Negli ultimi anni, ChatGPT e altre piattaforme di intelligenza artificiale sono diventate strumenti di prima scelta per chi cerca informazioni su sintomi, risultati di esami o farmaci, sia prima che dopo una visita medica. Questa tendenza dimostra che l’AI non è più una questione teorica ma una realtà quotidiana nelle relazioni tra paziente e professionista sanitario.
Health-literate AI: i quattro pilastri proposti da Ivic, Ratzan e Parker
Rebecca Ivic, Scott Ratzan e Ruth Parker hanno introdotto il concetto di health-literate AI un’intelligenza artificiale progettata per adattare contenuti, indicazioni e responsabilità alle capacità e al contesto dell’utente. I ricercatori hanno sintetizzato il modello in quattro principi fondamentali:
Comprensione (comprehension)
Non basta usare termini medici corretti; la risposta deve essere chiara per chi la legge, traducendo il gergo in concetti che il paziente possa realmente capire e applicare alla propria situazione.
Capacità di agire (agency)
Le informazioni devono fornire al soggetto gli strumenti per prendere decisioni consapevoli, indicando quali passi compiere piuttosto che limitarsi a descrivere possibili diagnosi.
Trasparenza (accountability)
Un sistema affidabile deve rendere visibili le evidenze disponibili, le incertezze e i limiti della propria risposta. Dichiarare non lo sappiamo con certezza è spesso più corretto di una conclusione affrettata.
Proporzionalità (proportionality)
Il tono, la quantità e l’urgenza del messaggio devono rispecchiare la gravità clinica reale. Una risposta che elenca tutte le cause di una cefalea improvvisa, ma suggerisce una visita urgente solo alla fine, rischia di essere clinicamente inadeguata.
In ambito neurologico, ad esempio, una risonanza magnetica può evidenziare una protrusione discale senza che questa sia la causa del dolore riferito. Un’AI può elencare possibili associazioni, ma stabilire la probabilità in un singolo paziente richiede il giudizio clinico del medico, basato su anamnesi, esame obiettivo e ulteriori indagini.
Il 30 settembre 2026 è stato pubblicato un rapporto quasi centinaio di pagine a cura del European Academies’ Science Advisory Council (EASAC) e della Federation of European Academies of Medicine (FEAM). György Kosztolányi, membro dell’Accademia ungherese delle scienze, ha presentato il lavoro, che analizza l’uso dell’AI in aree quali imaging medico, diagnosi virtuali, ricerca terapeutica, riabilitazione e servizi amministrativi.
Il documento sottolinea che l’AI non può essere considerata soltanto una novità tecnologica; il suo successo dipende da una validazione clinica rigorosa da dati di alta qualità, da governance efficace e da un coinvolgimento attivo di medici e pazienti. Senza questi elementi, l’AI rischia di accentuare le disuguaglianze esistenti, di introdurre nuovi pericoli o di non fornire i benefici attesi.
In Europa, molte applicazioni AI in ambito sanitario sono classificate come ad alto rischio, per il loro potenziale impatto sulla vita delle persone. Il rapporto chiede l’applicazione di standard severi di sicurezza ed etica includendo trasparenza, consenso informato e meccanismi di risarcimento. Propone inoltre una strategia coordinata a livello UE, con sistemi interoperabili, investimenti continui nella formazione e strutture di responsabilità chiare.
Applicazioni concrete: l’esempio della radiologia AI-native
Nel settore radiologico, le strutture “AI-native” stanno emergendo per aumentare l’efficienza dei lettori e, in alcuni casi, migliorare la precisione diagnostica. Un caso tipico è la lettura di una radiografia toracica di un bambino con sintomi influenzali, dove l’algoritmo evidenzia automaticamente lesioni potenzialmente rilevanti, suggerendo al radiologo le aree da controllare più attentamente.
Queste tecnologie non sostituiscono il radiologo, ma fungono da strumento di supporto in grado di organizzare le informazioni, ridurre il tempo di lettura e aiutare il paziente a porre domande più mirate. Tuttavia, anche in questo ambito è necessario verificare clinicamente l’accuratezza delle indicazioni generate dall’AI, soprattutto quando le conseguenze di un errore diagnostico possono essere gravi.
