L’IA non è più una promessa del futuro, ma una realtà che sta ridefinendo i processi decisionali e operativi, anche in ambiti delicati come quello delle cure palliative. In questa intervista, cerco di fare chiarezza su come approcciarsi a questi strumenti in modo utile, realistico e, soprattutto, responsabile.

• Oltre il motore di ricerca: Perché l’IA generativa cambia radicalmente il nostro modo di lavorare e perché non dobbiamo commettere l’errore di usarla come un semplice “Google”.

• L’importanza del contesto: Come ridurre errori e “allucinazioni” del sistema fornendo le giuste informazioni e imparando l’arte del prompting (Ruolo, Contesto, Obiettivo).

• Etica e Privacy: Il ruolo cruciale del GDPR e del DPO quando si maneggiano dati sensibili in ambito clinico e assistenziale.

• Un metodo per partire: Tre azioni concrete per gli Enti del Terzo Settore: Formazione, Scelta degli strumenti e il Coraggio di innovare.

L’obiettivo non è sostituire l’elemento umano — fondamentale nel fine vita — ma potenziarlo, liberando tempo e risorse grazie a una tecnologia che, se ben governata, può diventare una straordinaria alleata.

Guarda l’intervista completa qui sotto:

Nei prossimi mesi il vero discrimine non sarà tra chi parla di AI e chi no ma tra chi riesce a tradurla in utilità concreta per il professionista sanitario, e chi invece resta fermo alla superficie.
Questo è il terreno su cui si giocherà la partita.

1. Ho iniziato da Google Stitch per generare interfacce e schermate partendo da prompt. Non solo wireframe, ma UI già coerenti, con logiche di navigazione e gerarchie informative sensate.

2. Poi ho iterato. A volte con prompt. A volte intervenendo manualmente, come si farebbe in Figma . Questa è la prima vera discontinuità: il confine tra designer e “prompt designer” diventa molto sottile. Il passaggio chiave è stato l’export tramite server MCP. Non un semplice export grafico, ma un ponte strutturato verso il codice.

   

3. Ho importato il server MCP in Claude Code e da lì ho iniziato l’implementazione applicativa. Qui cambia tutto: non stai più “scrivendo codice da zero”, stai orchestrando un sistema che genera, adatta e integra.
   Il risultato è una prima versione funzionante dell’app costruita in tempi radicalmente compressi.

4. Poi entra in gioco la parte che spesso viene sottovalutata. La validazione. I miei sviluppatori hanno preso il prodotto generato, lo hanno verificato, rifinito, messo in sicurezza.

   

Perché il valore è reale ma non è automaticamente pronto per la produzione.
L’AI non sostituisce il team.
Ridefinisce dove il team crea valore.
Meno tempo sulla costruzione “meccanica”.
Più tempo su qualità, integrazione, sicurezza, esperienza utente, readiness per l’App Store.

Le immagini che allego raccontano proprio questo: dalla generazione in Stitch, al passaggio MCP, fino all’app che prende forma in Claude Code.
Non è solo prototipazione veloce.

È un nuovo modo di pensare il ciclo di vita del prodotto.
Non più: “posso costruire un’app con l’AI?” ma: “quanto del mio processo attuale è ancora ottimizzato per un mondo senza AI?”

Ecco la APP in anteprima:

La prima dimensione riguarda le persone. L’AI può entrare davvero nella pratica solo se i professionisti vengono accompagnati a comprenderne il ruolo, i limiti e le modalità corrette d’uso. Non basta saper interrogare uno strumento. Serve maturare la capacità di capire quando può essere utile, quando è meglio non usarlo, come esercitare supervisione umana e come distinguere un supporto decisionale valido da un output soltanto plausibile in apparenza. In medicina, la fiducia nasce dalla possibilità di verificare, interpretare e governare.

La seconda dimensione è quella dei processi. Se l’AI rimane esterna ai flussi reali di cura e di gestione, resta una dimostrazione interessante, ma difficilmente si trasforma in adozione. Quando invece entra nei workflow in modo intelligente, può ridurre attività ripetitive e manuali, migliorare l’appropriatezza, sostenere la continuità assistenziale e liberare tempo professionale di maggiore valore. Il tema è ripensare i processi in modo che l’AI sia davvero utile dentro il lavoro quotidiano.

La terza dimensione è la tecnologia, ma letta nel modo giusto. In sanità uno strumento viene adottato se è semplice da usare, se si integra con i sistemi esistenti, se riduce l’attrito operativo, se garantisce tracciabilità e continuità. L’interoperabilità, l’usabilità e la sicurezza non sono dettagli tecnici ma condizioni abilitanti dell’adozione.

La quarta dimensione è il dato. Anche qui, la discussione pubblica è spesso troppo superficiale. Non basta avere grandi quantità di informazioni. Servono dati affidabili, accessibili, contestualizzati e ben governati, conoscenza clinica strutturata e regole chiare di tracciabilità.

Per questo credo che la vera sfida dei prossimi anni sarà dimostrare che i nostri sistemi sanitari, le nostre organizzazioni e i nostri modelli di lavoro sono pronti ad adottarla in modo serio, responsabile e sostenibile.

Quando competenze, processi, tecnologia e dati si allineano, l’AI smette di essere una promessa astratta e comincia a generare valore clinico, organizzativo e decisionale.

Il congresso.
Il corso ECM.
Il webinar.
Il tempo dedicato all’aggiornamento, separato dal tempo dedicato alla cura.

Oggi questo confine sta iniziando a saltare.

Con l’IA generativa, la formazione non resta più soltanto a monte della pratica professionale. Entra dentro la pratica stessa. Nel momento della cura, nel punto esatto in cui nasce un dubbio clinico, serve un aggiornamento, va ricontestualizzata un’evidenza o va tradotta un’informazione in una decisione operativa.

Ed è qui, a mio avviso, il passaggio più interessante.

Sta emergendo un modello nuovo, in cui l’apprendimento professionale diventa continuo, contestuale e integrato nel workflow clinico.

Un medico interroga un bot clinico.
Chiede un aggiornamento su una raccomandazione.
Confronta un’opzione terapeutica.
Si fa sintetizzare una nuova evidenza.
Verifica interazioni, criteri, controindicazioni, stratificazioni di rischio.

In quel momento non sta solo cercando una risposta.

Sta anche apprendendo.

La formazione smette di essere un momento separato e diventa una funzione della pratica professionale.

Cambia il tempo dell’apprendimento, perché non avviene più soltanto in modo periodico, ma quando serve davvero.
Cambia la pertinenza, perché l’aggiornamento non è generico, ma agganciato a un caso, a un contesto, a una decisione reale.
Cambia anche il valore educativo, perché il sapere non viene solo accumulato. Viene immediatamente interpretato, applicato, verificato.

Naturalmente questo non significa che un bot possa sostituire la formazione strutturata.
E non significa neppure che ogni risposta generata diventi automaticamente buona pratica.

Significa però che dobbiamo iniziare a guardare all’aggiornamento medico con una lente nuova. Non solo come attività formativa periodica, ma come infrastruttura intelligente di supporto professionale.

Se l’IA generativa entra nel momento della cura, allora il punto non è solo quanto sa rispondere bene.
Il punto è se riesce a diventare uno strumento affidabile di apprendimento professionale in azione.

Ed è qui che la questione si fa seria.

Perché questo richiede qualità delle fonti, supervisione umana, trasparenza, governance, integrazione nei sistemi e capacità di distinguere tra supporto utile e falsa sicurezza.

Nella medicina reale la velocità conta.
Ma non basta.

Serve un apprendimento che aiuti il professionista senza indebolirne il giudizio.
Che renda più accessibile l’evidenza senza banalizzarla.
Che accompagni la decisione clinica senza automatizzarla in modo opaco.

Credo che nei prossimi anni la differenza non la farà chi userà più strumenti di IA.
La farà chi saprà costruire un rapporto maturo tra aggiornamento, pratica e responsabilità professionale.

La formazione continua, in medicina, non sta scomparendo.

Sta cambiando luogo.

E sempre più spesso, il suo nuovo luogo sarà il momento della cura.

Quella pubblicata dall’Irlanda è, finora, una delle più intelligenti e utili che abbia visto.

Non perché sia perfetta.
Non lo è.

Ma perché parte dal punto giusto.

Non presenta l’AI come una moda tecnologica da inseguire, né come una vetrina di soluzioni futuristiche. La tratta per quello che dovrebbe essere. Una leva concreta per affrontare problemi che i sistemi sanitari hanno già oggi.

Carenza di personale.
Domanda crescente.
Pressione sui tempi.
Complessità organizzativa.
Produttività che la sola digitalizzazione, da sola, non riesce più a migliorare.

Ed è proprio questo cambio di impostazione che rende il documento molto forte.

La tesi di fondo è semplice.
L’AI in sanità non deve essere prima di tutto spettacolare.
Deve essere utile.

Per questo la roadmap irlandese non parte dalle promesse più ambiziose o più mediatiche. Parte da ciò che ha già un valore chiaro e misurabile. Imaging, clinical decision support, documentazione clinica, demand management, contact centre, automazione dei processi di supporto.

È una scelta matura. E, soprattutto, credibile.

C’è poi un secondo aspetto che colpisce.

L’AI clinica non viene isolata dal resto del sistema. Viene collocata dentro una visione più ampia, costruita su quattro pilastri: cura clinica, operations, ricerca e innovazione, sanità pubblica.

Ed è esattamente qui che molte discussioni, oggi, si fermano troppo presto.

Parliamo molto di diagnosi assistita.
Molto meno di patient flow, codifica, supply chain, trial recruitment, evidence synthesis, screening, prevenzione, salute di popolazione.

Eppure il vero impatto sistemico dell’AI passerà anche da lì.

Non solo dal supporto al singolo atto clinico, ma dalla capacità di migliorare il funzionamento complessivo del sistema.

Un altro punto di forza è che il documento riesce a tenere insieme ambizione e prudenza.

Non c’è entusiasmo ingenuo.
Non c’è nemmeno paralisi.

Ci sono sei principi guida molto chiari: centralità della persona, trasparenza, supervisione umana, esperienza reale, governance e sicurezza, beneficio dimostrabile.

È una cornice importante, perché rimette ordine in una discussione che spesso oscilla tra due estremi. Da una parte l’AI come soluzione miracolosa. Dall’altra l’AI come rischio da contenere. La strategia irlandese prova invece a fare una cosa più difficile e più utile. Governarla.

C’è anche una lezione politica interessante.

L’Irlanda ha inserito nella strategia il punto di vista dei cittadini, attraverso una Citizens’ Jury sull’AI in healthcare.

Non è un dettaglio secondario.
Vuol dire riconoscere che la trasformazione sanitaria non può essere pensata soltanto da tecnici, policymaker o fornitori di tecnologia. Deve includere anche il consenso sociale, la fiducia pubblica, la legittimazione culturale del cambiamento.

Naturalmente, qualche limite c’è.

Il budget non è definito.
La data strategy è ancora in arrivo, un po’ come succede anche in Italia.
E alcuni elementi della fase più avanzata restano, almeno per ora, più aspirazionali che operativi.

Ma il punto non è copiare l’Irlanda.

Il punto è un altro.

Quando un Paese smette di parlare di AI come elenco di tool e inizia a parlarne come capacità di sistema, la conversazione cambia.

Diventa più seria.
Più utile.
Più adottabile.

Ed è proprio questa la direzione che serve anche a noi.

Per l’Italia non è un tema che riguarda soltanto gli innovatori o gli addetti ai lavori. Riguarda tutti. Medici, operatori sanitari, manager pubblici, industria farmaceutica, ricerca clinica.

Perché la vera domanda non è quali strumenti useremo.

La vera domanda è se riusciremo a costruire un sistema sanitario capace di integrare l’AI dove serve davvero. Con priorità chiare, regole solide e benefici misurabili.

L’Irlanda, almeno su questo, ha iniziato la conversazione nel modo giusto.

Se vuoi, te ne faccio anche una seconda versione ancora più “Substack”, con apertura più forte, ritmo più narrativo e chiusura più incisiva.

Ai For Care The Artificial Intelligence (ai) Strategy For Healthcare In Ireland 2026 2030

6.12MB ∙ PDF file

Download

Download

Tre storie diverse.
Un unico segnale.

L’intelligenza artificiale non sta più bussando alla porta della medicina.
È già dentro l’edificio.

Non è più sperimentazione. È infrastruttura

Drug discovery, diagnosi, ricerca clinica.
Fino a pochi anni fa erano ambiti considerati difficilmente aggredibili dall’automazione.

Oggi non solo sono coinvolti. Sono già parte attiva del cambiamento.

Il caso Eli Lilly non è semplicemente una notizia industriale.
È un cambio di paradigma.

Significa che alcune delle decisioni più decisive in medicina stanno già avvenendo prima che il medico entri nella stanza. A monte. Nella progettazione stessa delle terapie.

Quando i pazienti cercano altrove

Il secondo segnale è ancora più delicato.

Pazienti che portano l’AI negli ambulatori non sono un’anomalia tecnologica. Sono un sintomo sistemico.

Se sempre più persone cercano risposte fuori dal percorso clinico tradizionale, non è solo perché i modelli sono migliorati.
È perché, in molti casi, il sistema sanitario ha lasciato spazi vuoti.

Tempi lunghi. Diagnosi mancanti. Complessità non risolta.

L’AI non sta creando il bisogno. Lo sta intercettando.

E questo cambia profondamente il rapporto medico-paziente.

Il vero rischio non è la velocità. È cosa perdiamo

Il terzo segnale è quello più sottile. E forse più importante.

Se mesi di ricerca diventano ore, il problema non è la velocità.
È ciò che rischiamo di perdere lungo il percorso.

Quei mesi non erano solo tempo. Erano struttura:

• revisione critica

• confronto tra pari

• prudenza metodologica

• giudizio clinico

• validazione istituzionale

Se questi elementi non vengono ricostruiti dentro i nuovi sistemi, la velocità diventa un rischio, non un vantaggio.

La medicina si sta già ridisegnando

Nel frattempo, la trasformazione è in corso.

La medicina si sta ridisegnando attorno ai professionisti, mentre molti stanno ancora discutendo se fidarsi o meno dell’algoritmo.

Ma la domanda giusta non è più questa.

Non si tratta di decidere se usare l’AI.
Si tratta di decidere come farla entrare davvero nella pratica clinica.

Il vero vantaggio competitivo

Nei prossimi anni, il vantaggio non apparterrà a chi userà per primo un modello.

Apparterrà a chi saprà:

• inserirlo nei luoghi giusti

• definirne chiaramente i limiti

• garantirne la supervisione

• integrarlo dentro un’idea rigorosa di qualità clinica

In altre parole, a chi riuscirà a trasformare l’AI da strumento potente a presenza affidabile.

Bibliografia:

• Reuters, 29 marzo 2026
  “Insilico Medicine secures $2.75 billion drug collaboration with Eli Lilly”
  https://www.tradingview.com/news/reuters.com%2C2026%3Anewsml_L6N40H02I%3A0-insilico-medicine-secures-2-75-billion-drug-collaboration-with-eli-lilly/

• The New York Times, 2 aprile 2026
  “When Doctors Couldn’t Solve Their Medical Mysteries, They Turned to A.I.”
  https://www.nytimes.com/2026/04/02/well/live/ai-illness-claude-chatgpt.html

• UCSF News, 17 febbraio 2026
  “AI Bots Accurately Analyze Big Data Set to Predict Preterm Birth”
  https://www.ucsf.edu/news/2026/02/431501/ai-bots-accurately-analyze-big-data-set-predict-preterm-birth

• Cell Reports Medicine, 17 febbraio 2026
  “Benchmarking large language models for predictive modeling in biomedical research with a focus on reproductive health”
  https://www.sciencedirect.com/science/article/pii/S266637912600011X

La tecnologia avanza a passi da gigante e l'integrazione di questi "𝗦𝗶𝘀𝘁𝗲𝗺𝗶 𝗢𝗽𝗲𝗿𝗮𝘁𝗶𝘃𝗶 𝗔𝗜" cambierà radicalmente la gestione del paziente e l'economia ospedaliera. Ma voi, nella vostra realtà clinica o aziendale, state vedendo un'adozione reale di questi strumenti o siamo ancora nella fase dell'hype mediatico?

Per anni abbiamo ripetuto che “il software sta mangiando il mondo”. Era vero. Ma oggi non è più sufficiente per descrivere quello che sta accadendo.

Jensen Huang, CEO di Nvidia, ha rilanciato con una frase che sembra provocatoria ma in realtà è estremamente precisa. Sarà l’intelligenza artificiale a mangiare il software.

Non è uno slogan. È un cambio di architettura industriale.

Dalla logica del software alla logica della filiera

Se osserviamo Nvidia oggi, non stiamo guardando semplicemente un’azienda di semiconduttori che ha avuto successo.

Stiamo osservando una trasformazione strategica molto più profonda.

Nvidia non sta più vendendo chip. Sta cercando di posizionarsi al centro della catena del valore dell’intelligenza.

Per capire questo passaggio, la metafora della “torta a cinque livelli” è particolarmente efficace:

• energia

• chip

• infrastruttura

• modelli

• applicazioni

Ogni livello rappresenta uno strato della nuova economia dell’AI. E la regola è semplice.

Chi controlla più strati, controlla più valore.

In questo contesto, Nvidia sta cambiando natura:

• da fornitore a orchestratore

• da componente a piattaforma

• da hardware a sistema economico

Non è un’evoluzione lineare. È un salto di ruolo.

Una strategia insieme difensiva e offensiva

Questa trasformazione non nasce per caso.

È, contemporaneamente, una strategia difensiva e offensiva.

Difensiva, perché una quota rilevante del fatturato Nvidia dipende da pochi grandi clienti. Amazon, Google, Microsoft, Meta.
Questo crea una vulnerabilità strutturale.

Offensiva, perché il vero margine non è più nei chip. È nella capacità di trasformare energia e dati in intelligenza utilizzabile.

Ed è qui che il modello cambia radicalmente.

Nvidia non vuole più essere solo il motore. Vuole diventare la fabbrica.

Una fabbrica di AI.

Il segnale più sottovalutato: 26 miliardi sui modelli

C’è un dato che racconta meglio di qualsiasi dichiarazione la direzione intrapresa.

Nvidia prevede di investire circa 26 miliardi di dollari nei prossimi anni per sviluppare modelli di intelligenza artificiale.

Non chip. Modelli.

Questo significa entrare direttamente in territori che fino a ieri erano dei suoi stessi clienti.

È il classico dilemma delle piattaforme. Quando sali nella catena del valore, inevitabilmente inizi a competere con chi prima servivi.

Non sorprende quindi che i mercati, almeno per ora, restino cauti. Il titolo non ha reagito con entusiasmo.

Il rischio è chiaro. L’opportunità lo è altrettanto.

Il vero tema. Non l’algoritmo, ma il controllo

Se questo modello si consolida, cambia il criterio con cui si crea valore.

Non vincerà chi ha il miglior algoritmo.

Vincerà chi controlla la filiera dell’intelligenza.

Dalla produzione di energia fino all’applicazione finale.

Questo è un passaggio che molti sottovalutano, perché continuano a guardare l’AI come una tecnologia. In realtà è già diventata un’infrastruttura industriale.

Implicazioni concrete per sanità e ricerca clinica

Questo cambio di paradigma ha implicazioni molto concrete anche fuori dal mondo tech.

Sanità, medicina, ricerca clinica.

Se l’intelligenza artificiale diventa una filiera integrata, non stiamo più parlando di tool o modelli isolati.

Stiamo parlando di infrastrutture cognitive che entrano nei processi clinici, nei percorsi decisionali, nella produzione di evidenza.

E qui emergono tre questioni chiave.

1. Dipendenza tecnologica
Se pochi attori controllano l’intero stack, il rischio non è solo economico. Diventa clinico e organizzativo. Chi controlla l’infrastruttura, influenza anche le modalità decisionali.

2. Validazione e governance
Man mano che si sale nei livelli della “torta”, diventa sempre più difficile separare modello, dato e contesto. Questo rende più complessi audit, certificazioni e processi di validazione clinica.

3. Nuove competenze
Non basta più saper usare l’AI. Serve capire dove si crea valore, dove si introducono bias e dove si perde controllo. È un cambio culturale prima ancora che tecnologico.

La vera decisione non è se adottare l’AI

Siamo abituati a porci la domanda sbagliata.

“Dobbiamo adottare l’intelligenza artificiale?”

La risposta è già implicita. Sì.

La domanda giusta è un’altra.

Da chi vogliamo dipendere?

Perché nel momento in cui l’AI diventa infrastruttura, scegliere un fornitore non è più una decisione tecnica.

È una decisione strategica. E, in ambito sanitario, anche una decisione di governance del rischio.

Conclusione

Nvidia sta cercando di ridefinire il proprio ruolo nell’economia dell’AI.

Non è detto che ci riesca. I rischi sono reali. Le tensioni con i grandi clienti anche.

Ma se questo modello dovesse affermarsi, cambierà profondamente il modo in cui pensiamo tecnologia, valore e controllo.

E per chi lavora in sanità, questo significa una cosa molto concreta.

Non basterà integrare l’AI nei processi.

Bisognerà capire chi controlla l’intelligenza che stiamo usando.

Sono lieto di segnalare la recensione dedicata al mio libro pubblicata su PharmaStar Digital Med & AI. Ringrazio sinceramente la testata PharmaStar, Giuseppe Recchia e Danilo Magliano per l’attenzione, il tempo e la sensibilità con cui hanno accolto questo lavoro.

Quando un libro viene letto e discusso con serietà editoriale, il valore va oltre la semplice presentazione. Diventa un’occasione di confronto, approfondimento e condivisione. Per me è particolarmente significativo che questo contributo trovi spazio in un contesto autorevole, attento ai temi dell’innovazione e della trasformazione digitale in sanità.

La rivista e’ disponibile qui: https://www.pharmastar.it/binary_files/pdfmultimediali/Magazine___Numero_10___10_14232.pdf

Negli ultimi mesi ho lavorato a un libro nato da una domanda molto concreta: come può un medico utilizzare l’Intelligenza Artificiale in modo rigoroso, strutturato e realmente utile nella pratica quotidiana?

Negli ultimi anni l’AI generativa ha iniziato a entrare rapidamente nella vita professionale di molti medici. Strumenti come GPT, Claude o Gemini sono ormai accessibili a tutti e mostrano potenzialità molto interessanti.

Ma tra potenzialità e utilizzo reale esiste una distanza importante. Senza metodo, l’AI rischia di diventare uno strumento superficiale, utilizzato in modo sporadico e con risultati poco affidabili.
Con un approccio strutturato, invece, può trasformarsi in un vero acceleratore cognitivo, capace di supportare il ragionamento clinico, l’analisi delle evidenze e la gestione della complessità informativa.

Questo libro nasce proprio da questa esigenza.

Un manuale operativo per la pratica clinica

“Guida pratica all’IA per i Medici” non è un libro divulgativo sull’intelligenza artificiale e non è neppure un testo tecnico per informatici.

È un manuale operativo pensato per clinici, ricercatori, manager sanitari e professionisti della salute che vogliono integrare l’AI nei propri processi di lavoro senza perdere metodo, senso critico e responsabilità.

L’obiettivo non è automatizzare la medicina bensì potenziare il ragionamento clinico e aiutare i professionisti sanitari a navigare un contesto in cui le informazioni aumentano, le linee guida diventano sempre più complesse e il tempo decisionale si riduce.

Cosa troverai nel libro

Il libro è costruito in modo progressivo e concreto.
Si parte dalle basi:

• come configurare correttamente i modelli di AI

• come scrivere prompt migliori

• come ottenere output più affidabili

• come evitare gli errori più comuni nell’utilizzo dell’AI

Successivamente si entra nella parte più applicativa.
Il libro propone infatti diversi strumenti operativi per l’utilizzo dell’AI nella pratica professionale:

• prompting clinico strutturato

• supporto al ragionamento decisionale

• analisi e sintesi delle linee guida

• revisione della letteratura scientifica

• generazione di ipotesi cliniche

• costruzione di piani operativi e terapeutici

• revisione critica delle risposte generate dall’AI

Accanto a questo vengono introdotti anche alcuni framework di prompting, come il modello SMARTER, progettato per aiutare il medico a formulare richieste precise e clinicamente rilevanti.

Un libro nato dalla pratica

Questo libro non nasce da una riflessione teorica sull’intelligenza artificiale.
Nasce da mesi di sperimentazione sul campo, casi reali, errori, revisioni e confronto continuo con colleghi e professionisti.
L’obiettivo è offrire uno strumento utile a chi vuole iniziare a utilizzare l’AI in modo serio, mantenendo sempre il medico al centro del processo decisionale.

Perché ho deciso di renderlo gratuito

Ho scelto di rendere questo libro disponibile gratuitamente in formato digitale.
L’ho fatto per l’amore che ho verso la professione medica e per il desiderio di mettere a disposizione uno strumento che possa essere immediatamente utile a chi ogni giorno lavora nella complessità della cura.

Credo che la diffusione di competenze corrette sull’uso dell’AI in medicina sia oggi più importante che mai.

La versione cartacea sarà disponibile su Amazon entro pochi giorni, al solo costo di stampa, per chi preferisce leggerlo su carta.

Acquista il libro in versione cartacea

Amazon: https://amzn.eu/d/0f7AzTR4

Scarica il libro in versione digitale

Puoi scaricare gratuitamente il libro in formato digitale qui

Guida Pratica all'IA per i medici, Iacopo Cricelli

17.9MB ∙ PDF file

Download

Manuale operativo per integrare l’Intelligenza Artificiale nella pratica clinica quotidiana

Download

*********************************************Prompt****************************************
Crea un file di riferimento completo in formato .md che una futura versione di te possa leggere per diventare esperta nell’applicazione degli ADA Standards of Care 2026 al DM2 in ambito ambulatoriale.
Prima di scrivere, studia con attenzione queste fonti: [allega qui PDF]. Il file deve essere scritto per l’AI, non per un lettore umano.
Strutturalo così:
• regole e principi chiari
• schemi decisionali con logica se/allora
• template riusabili con campi da compilare
• errori comuni da evitare
• esempi di output buoni e cattivi
Usa tag XML per organizzare le sezioni. Sii completo ma facile da scorrere.
Salvalo come file .md scaricabile.

3. Uso quel file come base della skill
A questo punto do alla skill istruzioni molto semplici e molto pratiche:

*********************************************Prompt****************************************
Usa questo file come riferimento principale. Quando ti fornisco un caso clinico, restituisci sempre questo output:
1. profilo clinico essenziale
2. dati mancanti da chiarire
3. snodi decisionali rilevanti secondo linea guida
4. opzioni terapeutiche coerenti con la linea guida
5. red flags e cautele
6. counselling finale per il paziente
Non sostituire il giudizio clinico. Non inventare dati mancanti. Se le informazioni non bastano, dillo chiaramente.

4. La provo subito su un caso pratico:

*********************************************Prompt****************************************
Caso clinico: uomo di 67 anni, diabete tipo 2 da 8 anni, HbA1c 8,1%, BMI 31, eGFR 58, ipertensione, pregresso infarto, in terapia con metformina.
Usa la skill basata sugli ADA Standards of Care 2026 e produci:
• profilo clinico essenziale
• dati mancanti
• snodi decisionali principali
• opzioni terapeutiche coerenti con la linea guida
• red flags e cautele
• counselling finale per il paziente

5. La miglioro dopo 2 o 3 casi reali, non cambio ogni volta il prompt, miglioro la skill.

Non stai più facendo prompting occasionale. Stai costruendo un piccolo workflow clinico riusabile.

Per esempio:

• /ACT AS MMG esperto + /STEP-BY-STEP + /CHECKLIST
  per ottenere una risposta pratica, strutturata e orientata al lavoro clinico

• /TLDR + /EXEC SUMMARY + /GUARDRAIL
  per sintetizzare una linea guida in modo rapido, ma senza perdere rigore

• /AUDIENCE paziente anziano + /TONE rassicurante + /REWRITE AS linguaggio semplice
  per trasformare un contenuto tecnico in una comunicazione chiara e adatta al paziente

• /COMPARE + /MULTI-PERSPECTIVE + /BRIEFLY
  per confrontare opzioni terapeutiche o organizzative da angolazioni diverse, senza perdersi in una risposta troppo lunga

In pratica, uno shortcut definisce la funzione.
Più shortcut insieme definiscono la qualità dell’output. Ed è qui che si vede la differenza tra usare un LLM in modo occasionale e integrarlo davvero nel proprio lavoro.

Non è una competenza appariscente. Ma è una competenza concreta. Di quelle che migliorano la qualità delle risposte, fanno risparmiare tempo e aumentano il valore reale dell’AI nella pratica quotidiana.

Per chi lavora in medicina, questa non è solo una questione di produttività. È una questione di chiarezza, appropriatezza e capacità di usare bene uno strumento dentro un contesto professionale reale.

Il grafico che accompagna lo studio è estremamente illuminante.

In blu viene rappresentato ciò che i modelli di intelligenza artificiale sarebbero già in grado di fare oggi, almeno dal punto di vista teorico.
In rosso invece vediamo ciò che le persone stanno realmente facendo con l’AI nelle loro attività professionali quotidiane.

La distanza tra queste due aree è sorprendente.

Non siamo di fronte a una tecnologia ancora immatura che deve dimostrare le proprie capacità. Al contrario, il dato più interessante è che il limite non è più tecnologico. Il vero limite è rappresentato dall’adozione.

In altre parole, esiste già oggi un ampio spazio di attività che potrebbero essere assistite dall’intelligenza artificiale, ma che per molte ragioni non lo sono ancora.

Se osserviamo questo fenomeno con gli occhi della sanità, il quadro diventa ancora più interessante.

L’AI e le attività cognitive della pratica clinica

Gran parte delle attività che caratterizzano la pratica medica sono attività cognitive, informative e decisionali. Sono proprio queste le aree in cui i modelli linguistici di nuova generazione stanno dimostrando le capacità più interessanti.

Almeno teoricamente, oggi l’intelligenza artificiale è già in grado di assistere il medico in molte attività quotidiane, tra cui:

• sintesi e analisi della letteratura scientifica

• supporto alla decisione clinica basato su linee guida

• interpretazione e confronto di raccomandazioni cliniche

• redazione di report e documentazione sanitaria

• triage informativo e prima classificazione dei problemi clinici

• educazione sanitaria e informazione al paziente

• generazione di documentazione clinica e amministrativa

Si tratta di attività che occupano una parte significativa del tempo professionale del medico, soprattutto nella medicina territoriale e nella medicina generale.

Eppure, nonostante queste possibilità, l’utilizzo reale dell’intelligenza artificiale in sanità rimane ancora limitato.

Perché l’adozione dell’AI in sanità è ancora lenta

La distanza tra capacità tecnologica e utilizzo reale è particolarmente evidente nel settore sanitario. Le ragioni sono diverse, ma possono essere sintetizzate in tre grandi fattori.

1. Regolazione

   La sanità è uno dei settori più regolamentati.
   Normative come l’AI Act europeo, le questioni di responsabilità clinica, le certificazioni dei dispositivi medici e la gestione dei dati sanitari rendono inevitabilmente più lento il processo di adozione delle nuove tecnologie.

   Questo è comprensibile. Le decisioni cliniche hanno conseguenze dirette sulla salute delle persone.
   

2. Organizzazione dei sistemi sanitari

   Un secondo ostacolo riguarda l’organizzazione dei sistemi sanitari.

   I flussi di lavoro clinici sono spesso complessi, stratificati e poco digitalizzati. Molti sistemi informativi sanitari non sono progettati per integrare facilmente strumenti di intelligenza artificiale. Di conseguenza, anche quando la tecnologia è disponibile, l’integrazione nei processi operativi reali è tutt’altro che semplice.
   

3. Fiducia professionale
   Infine, esiste una dimensione fondamentale legata alla fiducia.

   Nel processo clinico il medico deve restare sempre nel loop decisionale. L’intelligenza artificiale può assistere, suggerire, sintetizzare informazioni. Ma la responsabilità finale della decisione clinica rimane sempre umana.

   Questa necessità di supervisione è un elemento chiave per comprendere come l’AI verrà realmente adottata in medicina.

L’AI non sostituirà il medico. Aumenterà il medico

Questo scenario produce un effetto interessante.
Contrariamente a molte narrazioni semplificate, è improbabile che una grande parte del lavoro medico venga semplicemente sostituita dall’intelligenza artificiale.
È molto più probabile che venga progressivamente aumentata.
L’AI non diventa il medico.
Diventa uno strumento cognitivo del medico.
Un sistema capace di accelerare l’accesso alla conoscenza, sintetizzare informazioni complesse, supportare l’analisi clinica e ridurre il carico burocratico.
La vera differenza nei prossimi anni non sarà quindi tra chi utilizza o non utilizza l’intelligenza artificiale.
La differenza sarà tra due approcci molto diversi:

• chi utilizza l’AI in modo occasionale, come un semplice strumento accessorio

• chi riesce a integrarla nei propri processi clinici quotidiani

Nel primo caso l’AI rimane poco più di un gadget tecnologico.
Nel secondo caso diventa qualcosa di molto più potente.
Diventa produttività clinica aumentata.

La nuova competenza professionale: orchestrare l’AI

In questo contesto sta emergendo una nuova competenza professionale.
Non si tratta di imparare a programmare l’intelligenza artificiale.
La competenza chiave sarà saper orchestrare l’AI nel lavoro medico.
Significa sapere quando usarla, come interrogarla, come verificarne le risposte e come integrarla nel processo decisionale clinico senza rinunciare al giudizio professionale.
I medici che svilupperanno prima questa capacità avranno un vantaggio significativo.
Non perché l’intelligenza artificiale sostituirà i medici.
Ma perché aumenterà la capacità di quelli che sapranno utilizzarla nel modo corretto.

Riferimento: Anthropic – Labor market impacts of AI
https://www.anthropic.com/research/labor-market-impacts

La legge di Zipf è una di quelle idee semplici che, quando le capisci davvero, ti cambiano il modo di guardare i sistemi complessi.
Dice questo. In un corpus linguistico, la frequenza di una parola è inversamente proporzionale al suo rango. f(r) ∝ 1/r. La parola più usata compare circa il doppio della seconda, il triplo della terza, e così via.
Non è un’anomalia linguistica. È una regolarità strutturale.

E la cosa interessante è che non vale solo per le parole.
Vale per le città. Vale per la distribuzione del reddito. Vale per le citazioni scientifiche. Vale per il traffico web. Vale per le vendite dei libri. Power law.
Sistemi complessi che si auto-organizzano e producono poche “teste” molto grandi e una lunga “coda” di elementi piccoli.

Ora portiamola sull’AI.
I modelli linguistici di grandi dimensioni non fanno altro che interiorizzare queste distribuzioni. Sono addestrati su corpora che seguono Zipf. Le loro probabilità di output riflettono strutturalmente queste curve. Le parole, i pattern, le associazioni più frequenti dominano. La “long tail” esiste, ma è molto meno probabile.
Questo ha almeno tre implicazioni concrete:

Primo. L’AI tende naturalmente verso ciò che è comune. Se non la guidi, produrrà risposte medie, statisticamente plausibili, aderenti alla distribuzione dominante. È un comportamento coerente con la legge che governa i dati su cui è stata addestrata.

Secondo. L’innovazione sta spesso nella coda lunga. Le intuizioni originali, le nicchie cliniche, i casi rari, le combinazioni inedite vivono in zone a bassa frequenza. Per intercettarle servono prompt strutturati, vincoli, contesto, dataset specialistici. Altrimenti la gravità statistica ti riporta verso il centro.

Terzo. Anche l’ecosistema AI segue Zipf. Pochi modelli dominano il mercato. Poche piattaforme concentrano l’attenzione. Moltissimi tool restano marginali. È una dinamica di concentrazione tipica dei sistemi complessi con effetti di rete.

Sappiamo lavorare contro l’inerzia della distribuzione quando serve?
Se vuoi un’AI che ti aiuti davvero nel decision making clinico, nella ricerca o nella strategia, non puoi accontentarti della risposta più probabile. Devi progettare il contesto per esplorare la coda lunga in modo controllato. Devi aumentare la varianza quando cerchi ipotesi. Devi ridurla quando cerchi affidabilità.

Capire Zipf significa capire che l’AI non è “intelligente” nel senso umano. È un motore probabilistico immerso in distribuzioni di potenza.
E se governi le distribuzioni, governi il comportamento.

Il punto non è usare l’AI.
È sapere in quale parte della curva vuoi stare.

Riferimenti e Bibliografia:

1) Origine e testo classico di Zipf
• George Kingsley Zipf – Human Behavior and the Principle of Least Effort (1949). Il testo fondativo in cui Zipf introduce la legge empirica del rango-frequenza, applicata alla linguistica e ai sistemi sociali.
https://archive.org/details/humanbehaviorpri0000zipf (Internet Archive)

2) Rassegna critica e ricerche su Zipf nella linguistica quantitativa
• Zipf’s word frequency law in natural language: A critical review and evaluation – PubMed Central. Rivede spiegazioni e modelli per il fenomeno, utile per contestualizzare scientificamente Zipf. (PMC)
https://pmc.ncbi.nlm.nih.gov/articles/PMC4176592/ (PMC)

3) Applicazioni moderne e formalizzazioni statistiche
• Some Properties of Zipf’s Law and Applications, MDPI Axioms (2024). Articolo peer-review che discute proprietà, generalizzazioni e casi d’uso di Zipf. (MDPI)
https://www.mdpi.com/2075-1680/13/3/146 (MDPI)

4) Grandi dataset e verifica empirica
• Large-Scale Analysis of Zipf’s Law in English Texts, PLOS One. Analisi quantitativa su decine di migliaia di testi, confermando distribuzioni di potenza. (PLOS)
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0147073 (PLOS)

5) Studi cross-linguistici su Zipf
• Zipf’s law in 50 languages: structural pattern & cognitive motivation (arXiv). Indagine su molte lingue naturali con implicazioni cognitive e statistiche. (arXiv)
https://arxiv.org/abs/1807.01855 (arXiv)

6) Connessioni a modelli linguistici e AI generativa
• Zipf’s Law and Its Application in Large Language Models (Springer, prossima pubblicazione). Specifica relazione tra legge di Zipf e text generation nei LLM, può essere citata per collegare la legge ai modelli AI. (Springer)
https://link.springer.com/chapter/10.1007/978-981-96-9248-4_4 (Springer)

7) Encyclopedic overview
• Encyclopaedia Britannica – voce Zipf’s law, con formula, esempi e generalizzazioni. Ottimo riferimento di sintesi autorevole. (Encyclopedia Britannica)
https://www.britannica.com/topic/Zipfs-law (Encyclopedia Britannica)

Sta arrivando una nuova ondata di AI in ambulatorio. Non parlo di “una funzione in più”. Parlo di un nuovo modo di lavorare, dove l’AI diventa lo strato principale con cui il medico interagisce durante la visita.

𝗗𝘂𝗲 𝘀𝗲𝗴𝗻𝗮𝗹𝗶 𝗳𝗼𝗿𝘁𝗶, 𝗾𝘂𝗮𝘀𝗶 𝗻𝗲𝗹𝗹𝗼 𝘀𝘁𝗲𝘀𝘀𝗼 𝗺𝗼𝗺𝗲𝗻𝘁𝗼.

Heidi, uno dei nomi più forti sugli AI scribe, ha lanciato Heidi Evidence. In pratica un supporto decisionale clinico che risponde citando le fonti, tipo linee guida e manuali, e può usare anche documenti interni caricati dall’utente.

Doctolib, che in Europa è ormai una delle piattaforme sanitarie più grandi, ha annunciato un laboratorio di intelligenza artificiale clinica. Obiettivo dichiarato: diventare molto forte nel supporto alle decisioni cliniche.

Ecco come la vedo, detta semplice.

1. Dalla “trascrizione” al “copilota clinico”.
Fino a ieri l’AI in ambulatorio era soprattutto questo: ascolta la visita, scrive il resoconto, ti fa risparmiare tempo.
Ora il salto è un altro: non solo scrive. Ti aiuta a ragionare, ti propone opzioni, ti ricorda cosa dicono le fonti, e lo fa mentre lavori.

Se metti insieme i pezzi, la nuova “catena” diventa:

• accoglienza e triage.

• scrittura automatica del diario clinico.

• codifiche e pratiche amministrative.

• suggerimenti clinici con fonti.

• percorsi e promemoria nel flusso di lavoro.

In pratica un livello nuovo, sopra i software classici, che diventa il punto centrale della visita. La cartella clinica resta fondamentale, ma rischia di diventare sempre più “archivio ufficiale”, mentre la parte viva della visita passa dallo strato AI.

Heidi sta facendo la strada “dal basso verso l’alto”. Prima scribe, poi altre funzioni, ora supporto clinico con citazioni. È veloce e “leggera”, perché non deve possedere tutto il resto. Però per contare davvero deve integrarsi bene con i sistemi che i medici già usano ogni giorno.

Doctolib fa l’opposto. È già una piattaforma completa. Ora ci mette sopra l’AI, usando i dati e i passaggi operativi che già controlla. È potente. Ma è anche un modello più chiuso.

2. Perché si stanno muovendo tutti. Negli USA è esploso OpenEvidence.
Negli Stati Uniti un supporto decisionale basato su AI è cresciuto a una velocità impressionante e ha costretto tutti a reagire.

In Europa però c’è un punto delicato: il medico deve fidarsi. Se il modello di business sembra “pubblicitario”, la fiducia si rompe in un attimo. Qui Heidi sta chiaramente dicendo “io gioco la partita, ma con risposte citate e verificabili”.
E attenzione: l’Europa non parte da zero. Abbiamo già strumenti clinici molto usati e molto seri. Abbiamo anche startup che vogliono diventare lo standard europeo.

La domanda vera è: faremo squadra o avremo mille soluzioni diverse, tutte mezze integrate. Perché in sanità la frammentazione non è un dettaglio. È un costo enorme, in tempo, rischio e fatica mentale.

3. Il supporto decisionale è in una zona grigia. E può cambiare tutto.

Qui dico le cose come stanno.

Se un sistema “scrive appunti” è una cosa. Se un sistema “ti suggerisce cosa fare clinicamente” diventa un’altra cosa.

Il supporto decisionale clinico tocca responsabilità, sicurezza del paziente, e spesso finisce nel mondo della regolazione dei dispositivi medici software. Con requisiti veri: tracciabilità, gestione dei rischi, prove di funzionamento, controllo degli aggiornamenti, e capacità di spiegare cosa sta succedendo.

E c’è un paradosso: i sistemi vecchi, a regole fisse tipo “se succede X allora fai Y”, sono più facili da certificare perché sono ripetibili. I sistemi basati su modelli linguistici sono più flessibili e spesso più utili. Però sono anche meno “identici” ogni volta. Questo li espone a controlli più severi. Quindi sì, siamo in una fase in cui innovazione e regole stanno correndo a velocità diverse. E chi costruisce bene oggi, con guardrail e trasparenza, domani avrà un vantaggio enorme.

4. Chi vince davvero. I gestionali storici. Gli editori medici. O le piattaforme AI.

La battaglia è appena iniziata, e non la vincerà chi fa la demo più bella.
I software storici non stanno fermi. Molti stanno diventando “hub” che integrano tanti servizi esterni. Così cercano di restare il centro dell’ambulatorio.

Gli editori e chi possiede contenuti clinici di qualità hanno un vantaggio enorme. Perché il supporto decisionale senza basi curate, aggiornate e localizzate, è fumo. Il vero “oro” non è solo l’algoritmo. È la qualità delle fonti, come sono organizzate, e quanto sono aderenti alla pratica clinica reale.

E poi ci sono le piattaforme AI che puntano a diventare il punto di lavoro quotidiano del medico.

Io vedo tre modelli che stanno emergendo:

Modello A. Piattaforma completa e chiusa.
Un unico fornitore ti dà quasi tutto, e l’AI è dentro. Pro: tutto integrato. Contro: dipendenza da un solo ecosistema.

Modello B. Moduli AI che si agganciano ai software esistenti.
Lo scribe e il supporto clinico si collegano a quello che già usi. Pro: adozione rapida. Contro: integrazione difficile se i sistemi sono vecchi o diversi tra loro.

Modello C. “Sistema aperto” che collega più strumenti.
Un livello che fa da regista tra cartella, agenda, servizi, AI e analisi. Pro: scegli il meglio pezzo per pezzo. Contro: serve governance e standard seri, altrimenti diventa caos.

Ora portiamolo in Italia, senza usare parole troppo tecniche.
In Italia il tema non è solo “avere l’AI”. È farla funzionare in mezzo a:

• regioni diverse.

• software diversi.

• regole diverse.

• flussi amministrativi pesanti.

• integrazioni spesso fragili.

In più, a livello europeo, sta arrivando una spinta forte verso dati più interoperabili e scambiabili tra sistemi. Tradotto: chi sa collegarsi bene e in modo sicuro ai flussi ufficiali avrà un vantaggio competitivo enorme.

La visione che mi convince di più, per l’Italia, è questa.

L’AI deve diventare il “copilota” del medico, non il giudice. Ti fa risparmiare tempo. Ti porta fonti e ragionamenti in modo chiaro. Ti aiuta a non dimenticare passaggi importanti. Ti propone, ma non impone. E soprattutto lascia sempre traccia di cosa ha usato, cosa ha trovato, e quanto è sicura la risposta.

Se succede questo, il beneficio è enorme: meno burnout. Più tempo clinico vero. Migliore qualità documentale. Più coerenza con linee guida e percorsi. E un salto di produttività che oggi, sinceramente, serve come l’aria.

Bibliografia:

1️⃣ Heidi Evidence – Launch announcement
Heidi introduces citation-backed clinical decision support integrated with its AI scribe.
https://www.heidihealth.com/en-gb/blog/heidi-launches-evidence

2️⃣ Doctolib – AI strategy and consultation assistant (Microsoft case study)
Overview of Doctolib’s AI assistant built on Azure OpenAI.
https://www.microsoft.com/en/customers/story/19557-doctolib-azure-open-ai-service

3️⃣ Doctolib – Launch of clinical AI laboratory (France news coverage)
Announcement of dedicated AI lab focused on clinical decision support.
https://www.cnews.fr/france/2026-02-23/doctolib-lance-son-laboratoire-dintelligence-artificielle-1821706

4️⃣ OpenEvidence – Market growth and valuation coverage
Report on rapid physician adoption and valuation.
https://hlth.com/insights/news/openevidence-doubles-valuation-to-12bn-as-physician-adoption-accelerates-2026-01-22

5️⃣ European Health Data Space (EHDS) – Official EU overview
Regulatory framework for cross-border health data interoperability.
https://health.ec.europa.eu/ehealth-digital-health-and-care/european-health-data-space-regulation-ehds_en

6️⃣ MDR Guidance on Medical Device Software (EU)
Guidance relevant to clinical decision support systems.
https://health.ec.europa.eu/document/download/b45335c5-1679-4c71-a91c-fc7a4d37f12b_en

7️⃣ Fascicolo Sanitario Elettronico 2.0 – Italian regulation
Official publication in Gazzetta Ufficiale.
https://www.gazzettaufficiale.it/eli/id/2023/10/24/23A05829/SG

8️⃣ medatixx HealthHub – Ecosystem integration approach
Example of practice software integrating third-party solutions via standards.
https://medatixx.de/healthhub

9️⃣ AMBOSS – Clinical knowledge platform
Example of European point-of-care knowledge system expanding with AI.
https://www.amboss.com/int/clinicians

Per anni questi sistemi sono stati pensati come strumenti di registrazione per documentare e rispettare requisiti normativi, ma oggi... entra in gioco l’IA!
Un cambio di paradigma che sta portando gli HIS da archivio digitale a piattaforma cognitiva con:
• EHR con copiloti generativi integrati nel workflow del medico.
• Documentazione automatica, con IA di ascolto della visita.
• Decision support contestuale.
• Modelli predittivi di rischio clinico e complessità assistenziale.
• Algoritmi che ottimizzano il revenue cycle.
• IA incorporata nel workflow clinico, non con strumenti paralleli.

In Italia il sistema è fortemente regionale. I vendor sono molteplici e le architetture sono spesso "stratificate" nel tempo. Abbiamo un patrimonio dati enorme, ma non sempre interoperabile nel quale il Fascicolo Sanitario Elettronico sta evolvendo, ma non è ancora una vera piattaforma attiva di governo clinico.

Questo significa una cosa molto chiara a mio modo di vedere.
L’IA non potrà essere semplicemente integrata in sistemi vecchi (legacy) nè essere un layer cosmetico, il motore cognitivo che deve potenziare l'HIS ma con interoperabilità reale, qualità del dato e governance.

La domanda strategica per il SSN è questa: vogliamo acquistare funzionalità di IA o vogliamo progettare una nuova generazione di HIS nativamente intelligenti? Perché nei prossimi cinque anni la differenza non la farà chi ha più algoritmi ma chi saprà integrare IA, interoperabilità e governo del dato dentro un’architettura coerente.

L’HIS non è più un tema tecnico ma il luogo in cui si decide la sostenibilità clinica ed economica del SSN. E l’IA deve essere la leva strutturale di questa trasformazione.

Negli ultimi anni, la sanità digitale ha assistito a un’esplosione di modelli predittivi basati su dati real-world.

Algoritmi che promettono di anticipare l’insorgenza di malattie croniche, prevedere riacutizzazioni, supportare decisioni cliniche complesse. Tuttavia, tra la pubblicazione di un modello e la sua reale applicabilità nella pratica clinica esiste un divario spesso sottovalutato. Quel divario ha un nome preciso: riproducibilità.

Un modello che funziona una volta, in un contesto specifico, non è sufficiente. Per diventare affidabile, utilizzabile e regolatoriamente accettabile, un modello deve poter essere replicato fedelmente su dati diversi, mantenendo prestazioni, interpretabilità e coerenza metodologica.

È proprio su questo punto che si concentra lo studio recentemente pubblicato sull’International Journal of Medical Informatics – di cui chi scrive è coautore, ndr – che valuta la piattaforma DIVE (Data Insight Validation Engine) come strumento per la riproduzione di modelli predittivi clinici nel mondo reale.

Lo studio rappresenta un passo importante perché sposta l’attenzione dall’ennesimo nuovo algoritmo alla qualità dell’infrastruttura analitica che consente di generare evidenza clinica affidabile

.

Dal modello alla piattaforma: un cambio di prospettiva necessario

Tradizionalmente, lo sviluppo di modelli predittivi in Sanità avviene all’interno di workflow frammentati. Un po’ di SQL per estrarre i dati, un software statistico per il modello, fogli di calcolo per le validazioni, script separati per le figure. Ogni passaggio introduce potenziali incoerenze, versioni non tracciate, difficoltà di replica.

DIVE nasce per affrontare questo problema strutturale. Non è un singolo algoritmo, ma una piattaforma analitica modulare, interamente basata su Python, che integra in un unico ambiente tutte le fasi dell’analisi. Dall’ingestione dei dati clinici alla definizione delle coorti, dall’esecuzione dei modelli alla validazione interna e temporale, fino alla generazione standardizzata degli output.

Il principio è semplice ma potente. Se l’intero ciclo analitico è riproducibile, allora anche i risultati lo sono.

Tre malattie croniche come banco di prova

Per testare concretamente questa ipotesi, gli autori (tra i quali chi scrive, ndr) hanno utilizzato DIVE per replicare tre studi predittivi già pubblicati, ciascuno riferito a una patologia cronica ad alto impatto assistenziale. Malattia renale cronica, riacutizzazioni di BPCO e asma grave.^1–3

La scelta non è casuale. Si tratta di condizioni gestite prevalentemente in medicina generale, con grandi volumi di dati longitudinali e outcome clinicamente rilevanti.

Inoltre, i modelli originali utilizzavano approcci diversi. Un modello di machine learning interpretabile per la nefropatia cronica e modelli di regressione di Cox per BPCO e asma.

Replicare non significa copiare

Un punto chiave dello studio è che la replica non è stata una semplice riscrittura dei modelli. Tutte le definizioni di variabili, criteri di inclusione, finestre temporali e strategie di validazione sono state ricostruite all’interno di DIVE seguendo rigorosamente le linee guida TRIPOD (per ciascuna tipologia di modello tradizionale o machine learning)⁴ e la checklist ChAMAI (per i soli modelli machine learning).⁵

Inoltre, l’analisi è stata estesa temporalmente, includendo dati più recenti rispetto agli studi originali. Questo ha permesso non solo una validazione interna, ma anche una vera validazione temporale esterna.⁶ Un passaggio spesso assente negli studi osservazionali.

I risultati: coerenza, stabilità, affidabilità

I risultati sono chiari. DIVE è riuscita a riprodurre con elevata fedeltà le prestazioni dei modelli originali.

Nel caso della malattia renale cronica, il modello basato su Generalized Additive Models ha mantenuto un’area sotto la curva intorno all’89%, con valori di precisione e calibrazione sovrapponibili allo studio originale.

Anche per la BPCO e l’asma grave, i modelli replicati hanno mostrato AUC, pseudo-R² e slope di calibrazione pienamente coerenti con i risultati precedenti.

Questo è un punto cruciale. Non parliamo solo di discriminazione, ma anche di calibrazione e stratificazione del rischio. Elementi fondamentali per l’uso clinico e regolatorio dei modelli predittivi.

In altre parole, il modello non solo “fornisce una stima affidabile del rischio di ammalarsi”, ma assegna probabilità numericamente stabili nel tempo.

Perché conta davvero per la sanità digitale

Questo studio aggiunge un tassello importante al dibattito sull’uso dell’intelligenza artificiale in sanità. Spesso si discute di nuovi algoritmi, di deep learning, di modelli sempre più complessi. Molto meno si parla della capacità di rendere questi modelli verificabili, trasparenti e riproducibili.

Dal punto di vista clinico, la riproducibilità è una condizione necessaria per la fiducia. Dal punto di vista regolatorio, è un prerequisito per qualsiasi utilizzo a supporto delle decisioni. Dal punto di vista industriale, è ciò che permette di scalare una soluzione oltre il progetto pilota.

DIVE dimostra che è possibile costruire piattaforme analitiche che rispettano questi requisiti senza rinunciare alla flessibilità del machine learning.

Un confronto con altri strumenti di RWE

Lo studio propone anche un confronto esplicito con altre piattaforme utilizzate nell’ambito della real-world evidence. Strumenti come DExTER⁷, SURF⁸ o Curator ⁹ svolgono ruoli importanti, ma con obiettivi diversi. DExTER è focalizzato sull’ETL e la costruzione delle coorti. SURF supporta la valutazione di fattibilità degli studi. Curator eccelle nella qualità e standardizzazione dei dati.

DIVE si distingue perché copre l’intero ciclo analitico, dalla definizione dello studio alla validazione dei modelli, integrando statistiche tradizionali e machine learning nello stesso ambiente riproducibile.
Non è una piattaforma “contro” le altre. È complementare. Ma colma un vuoto che finora era evidente.

Limiti dichiarati

Un aspetto da sottolineare del lavoro è la chiarezza sui limiti. DIVE richiede dati clinici strutturati e armonizzati. Non gestisce ancora imaging, genomica o testo libero. Non è open source. Le analisi di federated learning sono ancora in fase di sviluppo.
Ma questi limiti sono dichiarati apertamente e inseriti in una roadmap evolutiva. Non sono debolezze nascoste, ma scelte progettuali consapevoli.

Verso un’AI clinica più adulta

Il messaggio di fondo dello studio è semplice ma potente. L’innovazione in sanità digitale non passa solo da modelli più sofisticati, ma da infrastrutture più affidabili.

Se vogliamo che l’intelligenza artificiale entri davvero nella pratica clinica quotidiana, dobbiamo smettere di trattare i modelli come prototipi isolati e iniziare a considerarli come componenti di sistemi verificabili, auditabili e riproducibili.

DIVE va esattamente in questa direzione. E lo fa partendo dai dati del mondo reale, quelli che contano davvero.

Riferimenti bibliografici

1. Lapi F, Cricelli I, Gorini M, Pellegrino A, Uberti M, Cricelli C. Development and validation of a score assessing the risk of severe asthma in primary care. Curr Med Res Opin [Internet]. 2024 [cited 2025 May 26];40(6):1067–70. Available from: https://pubmed.ncbi.nlm.nih.gov/38602488/

2. Lapi F, Nuti L, Marconi E, Medea G, Cricelli I, Papi M, et al. To predict the risk of chronic kidney disease (CKD) using Generalized Additive2 Models (GA2M). J Am Med Inform Assoc [Internet]. 2023 Sep 1 [cited 2023 Oct 26];30(9):1494–502. Available from: https://pubmed.ncbi.nlm.nih.gov/37330672/

3. Lapi F, Marconi E, Lombardo FP, Cricelli I, Ansaldo E, Gorini M, et al. Development and validation of a prediction score to assess the risk of incurring in COPD-related exacerbations: a population-based study in primary care. Respir Med [Internet]. 2024 Jun 1 [cited 2024 May 31];227. Available from: https://pubmed.ncbi.nlm.nih.gov/38621547/

4. Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): the TRIPOD statement. J Clin Epidemiol [Internet]. 2015 Feb [cited 2016 Apr 27];68(2):134–43. Available from: http://www.ncbi.nlm.nih.gov/pubmed/25579640

5. Cabitza F, Campagner A. The need to separate the wheat from the chaff in medical informatics: Introducing a comprehensive checklist for the (self)-assessment of medical AI studies. Int J Med Inform [Internet]. 2021 Sep 1 [cited 2025 Oct 23];153:104510. Available from: https://www.sciencedirect.com/science/article/pii/S1386505621001362?via%3Dihub

6. Steyerberg EW, Harrell FE. Prediction models need appropriate internal, internal-external, and external validation. J Clin Epidemiol [Internet]. 2016 Jan [cited 2016 Oct 28];69:245–7. Available from: http://www.ncbi.nlm.nih.gov/pubmed/25981519

7. Gokhale KM, Chandan JS, Toulis K, Gkoutos G, Tino P, Nirantharakumar K. Data extraction for epidemiological research (DExtER): a novel tool for automated clinical epidemiology studies. Eur J Epidemiol [Internet]. 2021 Feb 1 [cited 2025 May 26];36(2):165–78. Available from: https://pubmed.ncbi.nlm.nih.gov/32856160/

8. Campbell UB, Honig N, Gatto NM. SURF: A Screening Tool (for Sponsors) to Evaluate Whether Using Real-World Data to Support an Effectiveness Claim in an FDA Application Has Regulatory Feasibility. Clin Pharmacol Ther. 2023 Nov 1;114(5):981–93.

9. Delmestri A, Prieto-Alhambra D. Curator – A data curation tool for clinical real-world evidence. Inform Med Unlocked [Internet]. 2023 Jan 1 [cited 2025 May 26];40:101291. Available from: https://www.sciencedirect.com/science/article/pii/S2352914823001375