Nel primo articolo di questa serie abbiamo analizzato lo stato della patient centricity nel sistema sanitario italiano, evidenziando un divario strutturale tra performance clinica ed esperienza reale dei pazienti. Un sistema lascia ancora troppo spesso il paziente, in particolare quello cronico, a orchestrare da solo il proprio percorso di cura, sostenendo un carico cognitivo, organizzativo ed emotivo crescente.
Abbiamo definito questo fenomeno “patient effort” e proposto una prima evoluzione concettuale verso una sanità “experience-driven”, in cui la qualità della cura non è determinata esclusivamente dall’esito clinico, ma dalla capacità del sistema di accompagnare il paziente lungo tutto il percorso.
In questo secondo contributo entriamo nel cuore di uno degli strumenti più discussi di questa trasformazione: l’intelligenza artificiale. Non per celebrarla, né per ridimensionarla, ma per comprendere con precisione quale ruolo può svolgere in un sistema sanitario complesso come quello italiano. AI: acceleratore o amplificatore dell’esperienza del paziente?
Indice degli argomenti
Perché l’intelligenza artificiale in sanità amplifica le logiche esistenti
L’intelligenza artificiale sta entrando nei sistemi sanitari con promesse concrete: diagnosi più tempestive, migliore gestione della documentazione clinica, personalizzazione delle informazioni, supporto continuo al paziente e sviluppo di modelli sempre più orientati al value-based care. Tuttavia, nel passaggio da patient-centric a experience-driven healthcare, la domanda centrale non è soltanto “cosa può fare l’AI?”, ma “quale esperienza di cura sta contribuendo a progettare?”.
Regole e workflow per un’AI human-centric
Il quadro regolatorio internazionale sta già orientando questa riflessione. I principi congiunti EMA-FDA del 2026 per il “good AI practice” nello sviluppo dei farmaci indicano tra i dieci principi fondativi lo sviluppo human-centric by design, insieme a risk-based approach, data governance, performance assessment e life cycle management. L’obiettivo dichiarato è realizzare il potenziale dell’AI mantenendo affidabilità delle informazioni, sicurezza del paziente ed eccellenza regolatoria. Anche l’AI Act europeo promuove l’adozione di un’AI “human-centric and trustworthy”, assicurando un elevato livello di protezione di salute, sicurezza e diritti fondamentali. Questa convergenza è importante, ma non sufficiente. “Human-centric” non può restare un attributo regolatorio: deve diventare un criterio progettuale. Se l’AI viene inserita in percorsi frammentati, rischia di ottimizzare singoli nodi senza migliorare la continuità complessiva dell’esperienza. I casi più solidi mostrano che l’impatto dell’AI cresce quando viene integrata nel workflow, non sovrapposta.
Dallo screening mammografico ai percorsi integrati
Nello screening mammografico, ad esempio, lo studio PRAIM pubblicato su Nature Medicine ha analizzato 463.094 donne in 12 centri tedeschi, di cui 260.739 con supporto AI. Il gruppo AI ha raggiunto un tasso di rilevazione del tumore al seno di 6,7 per 1.000 donne, contro 5,7 nel gruppo controllo: un incremento del 17,6%, senza aumento del recall rate, che è risultato leggermente inferiore rispetto al controllo. Questo dato è rilevante poiché anticipa la diagnosi e riduce così attesa, incertezza e carico emotivo.
Più in generale, le evidenze disponibili mostrano come l’AI stia contribuendo a migliorare diverse dimensioni del percorso di cura: dalla diagnosi precoce alla personalizzazione delle terapie, dal monitoraggio continuo delle patologie croniche fino al rafforzamento della relazione medico-paziente e del supporto alla salute mentale. Tuttavia, questi benefici emergono in modo consistente solo quando le soluzioni sono integrate nei percorsi di cura e non adottate come strumenti isolati.
AI in healthcare e relazione medico-paziente
Gli ambient AI scribes, cioè sistemi che ascoltano la visita e generano bozze di note cliniche, sono oggetto di trial randomizzati pubblicati su NEJM AI. L’obiettivo dichiarato di questi studi è ridurre il tempo speso nella documentazione e il burnout associato. Il beneficio potenziale, dal punto di vista della patient experience, non è semplicemente amministrativo: meno tempo assorbito dallo schermo può significare più attenzione, ascolto e qualità della conversazione clinica.
La stessa logica vale per gli assistenti conversazionali e per i sistemi basati su Large Language Models. La WHO (World Health Organization), nella guidance su ethics and governance of AI for health, evidenzia che i large multi-modal models potranno avere applicazioni diffuse in healthcare, ricerca, salute pubblica e drug development, ma richiama anche la necessità di governance, sicurezza e controllo. In sanità, infatti, un’interazione apparentemente fluida non è automaticamente affidabile: qualità delle fonti, aggiornamento, tracciabilità e contestualizzazione diventano parte integrante dell’esperienza. Qui si inserisce il contributo del Retrieval-Augmented Generation. La relazione tra trasparenza algoritmica e fiducia clinica, e le condizioni necessarie perché i sistemi AI risultino affidabili per medici e pazienti, è stata esplorata da Explainambiguity Think Tank in un’analisi dedicata al contesto sanitario italiano.
RAG, fonti selezionate e fiducia progettuale
La RAG consente di collegare un modello generativo a fonti esterne selezionate, linee guida, documentazione clinica, contenuti regolati, migliorando accuratezza e rilevanza delle risposte. Studi recenti su RAG in ambito sanitario mostrano il potenziale dell’approccio, ma anche la necessità di valutarne accuratezza, consistenza e sicurezza, soprattutto quando viene usato per istruzioni cliniche o preoperatorie. L’adozione di architetture più controllabili e spiegabili, tra cui gli small language models in affiancamento ai sistemi generativi, rappresenta una delle direzioni più promettenti per rendere l’AI clinicamente affidabile e auditabile. La RAG, quindi, non è solo una tecnica: è una componente di fiducia progettuale.
Intelligenza artificiale in sanità tra conoscenza, decisioni e autonomia
In questo senso, il contributo dell’AI può essere letto lungo tre direttrici principali: 1) la costruzione di una conoscenza continua del paziente, 2) il supporto alle decisioni cliniche attraverso evidenze dinamiche e 3) il rafforzamento del coinvolgimento e dell’autonomia del paziente. Il valore di queste direttrici dipende tuttavia dalla loro integrazione all’interno del percorso complessivo.
Il punto chiave è che l’AI non rende automaticamente la sanità più centrata sul paziente. Amplifica ciò che trova. Le implicazioni di questa dinamica, con particolare riferimento al ruolo dei nudge algoritmici nelle decisioni strategiche e cliniche, sono state analizzate da Explainambiguity Think Tank in relazione al contesto life sciences. In un sistema frammentato, può rendere la frammentazione più efficiente; in un ecosistema progettato, può invece abilitare percorsi più continui, intelligibili e personalizzati. Per questo, la patient centricity non può essere delegata alla tecnologia: deve essere disegnata, misurata e governata dall’uomo.
Il momento attuale rappresenta inoltre una fase di particolare maturità, caratterizzata dalla convergenza tra evoluzione normativa e prontezza tecnologica. Da un lato, la crescente definizione di framework regolatori condivisi; dall’altro, la disponibilità di tecnologie già applicata in contesti reali — dall’imaging assistito all’ambient scribing, fino alle architetture basate su RAG e connected health. Questa convergenza crea le condizioni per un’adozione più consapevole e scalabile dell’AI nei sistemi sanitari.
Governare l’AI in sanità oltre la neutralità tecnologica
L’intelligenza artificiale non è neutrale. Inserita in un sistema frammentato, ne amplifica la frammentazione. Integrata in un ecosistema progettato con intenzione, può invece abilitare percorsi di cura più continui, comprensibili e personalizzati.
L’AI non trasforma automaticamente la sanità in una sanità più centrata sul paziente. Amplifica ciò che trova. E proprio per questo, la patient centricity non può essere delegata alla tecnologia: deve essere disegnata, misurata e governata.
Il quadro regolatorio internazionale, dalla convergenza EMA-FDA ai principi dell’AI Act europeo, sta già orientando questa consapevolezza. Ma i principi non bastano: devono diventare criteri progettuali, non solo attributi normativi.
Nel terzo e ultimo articolo di questa serie editoriale vedremo come tradurre questa consapevolezza in un framework operativo: tre dimensioni interdipendenti, Experience by Design, Data by Evidence e AI by Governance, per progettare, misurare e scalare modelli di cura realmente orientati all’esperienza del paziente.
Bibliografia e sitografia
https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-1
https://www.nature.com/articles/s41591-024-03408-6
https://pubmed.ncbi.nlm.nih.gov/40672471
https://www.who.int/publications/i/item/9789240084759
https://www.nature.com/articles/s41746-025-01519-z
Methodology for Safe and Secure AI in Diabetes Management in Journal of Diabetes Science and Technology, 19(3):620-627 (2025). Geukes Foppen, Remco Jan; Gioia, Vincenzo; Gupta, Shreya; Johnson, Curtis; Giantsidis, John; Papademetris, Maria
Ambient AI Scribes in Clinical Practice: A Randomized Trial, Paul J. Lukac et al., Published November 26, 2025 NEJM AI 2025;2(12) – DOI: 10.1056/AIoa2501000 VOL. 2 NO. 12
From siloed data to breakthroughs: multimodal AI in drug discovery https://www.drugtargetreview.com/from-siloed-data-to-breakthroughs-multimodal-ai-in-drug-discovery/650597.article
Ke YH, Jin L, Elangovan K, Abdullah HR, Liu N, Sia ATH, Soh CR, Tung JYM, Ong JCL, Kuo CF, Wu SC, Kovacheva VP, Ting DSW. Retrieval augmented generation for 10 large language models and its generalizability in assessing medical fitness. NPJ Digit Med. 2025 Apr 5;8(1):187. doi: 10.1038/s41746-025-01519-z. PMID: 40185842; PMCID: PMC11971376.
Partecipa alla community