L’intelligenza artificiale sta entrando sempre più concretamente nel lavoro dei professionisti sanitari. Oggi un medico può utilizzarla per sintetizzare documenti clinici, interrogare la letteratura scientifica, preparare una nota di visita o individuare informazioni rilevanti all’interno di grandi quantità di dati.
Ma quanto conosciamo davvero le tecnologie che stiamo iniziando a utilizzare?
Termini come LLM, prompt, RAG, agenti AI, hallucination, bias, clinical decision support e AI literacy sono ormai parte del linguaggio quotidiano dell’innovazione sanitaria. Eppure, dietro parole apparentemente familiari, si nascondono concetti che non sempre vengono compresi fino in fondo.
Ho raccolto 100 concetti essenziali sull’intelligenza artificiale applicata alla medicina, organizzandoli in otto aree tematiche. L’obiettivo è offrire ai medici e ai professionisti sanitari uno strumento di consultazione rapido, capace di chiarire il significato delle tecnologie, le loro possibili applicazioni e soprattutto i limiti da conoscere.
Comprendere la tecnologia per utilizzarla meglio
Per interagire con un sistema di intelligenza artificiale non è necessario conoscere nel dettaglio le architetture delle reti neurali. È però utile comprendere alcuni principi di funzionamento.
Un Large Language Model (LLM), per esempio, è un modello addestrato a elaborare e generare linguaggio. Può produrre risposte molto convincenti, ma la qualità della formulazione non garantisce la correttezza delle informazioni.
Un prompt è l’insieme delle istruzioni e delle informazioni che forniamo al sistema. La sua formulazione può influire sensibilmente sulla qualità del risultato, senza tuttavia eliminare il rischio di errore.
Un agente AI può andare oltre la generazione di una risposta, utilizzando strumenti, interrogando archivi ed eseguendo sequenze di operazioni. Questa capacità apre prospettive interessanti per l’automazione dei processi sanitari, ma richiede controlli, autorizzazioni e una supervisione proporzionata alle attività svolte.
Sono distinzioni importanti perché permettono di capire quali funzioni possiamo ragionevolmente affidare all’IA e quali richiedono verifiche ulteriori.
Dalla risposta automatica alle evidenze scientifiche
Uno degli sviluppi che considero più interessanti riguarda l’incontro tra intelligenza artificiale e medicina basata sulle evidenze.
I sistemi generativi possono facilitare la ricerca bibliografica, il confronto tra studi, la sintesi delle linee guida e la formulazione di quesiti clinici strutturati.
Tecnologie come il Retrieval-Augmented Generation (RAG) consentono di integrare la generazione linguistica con il recupero di informazioni da archivi documentali esterni.
È un’evoluzione significativa, soprattutto quando le fonti sono selezionate, aggiornate e verificabili.
Occorre però distinguere il recupero di un documento dalla sua corretta interpretazione. Un sistema può citare uno studio autentico e attribuirgli conclusioni inesatte, ignorare alcune limitazioni metodologiche o applicare impropriamente risultati ottenuti su popolazioni differenti.
Per questo nel glossario ho voluto includere concetti come certezza delle evidenze, revisione sistematica, metanalisi, trasferibilità degli studi e provenienza delle fonti.
La capacità di trovare rapidamente informazioni scientifiche acquista valore soltanto quando siamo anche in grado di valutarne qualità e pertinenza.
L’IA deve funzionare nei processi clinici reali
Un’altra area riguarda le applicazioni concrete: AI Scribe, trascrizione clinica, sintesi longitudinale della cartella, clinical decision support, stratificazione del rischio e gestione proattiva dei pazienti.
Queste tecnologie possono contribuire a ridurre le attività ripetitive, migliorare l’accesso alle informazioni e supportare il lavoro quotidiano.
In medicina generale, per esempio, un sistema integrato con la cartella clinica potrebbe aiutare a ricostruire la storia di un paziente, identificare informazioni mancanti, recuperare evidenze pertinenti e preparare documentazione da sottoporre alla verifica del medico.
Perché questo avvenga efficacemente, l’integrazione con i sistemi informativi sanitari è determinante.
Ecco perché nel glossario trovano spazio anche termini apparentemente più tecnici come FHIR, HL7, LOINC, SNOMED CT, interoperabilità semantica e qualità del dato.
Sono elementi che permettono di passare da un assistente isolato a strumenti realmente integrati nell’organizzazione dell’assistenza.
Affidabilità, sicurezza e validazione clinica
Probabilmente è la sezione alla quale attribuisco maggiore importanza.
Le cosiddette allucinazioni, cioè la generazione di contenuti falsi o non supportati, rappresentano uno dei rischi più conosciuti dell’IA generativa. Non sono però l’unico.
Esistono anche il bias da automazione, che porta a fidarsi eccessivamente delle indicazioni del sistema, le distorsioni derivanti dai dati di addestramento e i problemi di generalizzazione quando un modello viene impiegato in contesti diversi da quelli in cui è stato sviluppato.
Un sistema che ottiene risultati eccellenti in un benchmark non è necessariamente altrettanto affidabile nella pratica clinica.
La validazione richiede di considerare popolazioni, contesto assistenziale, prestazioni effettive, interazione con il professionista e possibili conseguenze degli errori.
È una distinzione ben rappresentata anche dalla letteratura scientifica sulla valutazione dei sistemi di supporto decisionale basati sull’IA, come le raccomandazioni DECIDE-AI pubblicate su Nature Medicine.
Conoscere concetti come sensibilità, specificità, valore predittivo, calibrazione, validazione esterna e monitoraggio nel tempo aiuta a interpretare le prestazioni di questi strumenti con maggiore consapevolezza.
Privacy, responsabilità e regolamentazione europea
L’utilizzo dell’intelligenza artificiale in ambito sanitario richiede anche familiarità con il quadro normativo.
Il GDPR disciplina il trattamento dei dati personali, con specifiche tutele per quelli relativi alla salute. La distinzione tra anonimizzazione e pseudonimizzazione, per esempio, ha conseguenze concrete nelle attività di ricerca, sviluppo e utilizzo dei sistemi.
L’AI Act europeo dedica inoltre il proprio articolo 4 all’alfabetizzazione in materia di intelligenza artificiale, prevedendo misure volte a sostenere le competenze delle persone che utilizzano o gestiscono questi sistemi per conto di fornitori e organizzazioni.
Un altro tema riguarda la qualificazione dei software come dispositivi medici.
Non tutti gli strumenti utilizzati da un medico sono automaticamente dispositivi medici. La valutazione dipende dalla destinazione d’uso prevista e dalle caratteristiche funzionali del software, secondo il quadro applicabile, tra cui il MDR e gli orientamenti europei sulla qualificazione dei software sanitari.
Conoscere questi concetti consente di distinguere le potenzialità tecniche di uno strumento dalle condizioni necessarie per impiegarlo responsabilmente nella pratica assistenziale.
L’alfabetizzazione all’IA è una competenza professionale
Credo che la formazione sull’intelligenza artificiale debba progressivamente diventare parte integrante dell’aggiornamento dei professionisti sanitari.
Non significa trasformare ogni medico in un informatico o in un esperto di machine learning.
Significa acquisire la capacità di formulare richieste corrette, comprendere da dove provengono le informazioni, riconoscere risultati potenzialmente inattendibili e valutare quando uno strumento può offrire un contributo utile al processo decisionale.
Significa anche capire quando sia necessario fermarsi, verificare una fonte o ricorrere a strumenti più appropriati.
L’Organizzazione Mondiale della Sanità insiste da tempo sulla necessità di accompagnare lo sviluppo dei sistemi generativi con adeguate misure di governance, valutazione dei rischi e coinvolgimento dei professionisti sanitari.
La tecnologia continuerà a evolvere rapidamente. I nomi dei modelli cambieranno, così come le interfacce e le modalità di utilizzo. Una buona comprensione dei principi di funzionamento, delle evidenze e delle responsabilità sarà invece una competenza destinata a mantenere il proprio valore.
Un glossario da consultare e condividere
Ho cercato di condensare questi argomenti in 100 definizioni brevi, organizzate in otto sezioni:
Fondamenti dell’intelligenza artificiale
Interazione, prompt e agenti AI
Ricerca scientifica ed Evidence Intelligence
Applicazioni nella pratica clinica
Affidabilità e sicurezza
Dati e interoperabilità
Privacy ed etica
Governance e regolamentazione europea
L’infografica che accompagna questo articolo nasce come strumento divulgativo e di consultazione, non come sostituto della formazione specialistica o della valutazione delle evidenze.
Mi auguro possa contribuire a costruire un linguaggio condiviso tra medici, ricercatori, sviluppatori e organizzazioni sanitarie.
Perché, mentre gli strumenti di intelligenza artificiale diventano sempre più facili da utilizzare, la capacità di comprenderne criticamente risultati e limiti diventa una competenza sempre più importante per chi si occupa della salute delle persone.
Scarica il glossario:
Riferimenti essenziali
NIST. Artificial Intelligence Risk Management Framework: Generative AI Profile.
NICE. Evidence Standards Framework for Digital Health Technologies.
Commissione europea. MDCG 2019-11 rev. 1, qualificazione e classificazione del software sanitario.
Iacopo Cricelli | Novembre 2026
Contenuto divulgativo rivolto ai professionisti sanitari. Le informazioni non sostituiscono indicazioni cliniche, valutazioni regolatorie o consulenza specialistica.


