Dalla predictive AI alla navigational AI: la prossima fase dell’intelligenza artificiale clinica
L’AI in medicina non dovrà solo prevedere meglio. Dovrà aiutare i medici a orientarsi meglio.
Negli ultimi anni abbiamo parlato moltissimo di intelligenza artificiale predittiva in medicina.
Abbiamo costruito, testato e discusso modelli capaci di stimare il rischio di una complicanza, di un ricovero, di una riacutizzazione, di un peggioramento clinico o di un evento avverso. È stata una fase importante, perché ha permesso di portare nel dibattito medico strumenti quantitativi sempre più sofisticati, capaci di leggere grandi quantità di dati clinici e trasformarli in segnali di rischio.
Tutto questo è utile. Ma non è sufficiente.
Perché chi lavora ogni giorno con i pazienti sa bene che la medicina reale non si esaurisce in una stima di probabilità. Davanti a una persona concreta, con la sua storia clinica, le sue comorbidità, le terapie in corso, le fragilità, il contesto familiare e sociale, il medico non si chiede soltanto: “qual è il rischio?”
La domanda più importante è spesso un’altra: “che cosa devo fare adesso?”
E subito dopo: “cosa potrebbe accadere se scelgo questa strada invece di un’altra?”
È in questo passaggio, dal rischio all’azione, che si apre probabilmente una delle fasi più interessanti dell’intelligenza artificiale applicata alla medicina.
Un recente articolo pubblicato su The Lancet da Nadkarni e colleghi propone proprio questo salto concettuale: passare dalla predictive AI alla navigational AI. Secondo gli autori, la transizione richiederà metodi, infrastrutture e studi rigorosi capaci di valutare efficacia clinica, sicurezza, equità e impatto nei workflow reali.
Perché “navigare” è una metafora più vicina alla medicina reale
La definizione di navigational AI è interessante perché descrive molto meglio il lavoro quotidiano del clinico.
Il medico non vive dentro un modello statistico. Vive dentro un percorso decisionale. Un percorso fatto di incertezza, tempo limitato, linee guida multiple, pazienti complessi, risorse disponibili, responsabilità professionale e conseguenze concrete.
In questo contesto, sapere che un paziente è “ad alto rischio” può essere certamente importante. Ma non basta.
Il passo successivo è comprendere quale azione possa davvero modificare il percorso di quel paziente.
Intensificare una terapia? Programmare un follow-up più ravvicinato? Inviare allo specialista? Richiedere un approfondimento diagnostico? Coinvolgere un caregiver? Aspettare e monitorare? Oppure ridefinire le priorità perché, in quel momento, il problema clinico più rilevante non è quello segnalato dall’algoritmo?
Queste sono le domande della medicina reale.
Ed è proprio qui che l’AI può diventare molto più utile, ma anche molto più delicata.
Predire un evento non è la stessa cosa che suggerire un’azione
C’è una distinzione fondamentale che non possiamo permetterci di ignorare.
Una cosa è predire un evento. Un’altra è suggerire una possibile azione.
Nel primo caso il sistema produce un’informazione. Nel secondo entra, direttamente o indirettamente, nel processo decisionale.
Questa differenza cambia tutto.
Quando l’AI entra nel processo decisionale clinico, non possiamo più accontentarci di dire che “il modello è accurato”. L’accuratezza predittiva resta importante, ma diventa solo una parte del problema.
Dobbiamo chiederci se il sistema sia clinicamente utile. Se funzioni davvero nel workflow reale. Se riduca il carico cognitivo o se aggiunga semplicemente nuovi alert. Se sia stato validato sulla popolazione corretta. Se sia comprensibile per il medico. Se sia monitorabile nel tempo. Se lasci una traccia. Se consenta una supervisione umana effettiva. Se renda chiaro il razionale della raccomandazione.
Sono domande tecniche, cliniche, organizzative, etiche e regolatorie.
E sono tutte necessarie.
Il rischio dell’AI che produce solo rumore
Una delle criticità più frequenti dei sistemi predittivi in sanità è il rischio di generare rumore operativo.
Un algoritmo può essere statisticamente interessante, ma clinicamente poco utile. Può segnalare un rischio, ma non aiutare il medico a decidere. Può aumentare gli alert, ma non migliorare gli esiti. Può essere percepito come un ulteriore carico informativo in un contesto già saturo di notifiche, moduli, indicatori e responsabilità.
Questo è un punto cruciale.
La medicina non ha bisogno di più semafori rossi. Ha bisogno di strumenti che aiutino a comprendere meglio il percorso del paziente.
Un sistema che dice “attenzione, questo paziente è a rischio” può essere utile solo se quel segnale è collegato a una possibilità concreta di azione: che cosa posso fare, perché, con quale beneficio atteso, con quali rischi, con quali alternative e con quale livello di evidenza?
Senza questo passaggio, l’AI resta spesso confinata in una dimensione descrittiva o predittiva. Interessante per la ricerca, ma non sempre trasformativa nella pratica clinica.
La Medicina Generale come banco di prova naturale
Questa riflessione diventa ancora più importante se la portiamo nella Medicina Generale.
Il Medico di Medicina Generale si muove ogni giorno in un ambiente ad altissima complessità. Ha davanti pazienti cronici, multimorbidità, politerapia, fragilità sociali, aderenza terapeutica variabile, linee guida che talvolta si sovrappongono, bisogni assistenziali non sempre espliciti e tempo limitato.
In questo contesto, l’ennesima notifica generica rischia di non aiutare.
Il MMG non ha bisogno di una AI che dica semplicemente “attenzione”. Ha bisogno di strumenti capaci di collegare dati, evidenze, storia clinica, linee guida e priorità pratiche.
Ha bisogno di un supporto che non sostituisca il giudizio clinico, ma lo renda più informato, più documentato, più coerente e più sicuro.
La navigational AI, se sviluppata con rigore, potrebbe diventare proprio questo: un supporto alla navigazione dei percorsi clinici, non un automatismo decisionale.
Un sistema capace di aiutare il medico a vedere meglio le alternative, a stimare le conseguenze delle diverse opzioni, a documentare il razionale della scelta e a mantenere il controllo umano sul processo.
Dal dato alla decisione
La vera evoluzione, a mio avviso, è questa: passare dal dato alla decisione.
Dalla previsione al percorso.
Dall’alert alla navigazione.
Dal modello isolato al supporto clinico integrato.
Dall’output algoritmico alla responsabilità supervisionata.
Questo passaggio richiederà molto più rigore rispetto alla semplice costruzione di modelli predittivi. Serviranno causal inference, validazioni prospettiche, studi randomizzati, workflow testing, audit, governance, monitoraggio continuo e valutazione dell’impatto reale sugli esiti clinici.
Non basterà costruire modelli brillanti in laboratorio.
Dovremo dimostrare che questi sistemi migliorano davvero le decisioni, senza spostare il rischio sul medico, sul paziente o sull’organizzazione. L’articolo di Nadkarni e colleghi insiste proprio sulla necessità di valutare le raccomandazioni nei contesti reali, monitorando come vengono presentate, adottate e seguite nel tempo.
Una AI più responsabile, non più spettacolare
La navigational AI non sostituirà linee guida, trial clinici o competenza professionale.
E questo punto va detto con chiarezza.
L’obiettivo non è costruire una AI che dica al medico cosa fare. L’obiettivo è costruire una AI che aiuti il medico a comprendere meglio le possibili strade, il razionale clinico, le alternative disponibili e le conseguenze attese.
In altre parole, una AI che renda le evidenze più operative nel momento in cui servono davvero: davanti al paziente, quando una decisione deve essere presa.
La medicina non ha bisogno di AI più spettacolari. Ha bisogno di AI più responsabili.
Responsabili perché valutate clinicamente. Responsabili perché integrate nei workflow. Responsabili perché monitorabili. Responsabili perché comprensibili. Responsabili perché capaci di mantenere il medico al centro della decisione.
La decisione deve restare umana, ma può diventare più informata
Alla fine, il valore clinico non nasce dalla previsione in sé.
Nasce dalla decisione giusta, nel momento giusto, per il paziente giusto.
E quella decisione deve restare umana.
Ma può diventare molto più informata.
Questa è, probabilmente, la vera promessa dell’intelligenza artificiale in medicina: non sostituire la competenza clinica, ma aumentare la qualità del ragionamento, la coerenza delle scelte, la tracciabilità dei percorsi e la sicurezza dei pazienti.
La domanda che dovremmo porci oggi non è soltanto: “quanto bene predice questo modello?”
La domanda più importante diventa: “quale livello di evidenza dobbiamo pretendere prima che una AI possa aiutarci non solo a prevedere un rischio, ma a scegliere cosa fare?”
È una domanda difficile.
Ma è esattamente la domanda da cui dipenderà la prossima fase dell’AI clinica.
Riferimento
Nadkarni GN, McGreevy J, Gavin N, Freeman R, Darrow B, Stump L, Reich D, Kohane I, Sakhuja A. From prediction to navigation for artificial intelligence in medicine. The Lancet. 2026. PubMed indicizza l’articolo con questi autori e titolo