GenAI in sanità: dove crea valore e dove resta promessa

Ad inizio 2025, stimolato dai molti spunti a conferenze ed eventi commerciali e dalla continua narrativa e bombardamento commerciale, ho provato ad ipotizzare con l’Ufficio Comunicazione e la Direzione Strategica della mia azienda l’ipotesi di sperimentare o addirittura attivare strutturalmente un bot risponditore per i nostri cittadini e assistiti.

Lo confesso, progetto motivato anche dal poco sano retropensiero “non posso rimanere l’unico a non fare nulla con la Generative AI (GenAI per gli amici)…”. Abbiamo quindi iniziato l’esplorazione.

L’obiettivo che ci siamo posti era (o meglio è… ancora) quello di rendere più navigabile la nostra complessa offerta di prestazioni e servizi e superare il caos stratificato negli anni nel sito web.

Abbiamo quindi iniziato a ripercorrere gli appunti delle varie aziende che avevano proposto soluzioni simili in passato, proponendo loro una sfida semplice, peraltro lontana dalle criticità specifiche del mondo sanitario/medicale: utilizzare i contenuti del sito web pubblico per un pre-addestramento di una soluzione AI generativa (un bot risponditore) che potesse rispondere in linguaggio naturale a domande sui contenuti, s solo titolo informativo. (per ora scritto… non volevamo introdurre complessità del riconoscimento vocale).

Una soluzione che sfruttasse quindi la capacità intrinseca dell’AI di adeguarsi progressivamente al variare continuo dei contenuti pubblici della azienda, senza azioni di riconfigurazione esplicite.

Ho presto scoperto che, per quanto da noi raggiunto nell’esplorazione, non ci sono soluzioni attive strutturalmente di questo tipo (che non siano pilot o soluzioni non AI-based che rispondono sulla base di regole e informazioni strutturate preinserite). Abbiamo quindi esplorato le varie soluzioni proposte come pilot, sia italiane che estere. Volendo avere un approccio metodologicamente “equo” abbiamo sempre proposto ai pilot proposti le stesse domande, peraltro non eccessivamente complesse… ottenendo risposte quasi sempre non risolutive se non occasionalmente anche sbagliate.

“E’ necessario fare Fine tuning” … “vanno scelti i contenuti da fornire in addestramento” … “problema di potenza di calcolo, quando saremo in produzione risponderà bene” … tante le motivazioni proposte dai fornitori di soluzioni, che spesso si scoprivano applicatori di tecnologie poco padroneggiate e loro stessi vittime di un hype che “la faceva facile”.

Generative AI in sanità tra hype e adozione reale

È stata una esperienza sana per sperimentare sul campo il fatto che l’AI in generale (non solo quella generativa) viene proposta come matura e “pronta”, ma di fatto la sua adozione è ancora lontano dall’essere immediata come viene dipinta.

Lo dimostra anche il numero di ancora significativamente limitato di soluzioni disponibili commercialmente nel settore sanitario (rispetto agli altri settori industriali) realmente basate su tecnologie AI è ancora estremamente limitato. FDA riporta un numero di soluzioni basate su AI certificati nell’ordine del centinaio (o meno) all’anno, a fronte di oltre tremila dispositivi certificati annualmente.

Perché partire da queste considerazioni nel parlare di Generative AI? Perché l’insieme di tecnologie che va sotto questo nome, spesso impropriamente associato esclusivamente a soluzioni tipo “ChatGPT” (che è in effetti una applicazione di più tecnologie, tra cui quelle di GenAI), rappresenta uno strumento dall’enorme complessità e dalle molte potenzialità… ma ad oggi non siamo stati in grado nel settore sanitario di adottare in modo significatrivo anche solo le tecnologie di AI più semplici e “tradizionali” (quelle inferenziali / regressive classiche). Nel saltare da un hype all’altro è forse giunto il momento di porsi domande sul motivo della adozione “al di sotto delle aspettative” e quindi approcciare i prossimi passi in modo più maturo.

Un percorso non molto diverso da quello fatto da altre tecnologie quali la Stampa 3D e Blockchain, che hanno visto la graduale maturazione delinearne i reali ambiti di applicazione e una maggiore consapevolezza sul valore che possono portare in sanità.

Avremmo quindi potuto contribuire al dibattito con l’ennesimo articolo che narra di tutte le potenziali applicazioni di queste tecnologie, traendo spunto da pilot fatti in giro per il mondo, dalle presentazioni viste a conferenze o eventi commerciali. Abbiamo invece ritenuto opportuno, nello spirito pragmatico che contraddistingue gli operatori sul campo della sanità digitale (rappresentati da AISIS), ragionare sui reali ambiti di applicazioni che distinguono queste tecnologie, le criticità della loro adozione, e le dinamiche delle possibili evoluzioni.

Per fare questo, un po’ per gioco, ho chiesto al mio amico CoPilot di generare esempi per ogni paragrafo… è stato bravino.

Generative AI in sanità oltre l’evoluzione lineare dell’AI

La Generative AI è spesso presentata come una evoluzione progressiva delle tecnologie AI “tradizionali”. Se dal punto di vista temporale in effetti lo è, in quanto nata successivamente traendo spunto metodologico dalle basi impostate nei decenni passati, dal punto di vista concettuale e applicativo non si tratta di una vera evoluzione, ma di una applicazione (estremamente complessa e potente, senza dubbio) di principi nuovi ad ambiti e obiettivi leggermente diversi rispetto a quelli tradizionali.

Non è quindi “Il prossimo passo” ma semmai un “passo in una direzione nuova”.

Semplificando molto, se le tecnologie di AI tradizionali avevano come obiettivo un approccio inferenziale/regressivo/logistico: dedurre misurazioni da dati di ingresso, classificare dati, prevedere evoluzione di serie storiche, le tecnologie di GenAI hanno l’obiettivo di modellare contesti di dati multipli e relazioni tra questi (ad esempio, una frase in linguaggio naturale composta da parole/concetti tra di loro relazionati per assumere un senso complessivo) e generare insiemi di dati sulla base di tale modello (generare nuove frasi/concetti in linguaggio naturale, desumendole dalla rappresentazione data dal modello della frase/concetto in ingresso).

Esempio semplice del mio amico CoPilot

• AI tradizionale: è come una calcolatrice evoluta che, dati numeri e regole precise, ti dice quanto fa.
  Esempio sanitario: prevedere la probabilità di ricovero partendo da dieci parametri misurati.
• Generative AI (LLM): è come un “parlante” che costruisce frasi e contenuti nuovi a partire da ciò che ha compreso.
  Esempio sanitario: spiegare al paziente, in linguaggio naturale, cosa significano i suoi esami del sangue.

Affermare che la GenAI non è una semplice evoluzione lineare delle precedenti tecnologie appare quasi come un sofismo nel dibattito generale, ma vuole invece stimolare una riflessione sul fatto che l’entusiasmo e la volontà di adozione delle tecnologie di AI si concentra ora esclusivamente sulla GenAI, vista come la vera novità, che avrebbe “superato” e soprattutto sostituito tutte le tecnologie AI preesistenti. Tecnologie peraltro, ahinoi, mai adottate realmente.

Nella nostra esperienza quotidiana, ci siamo quindi trovato di fronte a situazioni paradossali in cui clinici hobbisti di AI (specie in via di espansione pericolosa) per determinare una regressione di un insieme di dieci campi strutturati (misure) contro uno score clinico, ipotizzavano di inserirli o trasformarli in forma testuale per poterli dare “in pasto” a un modello GenAI (che loro immaginavano simil-ChatGPT) per ottenere lo score.

Esercizio interessante, sicuramente potenzialmente anche funzionante, ma forse non funzionale in quanto non in linea il principio di base di adottare in primis le tecnologie più semplici.

Esempio semplice del mio amico CoPilot

È come usare un’auto di Formula 1 per andare a prendere il pane: funziona, ma è complicato, costoso e rischioso. Se servono solo dieci numeri per calcolare uno score, un modello regressivo è la soluzione più semplice e robusta.

È quindi necessario negli organi interni alle strutture sanitarie e di governo di livello alto ed intermedio (i cosiddetti Board AI, che progressivamente dovrebbe nascere in tutte le strutture quanto meno pubbliche) adottino approcci di “tecnologia adeguata” per il perseguimento del valore (peraltro riconducibili ai principi ispiratori dell’HTA). Questo approccio potrà sicuramente portare alla adozione di soluzioni basate su GenAI, sia in ambito amministrativo/organizzativo che clinico, ma valutare anche soluzioni più semplici e “tradizionali”.

Saper dirimere e valutare i contesti in cui tecnologie di GenAI possono portare reale valore e dove invece tecnologie “affini” possono essere equivalenti (o superiori) con costi e complessità inferiori è quindi una delle sfide di maturazione culturale e manageriale nel tema AI che si pone per chi lavora in Sanità Digitale. E questo comporta anche, se non soprattutto, il governo dell’”hype” degli operatori del settore, che comporta formazione, dialogo e condivisione di una visione che vada oltre il POC del prossimo semestre…

GenAI, LLM e strutturazione del dato clinico

Le GenAI, nella sua declinazione LLM e interpretazione del testo naturale arriva in un momento storico della sanità digitale in cui la grande sfida della strutturazione del dato clinico (intesa come modellazione dei concetti e relativa codifica) risulta non ancora vinta.

Da quanto esistono sistemi informativi sanitari esiste la consapevolezza che il supporto decisionale derivante dalla disponibilità del dato passa attraverso la strutturazione e codifica dello stesso. La stessa sfida dell’interoperabilità sappiamo che da sempre si riconduce, superato il problema tecnico, ad una corretta modellazione del dato. Se una anamnesi oncologica non è espressa con concetti omogenei tra due sistemi o due organizzazioni, le tecnologie di trasporto del dato da un contesto all’altro inevitabilmente falliscono, così come ogni elaborazione che voglia trarre ispirazione o implementare modelli di supporto decisionale (tradizionali o AI-based).

La nascita delle tecnologie GenAI (e LLM) hanno quindi trovato un terreno estremamente fertile per una possibile applicazione che venga incontro ad un problema preesistente e mai risolto…

Sono quindi effettivamente presenti soluzioni di generazione di template strutturati a partire dal testo medico [Dao], e con ancora maggiore successo strumenti per l’estrazione automatica di codifiche per funzioni amministrative o epidemiologiche [Sai].

La struttura e codifica a posteriori dei testi clinici appare quindi come una applicazione “sana” che giustifica l’entusiasmo su questo tipo di tecnologie. Ed è peraltro, riconducendo ai concetti espressi nelle sezioni precedenti, un utilizzo in cui il valore della GenAI e degli LLM diventa evidente e difficilmente paragonabile ad altre tecnologie.

Esempio semplice del mio amico CoPilot

Immagina una lettera di dimissione scritta a mano:

• LLM → riesce a leggere tutto il testo e “capire” che il paziente ha diabete, ipertensione e prende metformina.
• Sistema tradizionale strutturato → richiede tre campi distinti compilati a mano.

La GenAI è come un “assistente intelligente” che ordina e tagga quello che trova in mezzo al caos.

Anche su questo ambito è però pericoloso lasciarsi prendere da entusiasmo eccessivo, e da conseguenze estreme quali la totale destrutturazione del dato clinico, ipotizzando addirittura regressioni rispetto al lavoro fatto in passato.

Un elemento che va infatti considerato è che la strutturazione del dato tradizionalmente si pone tre obiettivi principali.

• L’atomizzazione/segmentazione di concetti/misure/valutazioni allo scopo di renderle chiaramente identificabili e trasmissibili/elaborabili (es. misure di parametri vitali non più annidate in testi ma con un campo dedicato)
• La codifica del concetto rilevato, introducendo quindi una dimensione semantica (es. l’utilizzo di specifiche unità di misura, metriche, o scale di valutazione per esprimere i concetti clinici)
• La funzione di guida, nella rilevazione del dato, per garantire una completezza delle informazioni acquisite in quello specifico momento clinico o amministrativo

Le prime due funzioni effettivamente possono essere con successo implementate da approcci di elaborazione tramite GenAI-LLM, mentre la terza pone una sfida più complessa.

Le checklist strutturate introdotte in molti contesti (es. la valutazione mammografica in radiologia) hanno un valore di uniforme leggibilità e disponibilità per potenziali elaborazioni, ma garantiscono anche una “guida logica” al clinico in fase di ragionamento/rilevazione. Garantiscono, banalmente, che non ci si dimentichi di valutare tutti gli aspetti rilevanti in quel contesto.

Questa funzione di “guida” è sicuramente implementabile “a valle” di una ipotetica estrazione intelligente da un testo narrativo, ma introduce il rischio che questo approccio di verifica a posteriori non risulti altrettanto efficace o sia più rischioso. La problematica è sicuramente affrontabile con approcci tecnologici quali reminder e modalità di UI/HMI (User Interface/Human Machine Interaction).

Queste considerazioni suggeriscono quindi una seria valutazione sulla effettiva opportunità di concepire la GenAI-LLM come strumento di destrutturazione del dato clinico digitale, in quanto l’onere introdotto dai sistemi di controllo e verifica a posteriori potrebbe, in alcuni casi, essere superiore al beneficio rispetto ad una rilevazione strutturata all’origine. È quindi più verosimile e auspicabile un percorso che trovi un equilibrio tra una rilevazione strutturata del dato e strumenti di supporto alla strutturazione a posteriori.

Esempio semplice del mio amico CoPilot

Una checklist in radiologia è come una lista della spesa:

• ti ricorda tutto quello che devi mettere nel carrello;
• evitare che tu “salti” un punto importante.

Se facciamo la spesa a memoria (testo libero), un LLM può controllare dopo se manca qualcosa — ma potrebbe essere tardi.

Generative AI in sanità come HMI di ultimo miglio

Un ambito di applicazione affine al precedente, ma che tocca una esigenza diversa, è quello della interazione dei sistemi informativi sanitari (EMR, ma non solo) con l’operatore sanitario.

Un tema di sempre maggiore rilevanza nella sanità digitale, e ampiamente nella lettura è il ruolo della tecnologia nel “burn out” degli operatori sanitari [Wu].

L’elemento principale di questo burn out è il paradosso dell’“aver lavorato troppo bene” nel passato. Alla sanità digitale è stato dato mandato, negli ultimi 30 anni, di portare a convergenza il patrimonio di dati generati all’interno delle strutture verso piattaforme uniche (Clinical Data Repository, Electronic Medical Record, ed ora anche strutture di alto livello quali gli Electronic Health Record e il nostro Fascicolo Sanitario Elettronico). Questa sfida combinata di digitalizzazione di base delle sorgenti informative e di interoperabilità di convergenza ha portato sugli operatori sanitari un appesantimento dell’operatività su due fronti:

• Maggiore sforzo per rilevare su strumenti digitali in modo
• Maggiore sforzo nella lettura, selezione per rilevazione ed interpretazione dell’insieme di dati proposti per ogni caso clinico

Molte considerazioni sono state fatte su questi aspetti, e in alcune situazioni si è arrivati ad ipotizzare una riduzione del carico digitale complessivo con parziale ritorno a informazioni destrutturate o riducendo le sorgenti informative disponibili tramite integrazioni [Dymek].

Questa sfida può trovare un approccio efficace con le tecnologie GenAI-LLM, sia in termini di capacità di interazione vocale, in inserimento e navigazione nella soluzione, che nelle soluzioni di Clinical Summarization o Clinical Data Navigation [Croxford].

L’applicazione della GenAI-LLM in questo contesto esce dall’ambito prettamente di inferenza clinica e supporto decisionale tradizionale e si sposta nell’abito della UI Design / Experience e HMI. Le metriche di analisi del valore divengono quindi non più strettamente legate al contesto sanitario, ma si spostano sulla efficacia, facilità e tempistica di interazione e, sebbene di difficile valutazione e misurazione, sulla riduzione del “IT burden” sugli operatori.

Una applicazione analoga a questa è la navigazione correlata tra dati sanitari del paziente

Esempio semplice del mio amico CoPilot

Invece di cercare in 20 schermate l’ultima creatinina, l’infermiere può dire:

“Mostrami gli esami rilevanti di questa settimana”
e il sistema glieli riassume in un’unica vista.

È un po’ come passare dalle “impostazioni avanzate” al comando vocale della smart‑home.

Ambient listening e nuovi paradigmi di interazione clinica

Perseguendo sempre un supporto alla operatività clinica diverso dal tradizionale supporto decisionale, GenAI e LLM stanno trovando efficace applicazione in un nuovo paradigma di interazione medico-paziente (e caregiver), reso possibile dalle tecnologie di Ambient Listening [North].

L’insieme delle tecnologie di NLP, GenAI e LLM, insieme alla disponibilità di tecnologie audio di qualità di tipo consumer consente oggi di porre “out of the loop” la rilevazione del dato conseguente alla interazione con il paziente, soprattutto in contesti ambulatoriali. Viene potenzialmente superata l’esigenza di “refertare” quanto emerge dalla integrazione tra il clinico e il paziente o caregiver, ottenendo una completa trascrizione delle conversazioni e, soprattutto, una sintesi degli elementi clinicamente rilevanti in forma narrativa o strutturata.

Queste applicazioni vanno oltre e difficilmente si possono porre in continuità tecnologica con la tradizionale “dettatura” (molto diffusa in ambito radiologico), in quanto introducono una dimensione di selezione delle informazioni rilevanti, sintesi e trasposizione della interazione tra operatore sanitario e paziente (quindi della correlazione tra domanda del clinico e risposta del paziente o caregiver).

Traendo però dall’esperienza maturata nella valutazione delle tecnologie di dettatura, un elemento chiave nella valutazione sull’efficacia dell’ambient listening sarà l’impegno necessario per l’operatore in fase di revisione, integrazione e correzione del risultato. Queste operazioni sostituiscono, nel processo complessivo, la fase di redazione del referto. Viene quindi richiesto all’operatore sanitario uno sforzo di tipo diverso, auspicabilmente inferiore come tempo e sforzo cognitivo, su cui è sicuramente necessaria una valutazione sistematica.

Esempio semplice del mio amico CoPilot

Dettatura: “Il paziente presenta dolore toracico da 3 ore, pressione 150/90…” Ambient listening: ascolta il colloquio e produce automaticamente:

• sintesi;
• parametri rilevanti;
• possibili diagnosi differenziali (se consentito).

È come la differenza tra scrivere quello che dice Siri e avere un assistente che capisce la conversazione e compila il referto per te.

GenAI e conoscenza medica nei casi clinici

Il 7 gennaio 2026 è stato ufficialmente lanciato ChatGPT Health. Al di là della effettiva destinazione d’uso, e delle implicazioni regolatorie che un utilizzo dello strumento potrà avere, questa scelta strategica evidenzia l’esistenza di un mercato, o quanto meno di un grosso interesse verso una esplorazione tramite GenAI e LLM della significativa base di conoscenza di ambito medico (o sanitario in genere). Questo non ci stupisce, e se vogliamo si pone in continuità con l’utilizzo diffuso dei tradizionali motori di ricerca per problematiche di salute e per la ricerca biomedica [Montazeri].

L’elemento che differenzia questo tipo di applicazioni è che la componente di modelling della conoscenza è applicabile sia ai contenuti ricercati (la base di conoscenza) che al contesto del quesito, quindi il punto di partenza.

È quindi possibile unire concettualmente l’applicazione descritta nella sezione precedente, che a partire da un contesto clinico complesso genera gli elementi di sintesi (semantica), con la correlazione di questi con la base di conoscenza. Questo doppio passaggio consente quindi di “integrare conoscenza” sulla base di un quadro informativo definito che, nella pratica, può essere un caso clinico, o nei casi più sofisticati una popolazione di casi su dui dedurre elementi di correlazione comune.

Ed è così che la mia povera gattina, a cui ho fatto gli esami del sangue, può vedere l’immagine degli esami elaborata da ChatGPT:

• sfruttando tecnologie di analisi dell’immagine, NLP e GenAI-LLM, viene generata una sintesi degli esiti rilevanti
• a partire da questi esiti rilevanti, l’applicazione di interpretazione semantica LLM recupera dalla base di conoscenza (sarà solo veterinaria? chissà…) possibili deduzioni sul quadro, suggerendo in modalità narrativa (GenAI) possibili scenari (diagnosi?) ed anche possibili azioni di approfondimento o terapeutiche

Questo esempio “manuale” di analisi, sintesi e interpretazione/inferenze su LLM deve essere visto, in prospettiva, come integrato in ecosistemi digitali completi quali CDR o EMR. Questo scenario, per ora complesso sia in termini implementativi che di costi, apre ad una possibile modalità di interazione con i sistemi clinici del tutto nuova, in cui sintesi e supporto decisionale si uniscono ad un approccio HMI narrativo… consolidando tutte le potenziali applicazioni descritte in un unico paradigma.

Esempio semplice del mio amico CoPilot

È come fotografare un neo con una app:

• prima identifica le caratteristiche nell’immagine (colore, margini, dimensione);
• poi confronta con migliaia di immagini note;
• infine, ti costruisce una spiegazione “in linguaggio umano”.

Certificazione della Generative AI in sanità

Tutti gli scenari descritti, a prescindere dalla valenza clinica diretta delle applicazioni descritte, si configurano come sistemi di supporto decisionale di ambito clinico.

Le elaborazioni previste, intese come trasformazioni dei dati originali (per sintesi, per trascrizione da audio e sintesi, per strutturazione e codifica, ecc.) introducono o si basano su elementi di conoscenza insiti nel modello GenAI-LLM adottato. Questo quadro è ormai consolidato sul piano regolatorio [Kolbeinsson], e di fatto è un elemento di criticità per l’adozione e il governo delle tecnologie GenAI-LLM nel contesto sanitario [Aboy].

Insieme ad aspetti prettamente di “certificazione” di esiti e comportamenti degli algoritmi (a cui da normativa AIAct è precluso l’auto-apprendimento o apprendimento continuo non supervisionato), sulla AI sono inseriti linee guida e normative di settore specifiche per i SAMD (Software as a Medical Device) che richiedono elementi di “explainability” la cui misurazione, attestazione e verifica risultano ancora terreno di confronto, a volte sul piano filosofico [Mesinovic].

Queste esigenze di certificazione e verifica sono chiave sia nel comprendere il ritardo della introduzione di queste tecnologie in soluzioni commerciali (rispetto ad altri ambiti applicativi), ed anche per adottare una corretta metodologia di governo nelle strutture applicazioni “home made” che spesso con eccessivo entusiasmo vengono adottate in POC la cui prospettiva in termini di probabilità e tempi di adozione nella clinica vengono stimati ottimisticamente.

Esempio semplice del mio amico CoPilot

È come voler vendere una macchina autonoma:

• non basta che “guida bene”;
• bisogna dimostrare perché ha preso una certa decisione, come è stato testato, e cosa succede se sbaglia.

Nella clinica vale lo stesso: non basta che il modello suggerisca, deve essere spiegabile, verificabile, testabile, non auto‑modificante.

Applicazioni mature della GenAI in sanità

GenAI e LLM sono tecnologie affascinanti, la cui enfasi mediatica ne ha amplificato sia la diffusione superficiale che le aspettative di applicazione in ogni contesto.

Una visione pragmatica e scientificamente corretta, oltre all’approccio prudenziale che caratterizza la Sanità Digitale, impone una analisi razionale delle reali possibili applicazioni e del rapporto costi benefici derivante.

In prima istanza non si può prescindere dall’analizzare .la reale opportunità rispetto a tecnologie più consolidate, tra cui, paradossalmente, le stesse tecnologie di AI più tradizionali. Queste ultime non possono essere viste come “una vecchia versione”, ma qualcosa di diverso, orientato a usi specifici e a volte decisamente più appropriati rispetto ai pesanti algoritmi di tipo generativo.

Gi ambiti applicativi specifici per le tecnologie GenAI-LLM esistono e possono forse riservare grandi opportunità più sul fronte dell’ottimizzazione dei processi che del miglioramento della qualità diagnostico/terapeutica. La comparsa e la diffusione di queste tecnologie anche in questi contesti “promettenti” è però rallentata dalla intrinseca difficoltà di certificazione e verifica derivante dalle regolamentazioni preesistenti (MDR) o dalle nuove regolamentazioni specifiche di settore (AIAct).

Per gli operatori del settore della Sanità Digitale, o anche degli utenti della stessa (i molti operatori sanitari ed anche gli stessi cittadini/pazienti) è importante iniziare un percorso di maturazione rispetto a queste tecnologie per superare le distorsioni della fase entusiastica attuale e preparare la strada alle reali applicazioni mature delle tecnologie emergenti.

Numero di Medical Devices contenenti tecnologie AI approvati da FDA per anno

Partha Sardar, Elena Dudorova, Saurav Chatterjee, Sahil A. Parikh, Emmanouil S. Brilakis, Jagmeet P. Singh, Analysis of FDA-Approved Artificial Intelligence and Machine Learning-Enabled Cardiovascular Devices, JACC: Advances, Volume 4, Issue 10, Part 2, 2025, 102174, ISSN 2772-963X, https://doi.org/10.1016/j.jacadv.2025.102174.

Ambiti di applicazione dei device AI certificati FDA

Singh, R., Bapna, M., Diab, A.R. et al. How AI is used in FDA-authorized medical devices: a taxonomy across 1,016 authorizations. npj Digit. Med. 8, 388 (2025). https://doi.org/10.1038/s41746-025-01800-1

Bibliografia

Dao N, Quesada L, Hassan SM, Campo MI, Johnson S, Ghose S, San José Estépar R, Waxman A, Washko G, Rahaghi FN. Generative artificial intelligence for automated data extraction from unstructured medical text. JAMIA Open. 2025 Sep 4;8(5):ooaf097. doi: 10.1093/jamiaopen/ooaf097. PMID: 40918939; PMCID: PMC12410982.

Sai Madhav Reddy Nalla, AI-Powered Medical Coding: A Multi-Agent GenAI System for Clean Claims, Journal of Information Systems Engineering and Management 2025, 10(57s) e-ISSN: 2468-4376

Wu DTY, Xu C, Kim A, Bindhu S, Mah KE, Eckman MH. A Scoping Review of Health Information Technology in Clinician Burnout. Appl Clin Inform. 2021 May;12(3):597-620. doi: 10.1055/s-0041-1731399. Epub 2021 Jul 7. PMID: 34233369; PMCID: PMC8263130.

Dymek C, Kim B, Melton GB, Payne TH, Singh H, Hsiao CJ. Building the evidence-base to reduce electronic health record-related clinician burden. J Am Med Inform Assoc. 2021 Apr 23;28(5):1057-1061. doi: 10.1093/jamia/ocaa238. PMID: 33340326; PMCID: PMC8068419.

Croxford, E., Gao, Y., First, E. et al. Evaluating clinical AI summaries with large language models as judges. npj Digit. Med. 8, 640 (2025). https://doi.org/10.1038/s41746-025-02005-2

North F, Matthews MR, Iqbal A, Post JA, Ebbert JO. Ambient listening implementation in primary care and changes in electronic health record documentation metrics: Pre-post study of an ambient listening tool. Digit Health. 2025 Nov 26;11:20552076251403211. doi: 10.1177/20552076251403211. PMID: 41323090; PMCID: PMC12657781.

Montazeri M, Galavi Z, Ahmadian L. What are the applications of ChatGPT in healthcare: Gain or loss? Health Sci Rep. 2024 Feb 14;7(2):e1878. doi: 10.1002/hsr2.1878. PMID: 38361810; PMCID: PMC10867364.

Benedikt Kolbeinsson, Arinbjörn Kolbeinsson, Classifying GenAI under the European Union’s Medical Device Regulation, GenAI for Health Workshop @ NeurIPS 2024, Vancouver.

Aboy, M., Minssen, T. & Vayena, E. Navigating the EU AI Act: implications for regulated digital medical products. npj Digit. Med. 7, 237 (2024). https://doi.org/10.1038/s41746-024-01232-3

Mesinovic, M., Watkinson, P. & Zhu, T. Explainability in the age of large language models for healthcare. Commun Eng 4, 128 (2025). https://doi.org/10.1038/s44172-025-00453-y