto, coprire circa 8 milioni e mezzo di italiani. L'UNIT è una società sudcoreana, una società impegnata nell'imaging, nella diagnostica, utilizzando l'intelligenza artificiale nel deep learning. E quindi vedete come, in realtà, queste macroaree che io ho voluto suddividere in maniera anche un po' didascalica, rientrano tutte nello stesso ambito, ovvero quello di migliorare l'attività medica e nella clinica quotidiana.
Un'altra, un altro progetto di cui vi volevo parlare è quello attivato, appunto, dalla Regione Veneto, e qui cerco di fare un po' di captatio benevolentiae al nostro presidente, dottor Parisi, anche perché, in effetti, parte dalla provincia di Padova questo studio portato avanti, anzi, questa progettazione portata avanti dall'Università di Padova, attraverso, appunto, anche la Grezon AI, che ha messo in rete tutti i centri di anatomia patologica e li ha messi in rete utilizzando un nuovo sistema di intelligenza artificiale che possa validare, appunto, i dati per il carcinoma prostatico e i marker nel carcinoma mammario. Ed è previsto un risparmio di almeno $250.000 per istituzione, principalmente attraverso la riduzione dei tempi di refertazione e l'ottimizzazione del workflow.
Mostrandovi la copertina di Time Magazine, le copertine di Time Magazine pubblicate pochissimi giorni fa relativamente alla Persona, ovvero l'intelligenza artificiale, se posso lasciare un take-home message, è quello che l'AI e la medicina sono ormai verità e sono già integrati. L'AI è già nelle vostre cartelle cliniche, nei vostri ECG, nelle vostre TAC. La domanda non è se l'AI entrerà in medicina, ma come utilizzeremo l'AI in medicina. Tra 10 anni, nessuno di voi utilizzerà più un ECG senza AI, e nessuno scriverà più una cartella clinica senza un assistente che l'ascolta e documenta. Ma per poter fare questo, dobbiamo ricordarci dei fallimenti: il 34% dei marchi dei prodotti AI-enhanced sono non peer-reviewed, l'utilizzo dell'EPIC Sepsis Model senza che fosse utilizzabile, le AI digital scribes che possono creare degli errori, e quindi la supervisione è importante.
Il professor Paolo Benanti ha sintetizzato in questo articolo qualche settimana fa l'utilizzo che si dovrebbe fare dell'AI. L'AI deve aumentare, ma non deve sostituire. Ogni giorno vengono pubblicizzati, pubblicati oltre 35 articoli scientifici ed è impossibile per un singolo medico rimanere aggiornato. L'AI può leggere, sintetizzare, aiutare, ma non toglie il lavoro che si deve fare sul paziente, non toglie al medico il paziente. L'AI funziona, ma non sempre. La supervisione è irrinunciabile. L'implementazione deve essere fatta con granosalis.
E con questo, vi ringrazio per l'attenzione.