L’intelligenza artificiale (IA) sta trasformando profondamente la pratica medica, passando da strumento sperimentale a componente operativa nei percorsi di cura, nella ricerca e nell’organizzazione sanitaria. Sistemi basati su machine learning, deep learning, modelli generativi e elaborazione del linguaggio naturale analizzano immagini, dati clinici, genomi e testi per supportare diagnosi, personalizzare terapie, accelerare la scoperta di farmaci e ridurre il carico amministrativo. Questa evoluzione risponde a pressioni strutturali – invecchiamento demografico, carenza di personale, costi crescenti e disuguaglianze di accesso – e si fonda su un rapido aumento di dispositivi autorizzati, studi clinici e implementazioni su larga scala.
Contesto e diffusione attuale
Alla fine del 2025 la Food and Drug Administration (FDA) statunitense aveva autorizzato oltre 1.450 dispositivi medici basati su IA/machine learning, con una forte accelerazione negli ultimi anni (circa 295 clearance solo nel 2025). La radiologia rappresenta la quota preponderante (circa il 75-76% delle autorizzazioni), seguita da cardiologia e neurologia. La maggior parte di questi strumenti è entrata sul mercato tramite il percorso 510(k) di equivalenza sostanziale.
L’adozione clinica è cresciuta in modo significativo. Nel 2024 circa il 66% dei medici statunitensi dichiarava di utilizzare strumenti di IA in qualche misura (rispetto al 38% del 2023). Gli ambient scribes (sistemi di documentazione automatica basati su IA generativa) costituiscono una delle categorie di maggiore successo commerciale, con ricavi stimati intorno ai 600 milioni di dollari nel 2025. Sistemi sanitari di rilievo, come Kaiser Permanente, hanno implementato soluzioni di documentazione ambientale su decine di ospedali e centinaia di ambulatori; Mayo Clinic ha annunciato investimenti superiori al miliardo di dollari in oltre 200 progetti di IA, che spaziano dall’automazione amministrativa alla diagnostica e alla cura del paziente.
Diagnostica per immagini e patologia
La diagnostica per immagini rimane l’ambito di applicazione più maturo. Algoritmi di deep learning basati su reti neurali convoluzionali analizzano radiografie, TC, RM e mammografie per individuare lesioni, quantificare parametri e prioritizzare casi urgenti.
Studi su mammografia mostrano miglioramenti quantificabili. In un’analisi di oltre 16.000 casi di tomosintesi, i radiologi supportati da un sistema di IA (ProFound AI) hanno individuato il 65% di tumori in più rispetto a letture senza supporto (tasso di detection 6,1 vs 3,7 per 1.000), con raddoppio del valore predittivo positivo e riduzione dei falsi positivi. Altre ricerche indipendenti indicano che l’IA può ridurre i falsi positivi e i falsi negativi rispetto a radiologi umani, con performance confrontabili o superiori in termini di AUC-ROC.
Nel contesto dello stroke, software addestrati su centinaia di scansioni cerebrali e validati su migliaia di pazienti hanno dimostrato accuratezza superiore a quella dei professionisti nell’interpretazione delle immagini. Sistemi analoghi supportano la rilevazione di fratture ossee (spesso mancate fino al 10% dei casi in pronto soccorso) e l’analisi di patologie polmonari, oculari e neurologiche.
In patologia digitale, piattaforme di aziende come Paige, PathAI e Proscia, integrate in ambienti aperti (ad esempio da Roche), accelerano la diagnosi oncologica. Alcuni centri hanno riportato riduzioni del tempo di refertazione da giorni a ore, con incrementi di accuratezza. L’IA estrae feature radiomiche quantitative non percepibili all’occhio umano, utili per predire la risposta all’immunoterapia (in uno studio 2024 accuracy intorno all’89% contro il 60% dei metodi convenzionali).
Scoperta di farmaci e medicina di precisione
L’IA sta ridefinendo i tempi e i costi della drug discovery. Piattaforme end-to-end combinano identificazione di target (es. PandaOmics), generazione di molecole (Chemistry42) e predizione di strutture proteiche (AlphaFold e successori). Insilico Medicine ha portato un inibitore TNIK (ISM001-055 / Rentosertib) per la fibrosi polmonare idiopatica dalla scoperta del target alla fase clinica in tempi significativamente inferiori a quelli tradizionali (sotto i 30 mesi fino alla Fase I in un caso documentato). I risultati di Fase IIa hanno mostrato sicurezza e miglioramento dose-dipendente della funzione polmonare, rappresentando una delle prime proof-of-concept cliniche di un farmaco scoperto e disegnato interamente con IA. Altri candidati della stessa pipeline sono in sviluppo per tumori solidi e indicazioni infiammatorie.
AlphaFold e modelli correlati hanno reso disponibili milioni di strutture proteiche predette, accelerando lo screening virtuale e il design razionale. L’IA supporta anche l’ottimizzazione di trial clinici, il matching di pazienti e l’analisi di dati multi-omici per stratificare risposte terapeutiche.
Supporto decisionale clinico, documentazione e telemedicina
I modelli linguistici di grandi dimensioni (LLM) e i sistemi di supporto decisionale integrano cartelle cliniche elettroniche, linee guida e letteratura per assistere diagnosi differenziali e piani terapeutici. Gli ambient scribes riducono in modo documentato il tempo di documentazione (spesso di 1-2 minuti per nota o più, con riduzioni percentuali del 20% e oltre), diminuiscono il carico cognitivo e migliorano la soddisfazione dei clinici, pur richiedendo revisione umana per limitare omissioni e “allucinazioni”.
In telemedicina (che nel 2025 rappresentava una quota rilevante degli incontri sanitari in alcuni contesti), l’IA potenzia triage, monitoraggio remoto tramite wearable e analisi di dati fisiologici in tempo reale. Applicazioni emergono anche in chirurgia robotica assistita, dove sistemi come SurgFlow riconoscono fasi procedurali e strutture anatomiche, e in neurochirurgia, dove strumenti come Sturgeon analizzano rapidamente il DNA tumorale per guidare l’estensione della resezione.
La prospettiva del chirurgo
Da chirurgo generale che vive la sala operatoria e i turni di reperibilità ogni settimana, posso aggiungere un tassello che i numeri, da soli, non restituiscono. Nella pratica quotidiana l’IA non entra come un collega che sostituisce, ma come un secondo sguardo: un sistema di navigazione intraoperatoria che segnala una struttura vascolare a rischio, un algoritmo che rilegge una TC mentre si sta ancora valutando il paziente al letto. La differenza rispetto alla narrazione più entusiastica che spesso accompagna questi strumenti è che il giudizio clinico resta, e deve restare, del chirurgo: l’IA velocizza, non decide. Ho visto sistemi di riconoscimento anatomico intraoperatorio rivelarsi utilissimi nelle fasi di apprendimento della chirurgia mininvasiva, ma anche sistemi che, se non validati sulla popolazione e sulla casistica specifica del proprio ospedale, generano falsi allarmi che rallentano più di quanto aiutino.
C’è poi un aspetto che raramente compare nelle rassegne tecniche ed è quello medico-legale, che per chi opera in urgenza non è un dettaglio accademico. Se un sistema di supporto decisionale suggerisce – o non segnala – una diagnosi, la responsabilità clinica resta comunque del medico che firma la cartella, ma la tracciabilità di quel suggerimento diventa un elemento nuovo nella documentazione: va registrato cosa lo strumento ha indicato, se e perché il chirurgo se ne è discostato. È un tema su cui le società scientifiche, comprese quelle di chirurgia d’urgenza, si stanno interrogando, ma la cornice normativa italiana ed europea è ancora in evoluzione e non offre risposte univoche su responsabilità e obblighi informativi verso il paziente quando un algoritmo entra nel percorso decisionale.
Penso poi alle notti di reperibilità, quando la decisione su un addome acuto va presa in pochi minuti con dati incompleti. Gli strumenti di risk stratification basati su IA promettono di aiutare proprio in quei momenti, ma la mia esperienza mi rende cauto su un punto specifico: il rischio di atrofia del ragionamento clinico nei chirurghi più giovani, se l’abitudine a delegare la stratificazione del rischio a un punteggio automatico prende il sopravvento sull’allenamento a costruire un sospetto diagnostico da soli. Un algoritmo può essere un’ottima rete di sicurezza; non può insegnare a un giovane collega a riconoscere un addome che «non torna» all’esame obiettivo, cosa che nessun modello, per ora, sa fare.
Detto questo, sarei disonesto se liquidassi questi strumenti come un rischio più che un’opportunità: la chirurgia robotica assistita e la navigazione intraoperatoria stanno già cambiando, in meglio, la curva di apprendimento di procedure complesse, e continueranno a farlo. Il punto, per chi opera, non è se adottare l’IA, ma con quale grado di governo clinico farlo: protocolli chiari su quando seguirla, quando metterla in discussione, e chi risponde quando sbaglia.
Sfide critiche: bias, etica, regolamentazione e implementazione
Nonostante i progressi, persistono ostacoli sostanziali. I dataset di addestramento spesso riflettono disuguaglianze storiche, generando bias che possono peggiorare le disparità (ad esempio, tassi più elevati di falsi positivi in alcuni gruppi demografici nella mammografia). La privacy dei dati, la trasparenza algoritmica (“black box”), l’accountability in caso di errore e il rischio di over-reliance dei clinici richiedono framework etici e normativi robusti.
La generalizzabilità dei modelli su popolazioni e setting diversi resta un problema; molti dispositivi autorizzati necessitano di validazione real-world continua. L’integrazione nei workflow clinici, la formazione del personale e la sostenibilità economica (rimborso, costi di implementazione) determinano il successo o il fallimento delle soluzioni. Organismi regolatori, inclusa la FDA, stanno evolvendo le linee guida verso un approccio lifecycle che contempli monitoraggio post-market e aggiornamenti continui dei modelli.
Prospettive future
Nei prossimi anni si prevede un’integrazione sempre più multimodale: modelli che combinano imaging, testo, genomi, dati wearable e note cliniche per predizioni olistiche. L’IA generativa e gli agenti autonomi potranno supportare planning chirurgico, educazione medica personalizzata (pazienti virtuali, tutoring adattivo) e gestione di popolazioni aging (predizione di demenza, monitoraggio cognitivo, companion robot e ambienti intelligenti).
La medicina di precisione si rafforzerà con modelli predittivi di risposta ai trattamenti e di rischio a lungo termine. Nella drug discovery si attende un aumento dei candidati clinici di origine IA e una riduzione dei tassi di fallimento. Sul piano sociale, l’IA può contribuire a mitigare le sfide demografiche (bassa natalità e invecchiamento) attraverso ottimizzazione delle tecniche di procreazione assistita, screening precoce e telemedicina accessibile anche in contesti a basse risorse, purché siano sviluppate soluzioni leggere, equitative e culturalmente adattate.
Il successo dipenderà dalla collaborazione interdisciplinare tra clinici, data scientist, regolatori e pazienti; dalla priorità data all’equità e alla sicurezza; e dalla capacità di mantenere l’IA come strumento di potenziamento (augmentation) piuttosto che di sostituzione del giudizio umano. Come sottolineato in revisioni recenti, l’IA non sostituirà i medici, ma i medici che usano l’IA potranno offrire cure più rapide, precise ed aggiornate.
In sintesi, l’uso odierno dell’IA in medicina è già tangibile e misurabile in diagnostica, amministrazione e ricerca farmaceutica. Le prospettive future delineano un sistema sanitario più predittivo, preventivo e accessibile, a condizione che le sfide etiche, tecniche e organizzative siano affrontate con rigore scientifico e responsabilità collettiva. La letteratura scientifica e i dati regolatori degli ultimi anni forniscono una base solida per questa trasformazione, ma il percorso richiederà validazione continua, trasparenza e un impegno condiviso verso un’innovazione al servizio della salute umana.
Una riflessione finale
Chiudo con una riflessione che nasce dal mio lavoro quotidiano più che dalla letteratura (n.d.r. parla il Dottor Gianfrancesco Intini). L’intelligenza artificiale in medicina non promette scorciatoie, ma tempo: tempo restituito al ragionamento clinico, alla relazione con il paziente, a quella parte del mestiere che nessun algoritmo può replicare. Il rischio, per chi la maneggia, non è che la macchina si sbagli — succede, e va messo in conto, come per qualunque strumento diagnostico — ma che il medico smetta di dubitare, delegando all’algoritmo non solo il calcolo ma il giudizio.
Per un lettore che non lavora in corsia, il messaggio pratico è forse questo: se in futuro un medico vi dirà che una macchina ha contribuito alla vostra diagnosi o alla scelta terapeutica, non è un segnale di minore attenzione nei vostri confronti, ma – se usata bene – uno strumento in più a garanzia della vostra sicurezza. La domanda che mi pongo dopo ogni turno di reperibilità non è se l’IA renderà la medicina più efficiente, ma se renderà i medici migliori nel restare curiosi, prudenti e responsabili di fronte a ogni singolo caso. È lì, credo, che si gioca la partita vera, molto più che nei laboratori dove questi sistemi vengono progettati.