La narrativa secondo cui l’intelligenza artificiale trasformerà la medicina del futuro ignora ciò che sta già accadendo adesso. Nelle specialità ad alta intensità di immagini – radiologia, patologia, oftalmologia – gli strumenti con l’approvazione normativa della FDA nordamericana rilevano già noduli polmonari, retinopatia diabetica, ictus e lesioni sospette alla mammografia con prestazioni cliniche paragonabili a quelle dello specialista. IDx-DR, approvato nel 2018, diagnostica la retinopatia diabetica senza la necessità di interpretazione medica di persona. Viz.ai rileva grandi occlusioni arteriose nelle scansioni TC della testa e contatta direttamente il team di neurologia interventistica. Il collo di bottiglia oggi non è la capacità degli strumenti, ma la capacità dei sistemi sanitari di integrarli in modo operativamente coerente.
##Quali evidenze cliniche hanno già confermato
La curva delle approvazioni normative nel settore dell’imaging medico ha subito un’accelerazione significativa tra il 2020 e il 2025. La FDA ha autorizzato più di 700 dispositivi di intelligenza artificiale e apprendimento automatico per uso clinico entro la metà di questo decennio, con la radiologia che rappresenta la maggioranza assoluta di queste autorizzazioni. Gli studi pubblicati su The Lancet, NEJM e Radiology dimostrano che gli algoritmi di rilevamento del cancro al seno nella mammografia riducono i falsi negativi e alleviano il peso della doppia lettura, una pratica obbligatoria in diversi sistemi europei. Nella patologia digitale, i modelli addestrati per identificare i sottotipi di tumore nei vetrini istologici hanno già superato l’accordo tra osservatori tra patologi esperti in alcune specifiche categorie di cancro.
Ciò non significa che l’IA sostituisca il radiologo o il patologo. Ciò che le prove dimostrano costantemente è che la combinazione uomo-algoritmo funziona meglio di ciascuna delle due prese singolarmente, soprattutto in compiti di screening ad alto volume, dove la fatica e la capacità di attenzione introducono errori sistematici. Il caso d’uso più solido non è la sostituzione: è l’ampliamento della capacità diagnostica senza espandere proporzionalmente il numero degli specialisti.
Cosa sta succedendo in Brasile con la regolamentazione e l'adozione
Negli ultimi anni, ANVISA ha creato un quadro normativo specifico per il software come dispositivi medici, i cosiddetti SaMD (Software as a Medical Device), seguendo la classificazione internazionale ISO 13485 e allineato con le linee guida IMDRF. Gli strumenti diagnostici di intelligenza artificiale rientrano in questa categoria e richiedono la registrazione o la notifica a seconda del rischio associato. La sfida in Brasile non è l’assenza di regolamentazione: è la velocità di elaborazione e la capacità tecnica dei produttori nazionali di preparare robusti dossier clinici.
Alcune startup brasiliane del settore sanitario hanno già prodotti approvati o in fase di notifica avanzata con ANVISA, in particolare nei settori delle radiografie del torace per lo screening della tubercolosi e della polmonite e negli esami del fondo oculare. Le reti ospedaliere e gli operatori dei piani sanitari hanno iniziato a sperimentarli su base occasionale, ma il passaggio dall’implementazione pilota a quella sistemica deve ancora affrontare problemi che non sono né normativi né tecnici: sono questioni di infrastrutture e di processo.
Integrazione con PACS, cartella clinica e il vero problema dell'implementazione
Qualsiasi algoritmo di intelligenza artificiale nell’imaging medico deve connettersi al PACS – il sistema di archiviazione e comunicazione delle immagini – e, idealmente, alla cartella clinica elettronica del paziente per accedere al contesto clinico. Questo punto di integrazione è dove la maggior parte dei progetti inciampa. I PACS installati negli ospedali brasiliani variano notevolmente in termini di versione, protocollo DICOM supportato e apertura ad API esterne. Molti sistemi legacy non dispongono di interfacce standardizzate per ricevere o esportare dati in un modo che i moderni strumenti di intelligenza artificiale possano utilizzare con basso attrito.
Il risultato pratico è che l’implementazione, che dovrebbe richiedere settimane, spesso richiede mesi, e non a causa dell’intelligenza artificiale in sé, ma a causa dell’architettura dei dati dell’ospedale. I team IT ospedalieri hanno raramente familiarità con gli standard di integrazione richiesti e i fornitori di intelligenza artificiale spesso sottovalutano lo sforzo necessario per adattarsi all’ambiente reale del cliente. I progetti che non mappano questo costo di integrazione nascosto prima dell’assunzione tendono a consumare budget ed energia politica senza generare risultati clinici misurabili.
Responsabilità civile e progettazione del flusso di lavoro
La questione della responsabilità legale nella diagnosi assistita dall’intelligenza artificiale è ancora lontana dall’essere pacificata in Brasile. Il CFM (Consiglio Federale di Medicina) ha già affermato che la responsabilità ultima dell’atto diagnostico spetta al medico, il che è clinicamente sensato, ma crea tensione operativa quando l’algoritmo coglie qualcosa a cui il radiologo non ha dato priorità o escluso. Questo scenario non è ipotetico: emerge naturalmente quando l’intelligenza artificiale viene utilizzata come strumento di screening, preselezionando i casi critici nelle code di segnalazione.
La progettazione del flusso di lavoro deve rispondere a questa tensione prima che diventi controversa. Come appare l'avviso AI nell'interfaccia del radiologo? Il rapporto finale registra l’assistenza algoritmica? Esiste una traccia di controllo che documenta ciò che il sistema ha segnalato rispetto a ciò che ha concluso il medico? Queste domande non hanno una risposta univoca, ma è necessario rispondere prima dell’implementazione, non dopo il primo incidente.
Cosa devono capire i leader del sistema sanitario prima di avviare un progetto pilota
Scegliere uno strumento diagnostico basato sull’intelligenza artificiale basato sul benchmark di accuratezza pubblicato nel documento equivale ad assumere un dipendente solo sulla base del suo curriculum senza controllare le referenze. Le prestazioni riportate sui set di dati di validazione raramente si replicano senza peggioramento in un ambiente di produzione ospedaliero con apparecchiature più vecchie, protocolli di acquisizione variabili e una popolazione diversa da quella utilizzata nella formazione. Il processo di selezione deve includere una fase di validazione locale – preferibilmente con dati retrospettivi provenienti dall’ospedale stesso – prima di qualsiasi impegno su vasta scala.
Inoltre, lo sponsor interno del progetto conta tanto quanto la tecnologia. Le implementazioni dell’intelligenza artificiale in radiologia che non hanno un radiologo senior come sostenitore attivo all’interno del team clinico spesso muoiono di disuso: lo strumento esiste, ma nessuno lo usa sistematicamente perché non è stato progettato per il flusso di lavoro effettivo. Il consenso clinico non può essere ottenuto con la dimostrazione in una conferenza: si ottiene con la partecipazione attiva dei medici nella fase di configurazione e con prove generate dai dati dell'ospedale.
Infine, misura ciò che conta. La maggior parte dei piloti definisce il successo in base all’accuratezza diagnostica. Ma ciò che incide sui risultati finanziari e clinici di un sistema sanitario è il tempo di reporting, il tasso di risultati incidentali riportati, la riduzione delle richieste di test duplicati e, infine, l’impatto sui risultati clinici. Questi indicatori sono più difficili da raccogliere, ma sono quelli che giustificano – o negano – l’espansione.
Leggi anche
- Il mercato della longevità e cosa rivela sul futuro dei piani sanitari
- Come costruire un business case per l'intelligenza artificiale nelle operazioni industriali
- Chip di inferenza e ASIC: quando lo specializzato batte il generico
- Chip specializzati e la fine dell'era delle CPU generiche
- Computazione neuromorfica e bio-ispirata: quando il chip inizia ad apprendere dal cervello
- Energia IA e sovranità: cosa devono pianificare i governi adesso