La stagione delle promesse generiche sull’intelligenza artificiale in sanità sta mostrando in modo sempre più evidente i suoi limiti. Gli episodi, ormai ben documentati, di chatbot generalisti che forniscono indicazioni cliniche imprecise o non allineate alle linee guida hanno chiarito un punto fondamentale: strumenti progettati per “parlare di tutto” non possono sostenere, da soli, il peso delle decisioni ad alto impatto in ambito clinico.
Il tema, tuttavia, non è ridimensionare il ruolo dell’AI nella sanità digitale, ma riconoscere che nei contesti più delicati servono sistemi costruiti attorno ai percorsi di cura reali, ai vincoli regolatori e alle responsabilità medico-legali che li definiscono. In altre parole, serve un potenziale cambio di paradigma prima che ancora un cambio di approccio: da modelli generalisti a sistemi di supporto decisionale clinico progettati per domini specifici, che potrebbero rappresentare la forma più coerente di utilizzo responsabile dell’AI in questo ambito.
Indice degli argomenti
Vertical intelligence in sanità, il cambio di paradigma
È in questo spazio che si colloca la vertical intelligence, ovvero un approccio domain-specific all’intelligenza artificiale in cui modelli, dati, linee guida e traiettorie terapeutiche vengono integrati e sviluppati in modo mirato per ciascun ambito patologico.
Non si tratta di un’unica intelligenza “onnisciente”, ma di famiglie di sistemi distinti – cardiovascolare, oncologico, neurologico – costruiti per lavorare su problemi, outcome e base dati propri di ciascun contesto, con l’obiettivo di supportare decisioni più precise, tempestive e giustificabili.
Il ruolo della vertical intelligence nel rischio cardiovascolare
Nel dominio cardiovascolare, la vertical intelligence è primariamente orientata alla gestione del rischio lungo l’intero percorso di cura: dalla prevenzione degli eventi acuti all’individuazione precoce delle disfunzioni, fino all’ottimizzazione del triage e del follow-up. I modelli operano su basi dati cliniche curate – elettrocardiogrammi, imaging cardiaco, parametri emodinamici, storia di ricoveri ed eventi – e restituiscono mappe di rischio, priorità di presa in carico e indicazioni sull’intensità del monitoraggio, sempre coerenti con linee guida validate.
Questi sistemi non formulano diagnosi in autonomia, ma rendono il giudizio clinico più consistente, trasparente e misurabile. In questo modo contribuiscono a ridurre la variabilità non giustificata tra professionisti e strutture, migliorando la qualità complessiva delle decisioni e rafforzando l’uso responsabile dell’intelligenza artificiale in ambito sanitario.
Oncologia, precision oncology e dati clinici integrati
Nell’oncologia, in particolare in patologie ad alto impatto come il carcinoma polmonare e il tumore della mammella, le esigenze sono potenzialmente anche diverse e riguardano la diagnosi precoce, la stratificazione fine del rischio, la scelta e il sequenziamento delle terapie e il monitoraggio delle recidive. I sistemi di vertical intelligence vengono addestrati su dati eterogenei – imaging, referti istopatologici, profili molecolari e informazioni longitudinali di follow-up – con l’obiettivo di trasformare queste informazioni in indicazioni cliniche coerenti con il paradigma della precision oncology, che potrebbe rappresentare una delle leve più concrete per ridurre le disuguaglianze di esito.
L’integrazione tra livelli diversi di dato consente di individuare pattern rilevanti per la pratica clinica e di supportare decisioni più coerenti tra centri e territori diversi. Il risultato è una maggiore uniformità dei percorsi di cura e una riduzione delle disuguaglianze nell’accesso a trattamenti di qualità, in linea con gli obiettivi di una sanità più equa e data-driven.
Supporto decisionale clinico e responsabilità dello specialista
L’obiettivo, in tutti questi ambiti, non sarà sostituire lo specialista, ma offrirgli una base informativa condivisa che renda espliciti rischi, trade-off e scenari decisionali. Una base sufficientemente strutturata da rendere il confronto clinico più informato e riproducibile, ma anche abbastanza flessibile da adattarsi alla complessità dei singoli casi. Questo approccio rafforza anche la dimensione multidisciplinare della medicina, facilitando il dialogo tra competenze diverse e rendendo più strutturati i processi decisionali collegiali.
Innovazione, regolazione e sistemi di AI ad alto rischio
Una delle questioni centrali riguarda il rapporto tra innovazione e regolazione. L’intelligenza artificiale in sanità è oggi al centro dell’attenzione dei decisori pubblici e delle autorità regolatorie, soprattutto in relazione ai requisiti europei per i sistemi di AI ad alto rischio. In questo contesto, la sfida è garantire che i sistemi siano non solo performanti, ma anche trasparenti, tracciabili e conformi alle normative sui dati: in questa direzione, la vertical intelligence potrebbe rappresentare un terreno privilegiato di allineamento tra innovazione e regolazione.
In questo quadro, diventa centrale anche la capacità di documentare in modo sistematico le logiche decisionali dei modelli, rendendo espliciti i criteri con cui vengono generate le raccomandazioni cliniche e facilitando così i processi di validazione, controllo e responsabilità. I sistemi di vertical intelligence, se progettati in modo rigoroso, offrono una risposta strutturale a questa esigenza.
Non si configurano come una somma di applicazioni di AI isolate, ma come infrastrutture in cui data governance, interoperabilità, auditabilità clinica e misurazione degli esiti sono integrate fin dall’origine. Questo consente non solo di valutare le performance dei modelli, ma anche di monitorarne l’impatto reale sui percorsi di cura e sugli outcome dei pazienti. In questa prospettiva, tali sistemi rappresentano un passo verso la costruzione di veri learning health systems, in cui l’esperienza clinica contribuisce continuamente ad aggiornare e migliorare le decisioni future.
Ogni interazione, ogni dato raccolto, ogni esito osservato diventa parte di un patrimonio conoscitivo condiviso, accessibile e verificabile.
Vertical intelligence tra hub, spoke e territorio
Un ulteriore elemento riguarda l’impatto organizzativo. La vertical intelligence non si limita a potenziare i grandi centri di riferimento, ma può estendere capacità avanzate di supporto decisionale anche alle strutture meno specializzate, e potrebbe rappresentare un fattore abilitante per un riequilibrio più strutturale tra hub e spoke.
Standardizzando criteri di rischio, priorità e percorsi, questi sistemi permettono una distribuzione più equilibrata del carico decisionale e facilitano la collaborazione tra nodi diversi della rete sanitaria. In questo senso, l’intelligenza artificiale diventa un fattore abilitante per una maggiore integrazione tra ospedale e territorio, tra prevenzione e trattamento, contribuendo a superare frammentazioni che oggi rappresentano uno dei principali limiti dei sistemi sanitari.
Sostenibilità e qualità delle decisioni cliniche
Infine, vi è un tema di sostenibilità, intesa non solo come efficienza economica ma come capacità complessiva del sistema di mantenere standard elevati di cura nel tempo. L’utilizzo di sistemi di vertical intelligence consente di ridurre inefficienze legate a decisioni tardive o non coerenti, limitare la duplicazione degli esami e ottimizzare l’allocazione delle risorse lungo l’intero percorso assistenziale.
La sostenibilità, in questo senso, è strettamente legata alla qualità delle decisioni: migliori decisioni cliniche producono, nel medio e lungo periodo, un uso più efficace delle risorse e un miglioramento degli esiti per i pazienti.
Una infrastruttura per la sanità digitale
In definitiva, la vertical intelligence e il suo integramento sistemico non rappresentano semplicemente un’evoluzione tecnologica, ma una componente infrastrutturale – che potrebbe diventare decisiva – per una sanità digitale che non si esaurisca in uno (o più) formati elettronici di refertazione. Potrebbe essere proprio quel tipo di innovazione abilitante che, se implementata senza ricadere nelle dinamiche silotiche tipiche della sanità italiana, è in grado di produrre una reale discontinuità sugli esiti. Non sostituisce il giudizio umano, ma lo supporta rendendolo più trasparente, consistente e misurabile, e soprattutto non introduce complessità aggiuntiva: la organizza, offrendo una base solida su cui costruire sistemi sanitari più affidabili, equi e sostenibili.
