L’IA rivoluziona la diagnostica

L’intelligenza artificiale entra sempre più concretamente nella diagnostica italiana e si prepara a cambiare il modo in cui vengono individuate le patologie, interpretati gli esami e organizzati i percorsi assistenziali. Non più soltanto una promessa tecnologica, ma uno strumento destinato ad affiancare quotidianamente medici e specialisti, migliorando la qualità delle immagini, accelerando i processi di refertazione e contribuendo a individuare con maggiore tempestività le malattie, a partire da quelle oncologiche. È questo il tema al centro dell’incontro «L’AI nella diagnostica italiana: dall’adozione all’impatto clinico», promosso da DeepHealth a Milano ieri, in concomitanza con il 52° Congresso nazionale della Società italiana di Radiologia medica e interventistica (Sirm). Un appuntamento che ha messo a confronto esperienze cliniche, innovazione tecnologica e prospettive di sviluppo dell’intelligenza artificiale nella diagnostica per immagini, con particolare attenzione alle ricadute concrete sulla pratica ospedaliera e sull’assistenza ai pazienti.

Il punto di partenza è una trasformazione già in corso. La quantità di immagini prodotte dalle moderne apparecchiature diagnostiche cresce continuamente e richiede ai radiologi tempi di analisi sempre più impegnativi. In questo scenario, l’intelligenza artificiale può rappresentare un supporto decisivo, consentendo di elaborare grandi volumi di informazioni, individuare elementi sospetti, migliorare la qualità delle immagini e contribuire alla definizione delle priorità cliniche. L’obiettivo non è sostituire il medico, ma metterlo nelle condizioni di lavorare meglio, concentrando le competenze professionali sugli aspetti più complessi della diagnosi e sulle decisioni terapeutiche.

A illustrare le potenzialità della tecnologia è stata Valeria Panebianco, direttrice del Dipartimento di Scienze radiologiche, oncologiche e anatomo-patologiche dell’Università Sapienza di Roma, che ha sottolineato il contributo ormai rilevante dell’intelligenza artificiale nella radiologia diagnostica. I risultati sono particolarmente interessanti nell’ambito oncologico e, nello specifico, nella diagnostica genito-urinaria. L’impiego di software integrati direttamente nelle apparecchiature di risonanza magnetica consente, per esempio, di migliorare la qualità delle immagini, intervenendo sugli artefatti provocati dal movimento respiratorio del paziente o dalla peristalsi intestinale. Immagini che in precedenza potevano risultare compromesse diventano così più utilizzabili ai fini diagnostici, con un miglioramento delle condizioni di lettura da parte dello specialista.

Un altro aspetto riguarda la capacità degli algoritmi di individuare automaticamente gli esami che presentano elementi compatibili con una patologia tumorale. Quando un reparto deve analizzare un numero elevato di risonanze magnetiche, poter individuare preliminarmente i casi più sospetti significa consentire al radiologo di concentrarsi innanzitutto sui pazienti che necessitano di una valutazione più tempestiva. Una possibilità particolarmente importante in oncologia, dove la rapidità dell’inquadramento diagnostico può incidere sull’organizzazione degli accertamenti e sulla successiva presa in carico.

La dimensione del problema è evidente anche nella quantità di dati che ogni singolo esame può produrre. Una tomografia computerizzata total body, ha ricordato Panebianco, può generare fino a 5.000 immagini. L’intelligenza artificiale permette di analizzare rapidamente queste informazioni, segnalando gli elementi meritevoli di attenzione e alleggerendo una parte del lavoro di valutazione preliminare. Il vantaggio non riguarda soltanto la velocità, ma anche la possibilità di rendere più efficiente l’attività dei reparti, riducendo il peso delle operazioni ripetitive e lasciando al medico il compito fondamentale di interpretare i risultati e assumere le decisioni cliniche.

Perché questa trasformazione diventi strutturale, tuttavia, non basta introdurre nuovi software negli ospedali. Occorre ripensare anche l’organizzazione dei servizi e investire nella formazione. Secondo Panebianco, servono professionisti capaci di integrare conoscenze mediche e competenze tecnologiche, in grado non soltanto di utilizzare gli strumenti di intelligenza artificiale, ma anche di comprenderne il funzionamento, valutarne i risultati e riconoscerne i limiti. Una trasformazione che dovrebbe coinvolgere anche le scuole di specializzazione, favorendo la formazione di figure con competenze interdisciplinari.

Tra le prospettive più interessanti indicate dalla docente c’è anche la possibilità di utilizzare algoritmi per contribuire alla gestione delle liste d’attesa. Un sistema intelligente potrebbe mettere in relazione la richiesta diagnostica formulata dal medico di medicina generale con le prestazioni disponibili e le condizioni cliniche del paziente, aiutando a stabilire il livello di urgenza e la tempistica più appropriata per effettuare l’esame. Un’applicazione che, se adeguatamente sviluppata e sottoposta a supervisione clinica, potrebbe contribuire a migliorare l’appropriatezza delle prestazioni e l’organizzazione delle risorse disponibili.

L’incontro milanese ha rappresentato anche l’occasione per DeepHealth di presentare il proprio nuovo portafoglio di intelligenza artificiale clinica, ampliato attraverso l’acquisizione della società francese Gleamer, specializzata nello sviluppo di software di AI per la radiologia. L’operazione consente all’azienda di ampliare la propria offerta di soluzioni per la diagnostica per immagini, integrando strumenti destinati a supportare differenti applicazioni cliniche, l’ottimizzazione dei flussi di lavoro e l’analisi delle performance dei servizi sanitari. L’ambizione è mettere a disposizione delle strutture sanitarie un insieme sempre più articolato di tecnologie, capaci di accompagnare le diverse fasi del percorso diagnostico.

La questione, però, non è soltanto tecnologica. L’introduzione dell’intelligenza artificiale deve tradursi in un beneficio misurabile per il paziente, senza compromettere il ruolo e la responsabilità del professionista. La supervisione clinica, l’affidabilità degli algoritmi, la qualità dei dati utilizzati e la capacità di interpretare correttamente le indicazioni prodotte dai software rappresentano condizioni indispensabili per un’adozione efficace. La decisione diagnostica e terapeutica deve restare affidata al medico, che conserva la responsabilità di valutare il quadro complessivo e di contestualizzare le informazioni fornite dalla tecnologia.

È proprio su questo equilibrio che si gioca il futuro della radiologia. L’intelligenza artificiale può rendere più rapida l’analisi degli esami, migliorare la qualità delle informazioni disponibili e contribuire a individuare precocemente situazioni cliniche complesse. Ma il valore dell’innovazione si misura soprattutto nella capacità di migliorare l’assistenza, ridurre i tempi e rendere più appropriato l’impiego delle risorse del Servizio sanitario nazionale. Una prospettiva che assume particolare rilevanza in un sistema alle prese con la crescita della domanda di prestazioni diagnostiche, la pressione sui reparti e la necessità di contenere le liste d’attesa.

Il confronto di Milano si inserisce così in una fase decisiva per la medicina italiana. La sfida non consiste semplicemente nell’acquistare tecnologie più avanzate, ma nel costruire un modello organizzativo nel quale intelligenza artificiale, competenze professionali e responsabilità clinica lavorino insieme. La radiologia del futuro sarà sempre più digitale e supportata dagli algoritmi, ma dovrà continuare ad avere al centro il medico e il paziente. Perché l’innovazione abbia davvero successo, non basterà rendere le macchine più intelligenti: bisognerà utilizzare il tempo e le possibilità che offrono per rendere la sanità più efficiente, tempestiva e umana.