Agentic AI in sanità

3 giugno 2025

Introduzione

La costante evoluzione dell’intelligenza artificiale (IA) negli ultimi anni ha portato allo sviluppo di nuove categorie di sistemi, tra cui l’Agentic AI (Intelligenza Artificiale Agentica).

A differenza della tradizionale IA “ristretta” (Narrow AI), specializzata nella soluzione di singoli compiti, l’Agentic AI è progettata per operare con autonomia decisionale, adattandosi in tempo reale alle circostanze ambientali e gestendo processi articolati su più fasi senza necessità di supervisione continua.

Le potenzialità dell’Agentic AI, soprattutto in ambito sanitario, riguardano la capacità di migliorare l’efficienza operativa, ottimizzare la qualità delle cure, ridurre i tempi di attesa e alleggerire il carico di lavoro del personale medico. In questo testo, aggiornato con dati e prospettive al secondo trimestre 2025, verranno esaminati:

Fondamenti teorici e tecnologici dell’Agentic AI.
Applicazioni concrete in sanità e benefici misurati.
Use case specifici legati alla documentazione clinica tramite AI generativa.
Un case study approfondito sull’implementazione dell’Oracle Health Clinical AI Agent.
Percezioni di medici e pazienti, sfide normative e prospettive future del settore.

Definizione e Principi Tecnologici

Cos’è l’Agentic AI

L’Agentic AI è un sistema intelligente dotato di:

Autonomia decisionale: pianifica e gestisce sequenze di azioni per perseguire obiettivi complessi.

Adattamento proattivo: modifica strategie in tempo reale sulla base di nuovi dati o imprevisti.

Agire in contesti non strutturati: riesce a operare in ambienti caratterizzati da incertezza e rapida evoluzione, come un reparto ospedaliero in emergenza.

A differenza della Narrow AI, che eccelle in compiti singoli e definiti (es. riconoscimento vocale o classifica di immagini), l’Agentic AI si occupa di orchestrare processi articolati, combinando sensori, dati strutturati e non, e moduli complementari (ad esempio: scheduling, analisi test, interazione vocale con l’utente).

Reinforcement Learning

Alla base dell’autonomia dell’Agentic AI c’è il Reinforcement Learning (RL), una metodologia di apprendimento che prevede:

Un agente che interagisce con un ambiente.

Una serie di azioni compiute dallo stesso agente, generatrici di un feedback (ricompensa o penalità).

L’ottimizzazione di una policy in grado di massimizzare la somma cumulativa delle ricompense ottenute.

Con il Deep Reinforcement Learning (Deep RL), le reti neurali profonde sono in grado di elaborare simultaneamente input eterogenei — come immagini radiologiche, segnali vitali in tempo reale e note cliniche testuali — per apprendere strategie ottimali in scenari ospedalieri complessi. Ad esempio:

Ottimizzazione delle ventilazioni in terapia intensiva

In terapia intensiva (ICU), le condizioni respiratorie dei pazienti possono variare rapidamente. Un agente basato su Deep RL può monitorare in tempo reale i dati provenienti da ventilatori (pressione delle vie aeree, volume corrente, saturazione di ossigeno) e suggerire ai clinici le impostazioni di ventilazione più adatte a ogni fase della malattia.

Studi condotti in ambienti pilota universitari hanno mostrato che, utilizzando reti neurali profonde addestrate su dataset di pazienti ventilati, l’agente riesce a ridurre gli episodi di ipoventilazione del 25% e gli eventi di barotrauma del 15% rispetto a protocolli standard .

Gestione dinamica del personale infermieristico

In reparti ad alta intensità come il pronto soccorso, l’afflusso di pazienti è imprevedibile. Un agente Deep RL può apprendere, dai flussi storici e in tempo reale, come distribuire il personale infermieristico tra triage, postazione assistita e sale trattamento.

Utilizzando dati di carico di lavoro (numero di arrivi per ora, livello di gravità delle code) e parametri di burnout del personale, l’agente calcola continuamente il numero ottimale di infermieri da impiegare per turno, riducendo i tempi di attesa medi dei pazienti del 30% e abbassando il tasso di straordinari non pianificati del 20%

Pianificazione predittiva delle sale operatorie

La disponibilità di sale operatorie deve adattarsi a emergenze impreviste pur rispettando le programmazioni chirurgiche.

Un sistema Deep RL può integrare informazioni da cartelle cliniche (priorità chirurgiche, durata stimata degli interventi, gravità del paziente) e dati logistici (disponibilità anestesisti, stock di dispositivi medici) per proporre in tempo reale un piano di scheduling chirurgico che minimizzi i tempi di inattività delle sale.

Implementazioni sperimentali hanno evidenziato una riduzione del 18% nei tempi morti delle sale operatorie e una diminuzione del 12% di ritardi chirurgici, consentendo di accogliere tempestivamente pazienti in urgenza .

Adattamento dei protocolli di somministrazione farmacologica

Nei reparti di oncologia, la somministrazione di chemioterapia richiede aggiustamenti basati sulle condizioni ematologiche del paziente. Un agente Deep RL analizza i valori ematici (conteggio piastrinico, neutrofili) e la risposta ai trattamenti precedenti, suggerendo variazioni di dose o ritmi di somministrazione più sicuri ed efficaci.

In un trial clinico pilota, l’adozione di Deep RL ha aumentato il tasso di completamento dei cicli terapeutici del 22% e ridotto le interruzioni per tossicità del 17% rispetto a protocolli rigidi .

Allocazione dinamica delle risorse per la telemonitoraggio

Durante l’assistenza a domicilio di pazienti cronici, l’agente Deep RL valuta in tempo reale i dati trasmessi da dispositivi wearable (pressione, glicemia, frequenza cardiaca), classifica il livello di rischio di un’eventuale riacutizzazione e alloca automaticamente risorse sanitarie (infermiere a domicilio, supporto telefonico, appuntamento ambulatoriale) in base alle priorità.

Un progetto multicentrico ha dimostrato che, impiegando questa strategia, i ricoveri non pianificati per scompenso cardiaco sono diminuiti del 18% e il tasso di intervento precoce da parte della tele-assistenza è aumentato del 25% .

In tutti questi casi, il Deep RL consente all’agente AI di apprendere da vasti flussi di dati eterogenei e di migliorare continuamente le proprie politiche decisionali, adattandosi ai cambiamenti del contesto clinico in tempo reale. Questo approccio si rivela particolarmente efficace in ospedali, dove la combinazione di variabili complesse richiede decisioni rapide e personalizzate per ogni paziente.

Architetture multiagent

Molte soluzioni Agentic AI si basano su architetture multiagent, in cui agenti specializzati collaborano o competono per raggiungere obiettivi specifici.

Ciascun agente specialistico può occuparsi di un sotto-compito: ad esempio, uno analizza risultati di laboratorio, un altro gestisce la prenotazione degli appuntamenti, un terzo effettua preautorizzazioni con le assicurazioni.

Un componente orchestrator coordina le interazioni fra gli agenti, gestendo flussi di dati, priorità e integrazione dei risultati.

La comunicazione tra agenti avviene tramite API standard (RESTful, gRPC) o message bus (RabbitMQ, Apache Kafka) per scambi asincroni di informazioni.

Questa modularità consente di aggiornare o sostituire singoli agenti senza interrompere l’intero sistema, favorendo la scalabilità e la manutenzione.

Interoperabilità con sistemi esistenti

Per essere efficaci, gli agenti autonomi devono integrarsi con le infrastrutture sanitarie già presenti, quali:

EHR (Electronic Health Record), solitamente basati su HL7 FHIR.

PACS (Picture Archiving and Communication System), che gestisce immagini diagnostiche in formato DICOM.

ERP e CRM aziendali, per la gestione di magazzino farmaci, fatturazione e anagrafica pazienti.

Strumenti di Natural Language Processing (NLP), come spaCy e BioBERT, consentono di estrarre entità mediche (diagnosi, sintomi, farmaci) dal testo non strutturato presente nelle note cliniche, mentre pipeline ETL (Extract, Transform, Load) normalizzano dati provenienti da diverse fonti in un unico repository centralizzato.

Gli strumenti di Natural Language Processing (NLP) e le pipeline ETL (Extract, Transform, Load) sono fondamentali per trasformare il testo non strutturato delle note cliniche e i dati provenienti da diverse fonti in informazioni strutturate, pronte per l’analisi e l’uso operativo. Di seguito, alcuni esempi concreti in ambito sanitario.

Applicazioni in Ambito Sanitario

Automazione dei Processi Aziendali

Le strutture sanitarie sono caratterizzate da un elevato numero di attività ripetitive:

Gestione dell’inventario farmaci e dispositivi medici tramite sistemi IoT (etichette RFID, sensori di magazzino).
Verifica delle preautorizzazioni con le compagnie assicurative, che spesso richiede scambi di dati e documenti.
Coding clinico e fatturazione, che implica l’assegnazione manuale di codici ICD-10 o CPT a diagnosi e procedure.

Con un agente AI specializzato:

I livelli di magazzino vengono monitorati continuamente.
Quando le scorte scendono sotto soglie predefinite, l’agente invia automaticamente richieste di rifornimento al grossista.
Per le preautorizzazioni, l’agente comunica via API con i sistemi dei payers, raccoglie risposte e richiede eventuali integrazioni documentali, notificando il personale sanitario in caso di criticità.

Secondo il Healthcare AI Adoption Index (Bessemer Venture Partners, 2025), oltre il 55% degli ospedali con più di 500 posti letto ha avviato almeno un progetto pilota di automazione dei flussi di lavoro tramite Agentic AI, ottenendo risparmi operativi fino al 30%.

Customer support e engagement del paziente

Chatbot e virtual assistant

L’adozione di chatbots avanzati e assistenti virtuali alimentati da Agentic AI permette di:

Recuperare informazioni cliniche dallo storico del paziente (EHR) e proporre risposte personalizzate a domande sul proprio percorso di cura.
Monitorare il sentiment: riconoscere, attraverso l’analisi del linguaggio, stati emotivi come ansia o confusione, e, se necessario, trasferire il caso a uno specialista.
Prenotare appuntamenti o avviare procedure amministrative (rilascio di referti, gestione di rimborsi) senza intervento umano.

Questi strumenti migliorano l’esperienza del paziente, riducono i tempi di risposta e alleggeriscono il carico di lavoro delle reception e dei call center, con un tasso di abbandono delle richieste pari al 12%.

Promemoria Terapeutici e Telemonitoraggio

Tramite l’integrazione con dispositivi indossabili (wearable) e sensori domiciliari, l’Agentic AI:

Monitora parametri vitali (pressione, frequenza cardiaca, glicemia) in tempo reale.

Confronta i valori rilevati con i limiti di guardia e invia alert tempestivi al medico curante in caso di anomalie.

Genera promemoria personalizzati per l’assunzione di farmaci, basandosi sul piano terapeutico e sulle abitudini pregresse del paziente.

Uno studio condotto su pazienti affetti da scompenso cardiaco ha rilevato una riduzione degli accessi non programmati del 18% nelle prime 12 settimane di utilizzo di questi strumenti.

Cybersecurity e sicurezza dei sistemi

Le infrastrutture sanitarie rappresentano un richiamo privilegiato per i cybercriminali. Un agente AI orientato alla sicurezza può:

Monitorare flussi di rete e log di sistema in tempo reale, individuando pattern sospetti.

Utilizzare tecniche di anomaly detection e Deep Reinforcement Learning per aggiornare automaticamente le politiche di difesa a fronte di nuove minacce (es. ransomware, APT).

Isolare segmenti di rete compromessi e proteggere dispositivi medicali critici (ventilatori, pompe infusionali, monitor) con contromisure automatizzate.

Queste soluzioni hanno ridotto i tempi medi di rilevazione delle minacce da 300 a 30 minuti e hanno aumentato la resilienza delle reti ospedaliere.

Ottimizzazione logistica e supply chain

In ambito farmaceutico e di dispositivi medici, l’Agentic AI si avvale di dati provenienti da sensori IoT (tracciamento GPS, fotografia di magazzino, temperatura di conservazione) per:

Predire la domanda di farmaci e materiali di consumo, ottimizzando gli ordini e riducendo gli sprechi.

Coordinare il trasporto interno di campioni di laboratorio tramite robot autonomi, riducendo di oltre il 35% i tempi di consegna.

Analizzare parametri ambientali nei frigoriferi per stretta osservanza della catena del freddo, abbattendo il 22% dei deperimenti di farmaci.

Nel caso della Stanford Health Care, l’adozione di robot autonomi per la movimentazione interna ha permesso di diminuire il traffico pedonale nei corridoi e ridurre i tempi di transito da 8 a 3 minuti.

Supporto clinico e diagnostico

Ambient listening e documentazione

Sistemi di ambient listening integrati nell’EHR (come Oracle Health Clinical AI Agent, Abridge, DAX Copilot) catturano in modo discreto la conversazione medico–paziente, trasformandola in testo grazie a moduli di ASR (Automatic Speech Recognition). Successivamente, un LLM specializzato in linguaggio medico elabora quella trascrizione, generando in tempo reale una bozza di nota strutturata secondo il formato SOAP (Subjective, Objective, Assessment, Plan).

Risultati osservati:

Riduzione del tempo dedicato alla documentazione da 90 a 30 minuti giornalieri per medico.

Miglioramento della relazione medico–paziente, grazie al recupero del contatto visivo.

Aumento del livello di completezza delle note, includendo dettagli “informali” spesso tralasciati.

Analisi predittiva dei dati clinici

Attraverso l’analisi di dataset longitudinali (visite precedenti, referti di laboratorio, parametri vitali), l’Agentic AI:

Individua pazienti a rischio di riacutizzazioni di patologie croniche (es. dispnea in pazienti con scompenso cardiaco).

In uno studio multicentrico su oltre 2.500 pazienti, l’accuratezza predittiva è stata pari all’87%, consentendo di ridurre i tassi di readmission del 18%.

Suggerisce protocolli preventivi o modifiche terapeutiche per evitare complicanze, basandosi su linee guida integrate (NCCN Guidelines, ADA Standards).

Supporto alle decisioni terapeutiche

L’Agentic AI consulta automaticamente le linee guida cliniche internazionali e le evidenze scientifiche più recenti (PubMed, Cochrane) per suggerire:

Modifiche di dosaggio in base a parametri individuali (peso, età, funzioni renali).

Interventi aggiuntivi in fase di follow-up, come l’aggiunta di terapia di supporto nutrizionale o fisioterapico.

In uno studio su pazienti oncologici metastatici, l’integrazione di questo supporto AI ha aumentato il tasso di risposta completa del 12% rispetto al gruppo di controllo.

Benefici dell’AI in sanità

L’adozione dell’AI in ambito sanitario, e in particolare dell’Agentic AI, si traduce in una serie di benefici che coinvolgono sia la sfera clinica sia quella organizzativa ed economica.

Diagnosi e screening più precisi

Imaging medico con Deep Learning: gli algoritmi applicati a tomografie computerizzate (TC) e risonanze magnetiche hanno dimostrato sensibilità del 94% e specificità del 89% nel rilevare noduli polmonari, consentendo diagnosi più rapide e riducendo del 60% i casi di diagnosi tardiva di tumore al polmone.

Screening dermatologico: modelli addestrati su oltre 200.000 immagini di lesioni cutanee hanno raggiunto un’accuratezza del 92% nel distinguere tra nevi benigni e melanoma, superando di poco la capacità dei dermatologi esperti.

Tali miglioramenti si traducono in diagnosi più tempestive e opportunità di cura precoce, con conseguente riduzione della mortalità associata.

Ottimizzazione operativa e riduzione dei costi

Codifica Clinica Automatizzata: integrando LLM e algoritmi di NLP con i dati EHR, gli ospedali che hanno adottato sistemi di codifica assistita da AI hanno registrato un aumento del 30% nell’accuratezza di codifica ICD-10/CPT e una velocizzazione del 25% dei tempi di fatturazione e rimborso.

Fatturazione e gestione amministrativa: l’automazione delle procedure contabili ha ridotto i costi operativi del 28% e abbattuto i tempi medi di gestione delle pratiche da 5 giorni a 2 giorni lavorativi.

I risparmi conseguenti hanno permesso di reinvestire risorse nell’acquisto di tecnologie mediche e nel potenziamento del personale.

Medicina di precisione e cure personalizzate

Pharmacogenomics e Oncologia: un progetto pilota dell’Università di Stanford ha sfruttato l’AI per analizzare dati genomici e scegliere farmaci oncologici su misura. In pazienti con tumore al colon metastatico, il tasso di risposta completa è aumentato dal 52% al 68%, evidenziando l’importanza di un approccio personalizzato.

Ricerca sulle Malattie Rare: l’AI ha individuato nuovi target molecolari in malattie poco studiate, accelerando del 40% i tempi di scoperta di potenziali molecole terapeutiche all’interno del progetto IDEAL del National Institutes of Health.

Questi esempi dimostrano come l’AI possa integrare dati genetici, clinici e di imaging per formulare terapie più efficaci e ridurre il ricorso a protocolli standardizzati che non tengono conto della variabilità individuale.

Supporto predittivo e interventi preventivi

Modelli di rischio per le patologie croniche: l’integrazione di dati clinici, ambientali e sociali ha permesso di prevedere riacutizzazioni di scompenso cardiaco con accuratezza dell’86% entro i primi 90 giorni dalla dimissione, riducendo i tassi di readmission del 20%.

Profilassi delle infezioni nosocomiali: l’AI monitora dati ambientali (temperatura, umidità) e condizioni cliniche dei pazienti, predice focolai di infezioni e consente interventi preventivi. Questo approccio ha abbattuto i tassi di sepsi ospedaliera del 15%.

Gli interventi predittivi migliorano la sicurezza dei pazienti e riducono costi legati a ricoveri prolungati e trattamenti d’emergenza.

Miglioramento dell’esperienza del paziente

Riduzione dei tempi d’attesa: chatbot AI per la prenotazione di visite hanno ridotto i tempi medi di attesa per un appuntamento specialistico di uno o due giorni, aumentando il grado di soddisfazione dal 62% al 78%.

Supporto psicologico digitale: app basate su generative AI offrono sessioni di terapia cognitivo-comportamentale (CBT) per pazienti con disturbi di ansia e depressione lievi. L’indice clinico PHQ-9 ha mostrato un miglioramento del 38% dopo otto settimane di utilizzo.

Un’esperienza più rapida e personalizzata rafforza il legame tra paziente e struttura, contribuendo a una maggiore fiducia e all’aderenza alle cure.

Riduzione del burnout per i professionisti sanitari

Ambient listening: strumenti come Abridge e Microsoft Dragon Medical One riducono del 65% il tempo dedicato alla documentazione giornaliera, migliorando la qualità della vita dei medici e abbattendo i tassi di burnout del 18%.

Pianificazione dinamica dei turni: un agente AI adatta in tempo reale la gestione dei turni del personale in base ai carichi di lavoro e alle urgenze, riducendo gli straordinari non pianificati del 22% e migliorando il work–life balance.

Riducendo le incombenze ripetitive, i professionisti possono concentrare più tempo sulla cura diretta, diminuendo il rischio di errori correlati alla stanchezza.

Supporto allo sviluppo di nuovi farmaci

Simulazioni molecolari in silico: l’uso dell’AI per testare migliaia di molecole potenziali ha ridotto del 50% i tempi di screening preclinico e del 40% i costi associati, accelerando le pipeline di ricerca.

Ottimizzazione dei trial clinici: algoritmi AI selezionano i candidati con il profilo migliore per studi di Fase II–III, aumentando il tasso di successo dei trial dal 15% al 25%.

Questa accelerazione si traduce in disponibilità più rapida di trattamenti innovativi e in un abbassamento dei costi complessivi di ricerca e sviluppo.

Telemonitoraggio e assistenza domiciliare

Dispositivi indossabili e agentic AI: monitoraggio continuo di parametri come pressione, glicemia e ECG tramite wearable integrati con agenti AI. In uno studio pubblicato su JAMA Network Open, il telemonitoraggio di pazienti cardiopatici ha ridotto i ricoveri del 18% e le visite al pronto soccorso del 22%.

Consultazioni virtuali immediati: piattaforme di telemedicina basate su AI consentono consulti in tempo reale, migliorando l’accesso alle cure nelle zone rurali e riducendo le barriere geografiche.

Queste soluzioni rendono possibile un’assistenza continua e proattiva, riducendo la necessità di spostamenti e ottimizzando le risorse cliniche.

Gestione delle malattie rare

Identificazione di biomarcatori: l’AI elabora correlazioni tra dati clinici, genetici e immagini per individuare pattern caratteristici di malattie rare. Ciò riduce i tempi di diagnosi da una media di 5 anni a 2 anni, migliorando la prospettiva terapeutica dei pazienti.

Progetti di ricerca collaborativi: attraverso database internazionali e dataset condivisi, l’AI contribuisce a scoprire possibili target molecolari e a identificare trial clinici sperimentali cui i pazienti possono accedere, aumentando le speranze di trattamento.

Use case per la documentazione clinica generativa

Generazione automatica di note cliniche

Ambient Listening: microfoni discreti catturano la conversazione medico-paziente durante la visita.

ASR + LLM: un modulo di riconoscimento vocale (ASR) converte l’audio in testo, che viene elaborato da un modello di Large Language Model (LLM) specializzato in linguaggio medico, addestrato su dataset clinici (MIMIC-III, PubMed).

Formattazione in SOAP: il testo viene strutturato secondo lo standard SOAP (Subjective, Objective, Assessment, Plan) e trasformato in una bozza di nota clinica all’interno dell’EHR.

Risultato: In una struttura che ha adottato Abridge, il tempo medio per completare una nota è sceso da 20 a 5 minuti, permettendo ai medici di concentrare più attenzione sulla relazione con il paziente.

Riassunti di referti e consultazioni

Text Summarization: algoritmi di NLP analizzano referti di laboratorio e report specialistici, estraendo in modo automatico le informazioni chiave (parametri critici, trend, raccomandazioni) e componendo un riassunto conciso ma completo.

Questo strumento è particolarmente utile in contesti multidisciplinari, come i tumor board, dove i vari specialisti devono rapidamente prendere visione delle informazioni cliniche essenziali.

Supporto al coding e alla fatturazione

Analisi del Testo: l’LLM esamina il contenuto della nota clinica e identifica le diagnosi e le procedure effettuate.

Proposta di codici ICD-10/CPT: in tempo reale, il sistema suggerisce i codici più appropriati per diagnosi e prestazioni, sulla base di un modello addestrato su migliaia di cartelle codificate.

Riduzione degli errori: in un ospedale universitario che ha implementato AWS HealthLake con modelli LLM, l’accuratezza della codifica è aumentata del 30% e i tempi di rimborso si sono ridotti del 25%.

Riassunti per il day-of-discharge

Creazione di discharge summaries: l’AI integra tutte le informazioni cliniche rilevanti (terapia domiciliare, follow-up, raccomandazioni dietetiche) e prepara un documento leggibile sia dai pazienti sia dai caregiver.

In un trial su 1.200 dimissioni, il gruppo che ha ricevuto questi riassunti ha mostrato un tasso di readmission del 12% entro 30 giorni, contro il 17% del gruppo di controllo.

Modelli Specialistici

Oncologia e radiologia: i modelli LLM “fine-tuned” su dataset di immagini e testi oncologici generano report dettagliati, segnalando possibili diagnosi differenziali e suggerendo esami aggiuntivi.

Nel caso di Aidoc, l’AI analizza TAC di emergenza, evidenzia aree sospette e invia alert urgenti, riducendo i tempi di refertazione del 65%.

Verifica di qualità e compliance

Controllo in tempo reale: l’AI verifica le note cliniche rispetto a linee guida nazionali (es. linee guida AISF, EMA) e a normative di tutela della privacy (GDPR, HIPAA).

Segnala omissioni di dati critici (allergie, interazioni farmacologiche) e suggerisce correzioni, riducendo del 20% gli errori di documentazione e abbattendo del 15% le sanzioni legate a non conformità.

Integrazione con l’EHR

Sincronizzazione automatica: le note generate vengono inserite direttamente nei campi corrispondenti dell’EHR (anamnesi, farmaci in corso, referti), evitando duplicazioni e garantendo uniformità dei dati.

I professionisti possono recuperare immediatamente le informazioni aggiornate, supportando decisioni cliniche tempestive.

Case Study: oracle health clinical AI Agent

Contesto e obiettivi

Beacon Health, un sistema sanitario no-profit nel Northern Indiana (USA) con quattro ospedali e una grande rete di cure primarie, ha deciso di sperimentare un agente AI clinico integrato nell’EHR Oracle Cerner per:

Ridurre il burnout dei medici legato alla documentazione.

Migliorare la qualità e la completezza delle note cliniche.

Rafforzare il rapporto medico-paziente tramite il recupero del contatto visivo.

Architettura tecnologica

Modulo ASR: cattura l’audio durante la visita.

LLM Medico: elabora la trascrizione e organizza il contenuto in note strutturate.

Accesso al Chart del Paziente: integra anamnesi, referti precedenti e farmaci in corso per contestualizzare la visita.

Interfaccia nel Cerner EHR: il medico visualizza la bozza, apporta modifiche e firma la nota con pochi clic.

Questo approccio nativo nell’EHR ha permesso aggiornamenti rapidi dell’agente e un flusso di lavoro senza interruzioni.

Risultati Quantitativi

Turnaround delle note: il tempo medio di firma è passato da 24 ore a meno di 4 ore nel 85% dei casi, con una riduzione dell’83% dei tempi di revisione.

Efficienza Amministrativa: il team di coding ha ridotto i ritardi nei rimborsi del 20%.

Completezza delle note: aumento del 28% nei dettagli clinici inclusi, riduzione del 40% delle omissioni di informazioni critiche (allergie, farmaci).

Coinvolgimento del Paziente: il 92% dei pazienti ha percepito un maggior coinvolgimento, grazie al contatto visivo mantenuto dal medico durante la visita.

Criticità e Lezioni Apprese

Privacy e Consenso: aggiornamento dei moduli di consenso informato per includere il funzionamento dell’agent AI e implementazione di crittografia end-to-end per i file audio.

Fine Tuning dei Modelli: riduzione degli errori terminologici dal 12% al 3% dopo tre mesi di addestramento con dati locali e feedback medico.

Costi e ROI: investimento iniziale di 1,2 milioni di USD per licenze e infrastrutture; ROI raggiunto in 10 mesi grazie ai risparmi ottenuti in termini di ore di lavoro medico e miglioramento del cash flow.

Resistenza al cambiamento: Il 15% dei medici inizialmente era scettico. Il programma di formazione e l’approccio “human-in-the-loop” (il medico resta unico responsabile della firma) hanno ridotto le resistenze.

Percezioni di medici e pazienti

Fiducia e adozione da parte dei medici

Il 73% dei pazienti attende in media 70 giorni per una visita specialistica e ritiene che l’AI potrebbe accelerare l’accesso alle cure.

Solo il 46% esprime piena fiducia nelle soluzioni AI, mentre il 54% manifesta dubbi su privacy e capacità di comprensione emotiva.

JAMA Network Open (marzo 2025): Solo il 38% dei pazienti intervistati ritiene che i sistemi sanitari utilizzino l’AI in modo responsabile. Il 45% teme violazioni della privacy e il 52% segnala mancanza di trasparenza nei processi decisionali AI.

JMIR (marzo 2025) – Studio Finlandia: Le applicazioni non invasive (monitoraggio domiciliare, app di supporto mentale) ottengono un tasso di accettazione del 68%. Quelle invasive (chirurgia robotica) ristagnano al 37%. La fiducia sale al 75% tra chi ha buona familiarità con l’AI, contro il 42% tra i meno esperti.

Divergenze Medico-Paziente

Secondo l’AMA 2025 AI Sentiment Survey, il 66% dei medici utilizza AI, ma solo il 44% dei pazienti è a proprio agio con l’idea di un algoritmo partecipe delle decisioni cliniche quotidiane. Il 68% dei pazienti teme per la privacy e il 61% per la responsabilità legale in caso di errori AI.

Secondo Ducus.ai (2025), tra gli utenti di chatbot e assistenti AI per la salute, il 55% appartiene alla fascia 18–24 anni, mentre solo il 7% è over 65. I giovani mostrano un livello di fiducia nel 62%, contro il 38% dei 55–64 anni.

Secondo Docus.ai (2025), tra gli utenti di chatbot e assistenti AI per la salute, il 55% appartiene alla fascia 18–24 anni, mentre solo il 7% è over 65. I giovani mostrano un livello di fiducia nel 62%, contro il 38% dei 55–64 anni.

Aspettative future dei pazienti nei confronti dell’AI in sanità

I pazienti, coinvolti in prima persona nelle trasformazioni indotte dall’intelligenza artificiale in ambito sanitario, hanno formulato alcune richieste specifiche per ridurre ansie, accrescere la fiducia e sentirsi davvero parte integrante del processo di cura. Di seguito vengono illustrate in modo più approfondito le quattro principali aspettative emerse dalle indagini recenti (Future Health Index 2025, JAMA Network Open, JMIR), corredate da esempi pratici e spiegazioni dei motivi sottostanti.

Maggiore trasparenza sui processi decisionali AI (Explainable AI)

Cosa intendono i pazienti i pazienti desiderano comprendere in che modo l’AI giunge a determinate conclusioni o raccomandazioni cliniche. Non si accontentano di un risultato “in output”: vogliono sapere quali dati clinici, quali parametri o quali passaggi logici hanno portato a una diagnosi o a un consiglio terapeutico suggerito da un algoritmo.

Perché è importante

Riduzione del timore dell’ignoto: sapere “come funziona” l’AI riduce la percezione di una “scatola nera” in cui le decisioni emergono in modo autonomo, senza alcuna spiegazione.

Coinvolgimento attivo: un paziente che capisce le ragioni alla base di una raccomandazione è più motivato a collaborare: ad esempio, se l’AI segnala “rischio elevato” di complicanza, il paziente vuole conoscere quali valori (pressione, glicemia, peso) sono critici per modificare il proprio stile di vita.

Maggior responsabilizzazione: comprendere il processo decisionale permette al paziente di sollevare dubbi o obiezioni, stimolando una conversazione più paritaria con il medico.

Esempi di implementazione

Dashboard con spiegazioni grafiche: in alcuni centri oncologici, quando un sistema AI suggerisce un cambio di protocollo chemioterapico, la piattaforma visualizza un grafico che mostra le traiettorie dei marcatori tumorali nel tempo (es. livelli di CA-125), spiegando come la diminuzione o l’aumento di tali marker abbia influenzato la raccomandazione.

Report semplificati al paziente: alcuni reparti di cardiologia forniscono al paziente un breve report scritto in linguaggio comprensibile, in cui si legge:

Sessioni di “AI open days”: alcune strutture organizzano incontri informali in cui ingegneri e data scientist mostrano ai pazienti come funzionano i modelli di machine learning, illustrando in modo elementare concetti quali “feature importance” (quali variabili pesano di più) e “fog of uncertainty” (margine di errore), rispondendo alle domande dei pazienti.

Garanzie di sicurezza (encryption end-to-end, accessi basati su attributi)

Cosa intendono i pazienti I pazienti vogliono essere certi che i loro dati sanitari – estremamente sensibili – siano protetti in ogni fase: dalla raccolta, alla trasmissione, all’analisi da parte di sistemi AI. Chiedono che il flusso di informazioni tra dispositivi medici, cartelle cliniche elettroniche (EHR) e moduli di intelligenza artificiale sia crittografato end-to-end. Inoltre, richiedono che gli accessi ai dati siano regolati da un controllo degli attributi, in modo che solo chi possiede specifici requisiti – medico curante, infermiere assegnato, personale autorizzato – possa visualizzare o modificare certe sezioni della cartella.

Perché è importante

Protezione della privacy: i dati sanitari includono diagnosi, valori di laboratorio e storie di malattia che, se divulgate, possono ledere reputazione e correttezza delle cure.

Prevenzione di abusi: un sistema robusto di encryption end-to-end impedisce che hacker o attori non autorizzati intercettino le informazioni durante la trasmissione (ad esempio, dati vitali trasmessi da un dispositivo wearable al server centrale).

Controllo granulare: la politica di accesso basata su attributi (Attribute-Based Access Control, ABAC) garantisce che un’infermiera non acceda a dati riservati a un chirurgo specialista, evitando esposizioni non necessarie.

Approvazione umana nelle fasi critiche, con un modello “human-in-the-loop”

Cosa intendono i pazienti I pazienti vogliono che, in corrispondenza di decisioni ad alto impatto (ad esempio, cambiare terapia oncologica, sospendere un farmaco anticoagulante, decidere un intervento chirurgico), sia sempre presente un medico o uno specialista umano che possa rivedere la proposta dell’AI, confermandola, modificandola o eventualmente rifiutandola.

Perché è importante

Responsabilità e fiducia: sapere che, pur avvalendosi di un’AI, la decisione finale rimane in mano a un professionista riduce paure sulle responsabilità nei confronti di eventuali errori.

Conferma di correttezza: in casi complessi, la supervisione umana consente di includere valutazioni qualitative che l’AI non sempre coglie (ad esempio, contesti sociali, preferenze del paziente, condizioni psicologiche).

Feedback per il sistema: un meccanismo di revisione “human-in-the-loop” permette di inviare correzioni all’algoritmo, migliorando la qualità del training dei modelli nel tempo.

Materiale informativo su principi di funzionamento e utilizzo dell’AI

Cosa intendono i pazienti I pazienti chiedono che vengano messe a disposizione risorse divulgative chiare, semplici ed esaustive che spieghino:

Come l’AI raccoglie e lavora i dati.

Quali sono i vantaggi e i limiti delle soluzioni AI.

In che modo l’AI interagisce con i professionisti sanitari.

Quali garanzie di sicurezza e privacy sono in atto.

Perché è importante

Riduzione delle ansie: comprendere i meccanismi di base dell’AI (ad esempio, “Questo algoritmo analizza la sequenza di esami del sangue negli ultimi mesi per rilevare un aumento del rischio”) aiuta il paziente a non sentirsi escluso o intimorito dalla tecnologia.

Maggior aderenza alle cure: un paziente informato sulle finalità e sulle modalità di utilizzo dell’AI è più propenso a seguire i protocolli consigliati, accettando più serenamente eventuali monitoraggi domiciliari o cambi di terapia.

Formazione continua: con il rapido evolversi delle tecnologie, i pazienti desiderano aggiornamenti periodici, possibilmente sotto forma di webinar, brochure digitali o brevi video esplicativi.

Sfide e Criticità

Sicurezza e Privacy

L’adozione di Agentic AI in sanità richiede:

Sandboxing: ambienti isolati per testare gli agenti prima della messa in produzione.

Audit Trail Immutabili: registrazione puntuale con timestamp di ogni decisione automatica, per risalire a come e perché un agente abbia agito.

Crittografia End-to-End: protezione dei dati clinici sensibili durante trasferimento e archiviazione, in conformità a GDPR e HIPAA.

ABAC (Attribute-Based Access Control): definizione di ruoli e permessi granulari che limitino l’accesso dell’agente esclusivamente alle informazioni necessarie per il compito in esecuzione.

Uno studio pubblicato su JAMA Network Open (marzo 2025) ha posto in luce un dato significativo: solo il 32% dei pazienti si dichiara sicuro che i propri dati medici siano adeguatamente protetti . Questo numero riflette una diffusa diffidenza nei confronti delle misure di tutela della privacy, motivata da diversi fattori che incidono sulla percezione del paziente. Di seguito, vengono illustrate le principali problematiche relative alla protezione dei dati sanitari e come i pazienti osservano e giudicano questi aspetti:

I pazienti si preoccupano costantemente del rischio di data breach, ossia di fughe di informazioni sensibili. Negli ultimi anni, diversi casi di attacchi informatici a strutture sanitarie hanno fatto notizia a livello globale. Per esempio, la compromissione di cluster ospedalieri negli Stati Uniti e in Europa ha esposto milioni di cartelle cliniche: i malintenzionati non si limitano a rubare codici fiscali o assicurazioni, ma ottengono dettagli medici (diagnosi, referti, terapie) che possono essere sfruttati per scopi illeciti.

Impatto sulla siducia: il timore che, a seguito di un attacco, le proprie condizioni di salute possano diventare di dominio pubblico alimenta ansie profonde. Il JAMA Network Open ha rilevato che i pazienti più anziani e con patologie croniche (ad esempio, oncologici) manifestano un grado di diffidenza ancora maggiore, poiché sanno che i loro dati potrebbero rivelare condizioni particolarmente sensibili (terapie in corso, prognosi) .

Aspetto legale ed economico: la divulgazione di dati medici può portare a discriminazioni assicurative (premi più elevati, esclusioni di copertura) o persino ad atti di stigma sociale nei confronti di chi convive con malattie stigmatizzate (ad es. disturbi mentali, H.I.V.). I pazienti si chiedono dunque: “Se i miei risultati di laboratorio diventano pubblici, rischio di essere penalizzato dall’assicurazione o di subire molestie?”

Uso improprio dei dati da parte di terzi

Oltre al rischio di hacking, i pazienti temono che i dati condivisi con strutture sanitarie possano essere utilizzati senza consenso per scopi diversi dalla cura, quali:

·Marketing e Profilazione

Alcune aziende farmaceutiche hanno stipulato accordi (legali, ma percepiti come poco etici) per accedere a database anonimi di prescrizioni, al fine di tracciare abitudini e targettizzare promozioni. I pazienti temono che, anche se resi anonimi, i loro dati possano essere re-identificati attraverso tecniche di “re-identification”, compromettendo l’anonimato.

Ricerca Clinica Non Autorizzata

In teoria, i dati de-identificati dovrebbero essere utilizzabili per studi di ricerca. Tuttavia, sussiste il sospetto che alcuni enti o aziende possano vendere queste informazioni a terze parti (broker di dati) senza un adeguato processo di opt-in.

Il Future Health Index 2025 evidenzia che il 54% dei pazienti ritiene che i propri dati possano finire nelle mani di enti privati per scopi di marketing, alimentando sfiducia nelle istituzioni sanitarie .

Condivisione Incontrollata tra Strutture

In alcuni casi, non esiste una trasparenza totale su chi abbia accesso ai dati nelle reti di cura integrate (ospedali, cliniche ambulatoriali, laboratori esterni). I pazienti domandano: “Chi ha visualizzato la mia cartella? Con quali finalità?”

Anche se la normativa (GDPR in Europa, HIPAA negli USA) impone che la condivisione sia limitata ai soli attori coinvolti nel percorso di cura, la percezione è spesso quella di un controllo insufficiente, poiché non esistono notifiche di accesso facilmente consultabili dal paziente.

Mancanza di trasparenza sui processi AI

Con l’avvento dei sistemi di Agentic AI e di AI generativa nell’ambito clinico, i processi decisionali si appoggiano su modelli complessi (reti neurali profonde, modelli transformer). I pazienti faticano a comprendere:

Quali dati realmente vengono analizzati: temono che vengano utilizzate informazioni “nascoste” o non rilevanti, come dati genetici particolarmente sensibili, senza adeguato consenso.

Modalità di conservazione e conservazione a lungo termine: non è sempre chiaro per quanto tempo le cartelle cliniche e i backup vengano mantenuti nei data center, e se esistano procedure di pseudonimizzazioneprima di un eventuale utilizzo secondario (es. ricerca).

Meccanismi di audit ed accountability: i pazienti si aspettano di poter visualizzare chi, come e quando ha avuto accesso ai loro dati, non solo in termini di sistema ospedaliero, ma anche delle componenti AI (log di accesso dei moduli NLP o dei modelli di inferenza).

Il risultato è che molti pazienti, per quanto possano beneficiare di diagnosi rapide o follow-up automatizzati, non si sentono abbastanza informati e finiscono per negare il consenso a soluzioni AI, vanificando i potenziali vantaggi di efficienza e accuratezza.

Percezione di impossibilità di controllo

Un altro aspetto cruciale riguarda la perdita di controllo percepita: i pazienti osservano che, una volta caricati i loro dati in un sistema AI centralizzato, non hanno modo di revocare l’autorizzazione in modo semplice, né di monitorare costantemente eventuali usi impropri.

Timore di data retention indefinita: anche se la normativa impone un limite temporale alla conservazione, i pazienti temono che i dati rimangano “congelati” sui server in attesa di futuri usi, senza la possibilità di essere cancellati.

Difficoltà nella revoca del consenso: molti sistemi richiedono procedure lunghe e non sempre facilmente accessibili per revocare il consenso al trattamento dati, alimentando la sensazione che l’accesso sia “permanente”.

Richiesta di certificazioni indipendenti

Per far fronte a questi timori, i pazienti auspicano l’introduzione di certificazioni indipendenti che attestino la conformità dei sistemi sanitari ai più elevati standard di protezione e trattamento dei dati. In particolare:

Standard ISO/IEC per la Sicurezza Informatica (es. ISO 27001, ISO 27799)

Certificazione ISO 27001 garantisce che l’organizzazione abbia implementato un Sistema di Gestione della Sicurezza delle Informazioni (ISMS) adeguato.

ISO 27799 specifica come applicare le norme ISO 27001 al contesto sanitario, con focus su dati sensibili, cartelle cliniche elettroniche e processi di risk assessment.

Badge di conformità a GDPR e HIPAA

·I pazienti vorrebbero un “marchio di qualità” visibile sui portali e nelle app che segnali la piena compliance con GDPR (Europa) o con le linee guida HIPAA (USA), comprensivo di audit esterni periodici.

Certificazioni di terze parti per AI Explainability e Privacy

·Organismi indipendenti (ad esempio, enti di certificazione accreditati come UL o BSI) potrebbero verificare che un sistema di AI rispetti criteri di explainable AI (capacità di generare spiegazioni comprensibili per le proprie decisioni) e di Privacy by Design.

I pazienti reclamano la visibilità del report di audit, da poter consultare in un portale dedicato, per verificare che gli standard dichiarati siano effettivamente rispettati.

Campagne di comunicazione e formazione

Infine, al fianco delle certificazioni, i pazienti chiedono campagne di comunicazione mirate per:

Spiegare i diritti di protezione dei dati: Informazioni chiare sui diritti di accesso, rettifica, cancellazione e limitazione del trattamento previsti dal GDPR, indicate in modo semplice (FAQ, video esplicativi, infografiche).

Illustrare i meccanismi di cifratura: demo che mostrino come, già a livello di trasmissione, i dati siano protetti con crittografia end-to-end, e spiegazioni sui vantaggi della pseudonimizzazione e dell’uso di chiavi di cifratura periodicamente rigenerate.

Presentare il “viaggio del dato”: un diagramma di flusso che evidenzi le fasi di estrazione, trasformazione e caricamento (ETL), le componenti AI coinvolte (moduli NLP, modelli di inferenza) e i punti di controllo umano (human-in-the-loop, comitati etici).

Esempio concreto di iniziativa Un grande ospedale universitario in collaborazione con l’associazione pazienti AIMA (Associazione Italiana Malati Autoimmuni) ha avviato un ciclo di webinar trimestrali in cui:

Un Chief Information Security Officer (CISO) spiega come funziona la crittografia dei dati, mostrando in diretta la cifratura e decifrazione di un dato di laboratorio.

Un data scientist presenta in modo semplificato il concetto di “feature importance”, illustrando come l’AI valuta l’incidenza dei diversi parametri clinici.

Un medico risponde alle domande dei partecipanti, rassicurando sul ruolo di supervisore in tutte le decisioni AI-critical (human-in-the-loop).

Responsabilità Legale e Normative

Liability: In caso di errore clinico imputabile a un agente AI, si deve stabilire se la responsabilità ricade sullo sviluppatore, sul fornitore del cloud o sul professionista sanitario che approva la decisione.

Artificial Intelligence Act (Unione Europea): il regolamento, previsto in attuazione definitiva entro fine 2025, considera l’AI sanitaria come “ad alto rischio” e richiede:

Linee Guida FDA (USA): la Food and Drug Administration ha aggiornato i criteri per i Medical Device Softwarebasati su AI/ML, imponendo:

Senza un quadro normativo chiaro, l’adozione di Agentic AI rischia di rimanere confinata a progetti pilota.

Affidabilità, Bias ed Etica

Bias nei Dati: se i dataset di addestramento non riflettono la diversità demografica, i modelli possono discriminare gruppi vulnerabili (minoranze etniche, fasce d’età, condizioni socioeconomiche).

Deriva (Drift) dei modelli: con il passare del tempo, protocolli clinici e caratteristiche demografiche possono cambiare; senza un re-training continuo, le performance predittive possono degradarsi.

Stress test ed edge case: è fondamentale verificare gli agenti su scenari estremi (pazienti con multicomorbidità, emergenze in codice rosso) per garantirne l’affidabilità.

Secondo il report di KPMG & University of Melbourne (maggio 2025), solo il 42% delle organizzazioni sanitarie ha implementato procedure strutturate per il monitoraggio continuo delle performance AI, esponendo i sistemi a potenziali errori nel lungo periodo.

Adozione organizzativa e resistenza culturale

Timori dei Professionisti: alcuni temono di perdere controllo e centralità nel processo decisionale, o di essere sostituiti da macchine.

Human-in-the-Loop: modelli di governance che garantiscono un intervento umano per la revisione o l’approvazione finale delle decisioni AI.

Formazione e change management:

In un grande ospedale del Nord Europa, un programma di formazione di quattro settimane ha aumentato la propensione all’utilizzo dell’AI tra i medici del 32% in sei mesi, riducendo sensibilmente le resistenze.

Prospettive future: casi d’uso verticali

Cardiologia digitale e Agentic AI

Il paradigma della Cardiologia Digitale si fonda sull’integrazione di Agenti AI con dispositivi portatili (Holter, smartwatch dotati di sensori ECG) e piattaforme di telemedicina, al fine di garantire monitoraggio continuo, analisi predittiva e interventi tempestivi sui pazienti a rischio.

Questa trasformazione non solo supporta la gestione di patologie cardiache croniche—come fibrillazione atriale, insufficienza cardiaca e cardiopatie ischemiche—ma permette anche di individuare in anticipo situazioni di pericolo, riducendo ospedalizzazioni e migliorando la qualità della vita. Nel seguito, vengono illustrate in dettaglio le tecnologie, le soluzioni operative, gli esempi concreti di applicazione e i benefici misurati nel contesto della Cardiologia Digitale.

Dispositivi Portatili: Holter, Smartwatch con ECG e Altri Wearable

Holter ECG Tradizionale si tratta di un registratore portatile in formato piccolo, collegato al paziente tramite elettrodi adesivi, che registra l’elettrocardiogramma in modo continuo per 24–48 ore (Holter a 2 o 3 canali) o fino a 7 giorni nei modelli più avanzati. In un sistema digitale, un Holter di nuova generazione integra un modulo di connettività mobile (3G/4G/LTE) o Bluetooth, che trasmette i dati ECG raw a un server cloud ogniqualvolta venga rilevata un’anomalia di primo livello (ad esempio, battito ventricolare prematuro sostenuto).

Un agente AI sul server esegue un primo filtro per classificare i battiti, distinguendo tra ritmi normali, aritmie sopraventricolari, aritmie ventricolari e pause sinusali. In caso di sospetta fibrillazione atriale, l’agente invia immediatamente una notifica al cardiologo di riferimento.

Smartwatch con Sensore ECG Integrato oggi diversi smartwatch commerciali (es. Apple Watch Series 6/7/8, Samsung Galaxy Watch, Fitbit Sense) sono dotati di sensore ECG ad un unico canale che, con un semplice gesto (posizionare un dito sulla corona), acquisisce un tracciato elettrocardiografico di circa 30 secondi.

L’aspetto innovativo è l’ECG passivo: in alcune situazioni, lo smartwatch rileva in background variazioni di frequenza cardiaca incoerenti con il profilo attuale del paziente e invita l’utente a fare una misurazione ECG. Le app dedicate — ad esempio, l’app “Heart Study” di Apple in collaborazione con Kaiser Permanente — elaborano il tracciato in locale attraverso un modello LSTM (Long Short-Term Memory) ottimizzato per la rilevazione di fibrillazione atriale (AFib). Se il modello segnala un alto rischio di AFib, l’app invia un report strutturato al portale cloud dell’ospedale, dove un agente AI di livello superiore valuta i dati integrando parametri clinici storici (età, fattori di rischio, precedenti ECG) e determina la necessità di un consulto immediato con un cardiologo.

Altri wearable e sensori indossabili fasce toraciche (Chest Strap): dispositivi come Polar H10 o CooSpo H803 misurano in modo continuativo la variabilità del battito (HRV) e possono rilevare pattern di variabilità anomala che anticipano un episodio tachiaritmico. I dati vengono trasmessi in real time a un hub smartphone.

Patch ECG monouso: patch adesivi (es. Zio Patch, Preventice BodyGuardian) applicati sul torace per 7–14 giorni, con modulo cellulare integrato, consentono un monitoraggio prolungato in modalità wireless. Un agente AI basato su reti CNN (Convolutional Neural Network) analizza i segnali ECG segmentando tracciati clip-by-clip, evidenziando segmenti sospetti da inviare al team di telemedicina per revisione umana.

Piattaforme di telemedicina e sistemi cloud

Hub di telemonitoraggio remoto: le piattaforme di telemedicina (ad es. Philips eCareCoordinator, Abbott Patient Management) fungono da “hub” centrale: ricevono, aggregano e analizzano i dati provenienti da tutti i dispositivi portatili collegati ai pazienti.

Un Data Lake clinico raccoglie i flussi continui di dati grezzi (ECG, frequenza cardiaca, valori di saturazione, parametri di attività fisica). Un pipeline ETL (Extract, Transform, Load) normalizza le unità di misura, riconcilia le informazioni (ad esempio, alias diversi del paziente) e inserisce record strutturati in un database relazionale o in un data warehouse.

Un motore di inferenza AI (rappresentato da uno o più agenti autonomi) analizza i dati in tempo reale: in particolare, utilizza modelli di deep learning che integrano dati storici (presenza di cardiopatia ischemica, diabete, ipertensione) e segnali in-feed (battezzati in gergo “data streams”).

Integrazione con l’EHR ospedaliero: i risultati delle elaborazioni AI vengono sincronizzati con l’Electronic Health Record mediante API standard HL7 FHIR.

Ciò consente al cardiologo di accedere a una timeline unificata di: diagnosi pregresse (fibrillazione atriale, scompenso cardiaco). Referti precedenti (ecocardiogrammi, coronarografie).

Dati di telemonitoraggio (ECG, step count, BT, saturazione).

Se viene rilevato un evento critico (ad es. tachicardia ventricolare sostenuta, bradicardia prolungata, fibrillazione atriale persistente), il sistema genera un alert clinico direttamente all’interno dell’EHR, notificando il medico di guardia e il centro di telecardiologia.

Modelli predittivi e algoritmi di Deep Learning

Reti Neurali per la Rilevazione di Aritmie

Convolutional Neural Network (CNN) per l’Analisi di Tracciati ECG

Le CNN possono estrarre caratteristiche rilevanti dai grafici ECG a due dimensioni (time-series convertite in “scalogrammi” tramite wavelet transform) o direttamente in formato 1D (campionamenti sequenziali).

In studi pubblicati su Circulation: Arrhythmia and Electrophysiology (gennaio 2025), CNN addestrate su database open (PhysioNet MIT-BIH) hanno raggiunto un’accuratezza del 98% nella classificazione di AFib, tachicardia ventricolare, extrasistoli e ritmi normali.

Reti LSTM per predire eventi futuri

Le reti LSTM, grazie alla memoria interna, sono particolarmente adatte a modellare dipendenze a lungo termine nei segnali ECG.

Utilizzando i dati di Holter prolungato (48–72 ore), un modello LSTM “learns” pattern tipici che precedono un’aritmia pericolosa, come una riduzione improvvisa della variabilità del battito (indicatore di instabilità autonomica).

In un trial clinico condotto presso il Massachusetts General Hospital (2024), un LSTM basato su ECG pre-sintomatico ha predetto con sensibilità del 85% l’insorgenza di un episodio di fibrillazione atriale entro le successive 12 ore, consentendo agli operatori di intervenire con una cardioversione elettrica programmata.

Modelli di reinforcement learning per la gestione proattiva del paziente

Algoritmi di Deep RL sono stati sperimentati per ottimizzare la terapia farmacologica nei pazienti con scompenso cardiaco. Il “digital twin” del paziente—una replica computazionale basata su modelli fisiologici e parametri clinici—viene costantemente aggiornato dai dati reali del wearable.

L’agente RL sceglie in tempo reale se: ridurre o sospendere temporaneamente la dose di diuretico in caso di ipovolemia emergente (individuata da una riduzione rapida del peso corporeo e una variazione crescente della pressione venosa centrale ricostruita dal sensore wearable). Anticipare una visita domiciliare da parte di un infermiere specializzato se viene rilevata un’anomalia persistente (es. tachicardia >100 bpm a riposo).

Un progetto pilota in Svezia (Karolinska Institute, 2025) ha mostrato che il Deep RL ha ridotto gli accessi in pronto soccorso del 20% e il tasso di readmission da scompenso del 15%.

Flusso operativo: dalla rilevazione al medico

Per illustrare in modo completo come un servizio di Cardiologia Digitale con Agentic AI funzioni nella pratica clinica quotidiana, si descrive un percorso tipico di un paziente con rischio di fibrillazione atriale e scompenso cardiaco:

Timeline del Paziente: Monitoraggio Continuo

Inizio del programma di telemonitoraggio

Paziente con diagnosi di fibrillazione atriale parossistica e scompenso cardiaco cronico riceve: uno smartwatch compatibile con ECG (Apple Watch Series 8). Un Holter patch adesivo per 7 giorni (Preventice BodyGuardian). Un misuratore di pressione digitale con modem integrato che trasmette automaticamente i dati.

Raccolta dati in tempo reale: l’Holter patch registra l’ECG continuo e trasmette i frammenti più rilevanti (segmenti a elevato rischio aritmico) ogni 30 minuti a un server cloud.

Lo smartwatch esegue un ECG attivo ogni mattina e, in caso di battito irregolare improvviso, propone una misurazione extra.

Il misuratore di pressione effettua letture due volte al giorno (mattina e sera) e invia i valori di pressione sistolica e diastolica. L’app di telemedicina (fornita da Philips eCare) sullo smartphone del paziente raccoglie anche il passo quotidiano (step count) e invia un questionario quotidiano semplice: “Ha notato capogiri o affanno negli ultimi 24 ore?”

Elaborazione AI e Prime segnalazioni:

Il modulo di inferenza AI in cloud analizza in tempo reale: ECG Holter: un CNN identificato come “ livello 1” ogni battito irregolare (extrasistole ventricolare, pause, fibrillazione). ECG Smartwatch: un modello LSTM determina se il pattern di fibrillazione atriale è persistente o transitorio. Pressione Arteriosa: un algoritmo regole-based valuta se la variazione giornaliera supera il 10% della media storica. Step Count + Questionario: un modello di regressione multipla integra variazioni di attività fisica con sintomi riferiti.

Se l’agente AI identifica: fibrillazione atriale persistente > 30 secondi. Pressione sistolica > 160 mmHg o < 90 mmHg per due misurazioni consecutive. Riduzione del 30% degli step rispetto alla media settimanale associata a “sintomo affanno”.

Viene generato un alert “Moderato” assegnato come priorità 2 (su scala 1–3) e inviato alla centrale di telemonitoraggio.

Valutazione da parte del team di telecardiologia un infermiere specializzato controlla il pannello acquistiato dall’AI: Esamina il tracciato ECG estratto dal server, confermando o smentendo la fibrillazione atriale. Valuta i trend pressori e compara con le ultime visite ambulatoriali. Se ritiene l’alert significativo, lo consegna a un cardiologo di guardia, fornendo un breve report sintetico (“Fibrillazione atriale riscontrata alle ore 15:32, PA 165/95 alle ore 16:00, step count calati da 5.500 a 2.000”).

Intervento predittivo e personalizzato: il cardiologo decide di chiamare il paziente per un triage telefonico, chiedendo eventuali sintomi (palpitazioni, vertigini) e valutando la necessità di un accesso in Day Hospital.

Se i valori pressori e il pattern di AFib sono rilevanti, prescrive una cardioversione elettrica programmata e ottimizza la terapia anticoagulante (ad esempio, spostando da edoxaban a dabigatran in base al profilo renale).

Aggiorna immediatamente l’EHR con la decisione, così che le informazioni siano disponibili per eventuali ricoveri successivi.

Benefici e impatti misurati

Riduzione ospedalizzazioni e readmission

Riduzione Media del 20–30%: I programmi di monitoraggio remoto con integrazione AI hanno mostrato una diminuzione significativa nelle ospedalizzazioni per aritmie e scompenso, con conseguente risparmio economico per i sistemi sanitari.

Cost Saving: lo studio del Karolinska Institute ha stimato un risparmio medio di 2.000–3.000 euro per paziente all’anno, grazie alla minore necessità di ricoveri e visite in pronto soccorso.

Miglioramento della qualità della vita

Diminuzione di eventi aritmici: Nei programmi di telemonitoraggio, il tasso di episodi di fibrillazione atriale prolungata è sceso del 25–35% grazie a interventi tempestivi.

Controllo dei sintomi cronici: Pazienti con scompenso cardiaco hanno riportato una riduzione media del 40% nelle giornate con dispnea da sforzo moderato–grave, aumentando la capacità di svolgere attività quotidiane.

Coinvolgimento Attivo del Paziente

Feedback Continui: l’uso di app dedicate permette ai pazienti di ricevere notifiche sul proprio stato cardiaco e consigli di auto-management (ad es. “Aggiungi un ulteriore bicchiere d’acqua se la congestione polmonare aumenta” o “Riduci leggermente l’assunzione di sale”).

Sfide e aspetti critici

Accuratezza dei dispositivi e validazione clinica

Qualità del Segnale ECG: gli smartwatch sono generalmente a un singolo canale e non sostituiscono un Holter completo. Ciò significa che, in presenza di artefatti (movimenti bruschi, errori di posizionamento), i falsi positivi o negativi possono aumentare.

Validazione degli Algoritmi: i modelli di deep learning devono essere validati su coorti ampie e rappresentative (diverse età, etnie, patologie concomitanti) per ridurre bias e garantire generalizzabilità.

Privacy e sicurezza dei dati

Protezione dei dati in transito e a riposo: tutti i pacchetti di dati (ECG, parametri vitali, questionari) devono essere cifrati end-to-end. Inoltre, il cloud che ospita i dati deve risiedere in infrastrutture conformi a normative sanitarie (HIPAA negli USA, GDPR in Europa).

Controllo degli accessi: solo il personale autorizzato (cardiologo, infermiere di telemonitoraggio) e l’utente stesso devono avere accesso ai dati. L’adozione di sistemi ABAC (Attribute-Based Access Control) è fondamentale.

Adozione da parte dei pazienti

Alfabetizzazione Digitale: una percentuale di pazienti anziani o con scarse competenze tecnologiche può avere difficoltà nell’uso di smartwatch o app di telemedicina. Sono necessarie sessioni di formazione e supporto continuo.

Timori di sovraccarico informativo: ricevere troppi alert—anche se “non critici”— può generare ansie e ridurre l’aderenza; i sistemi devono calibrare il livello di sensibilità per evitare “alert fatigue”.

Responsabilità clinica

Liability in caso di errori AI: se un agente AI non riconosce un pattern aritmico pericoloso o segnala un falso positivo che conduce a un intervento non necessario, la responsabilità può ricadere sul medico, sul produttore del dispositivo o sul fornitore del software AI. È essenziale definire chiare linee guida e protocolli di validazione.

Mantenimento del ruolo umano: il modello “human-in-the-loop” deve garantire che, in caso di dubbio, il cardiologo abbia sempre l’ultima parola prima di intraprendere procedure invasive o modifiche significative alla terapia.

Prospettive future e innovazioni in arrivo

Nuovi sensori indossabili

Patch Multifunzionali: patch adesivi di seconda generazione che, oltre all’ECG, monitorano parametri respiratori (impedenza toracica), temperatura cutanea e saturazione in un unico dispositivo sottile, con durata di 14–21 giorni.

Sensori contactless: dispositivi basati su radar a onde millimetriche o fotopletismografia (PPG) remota, applicabili a sedie o letti, per il monitoraggio continuo senza dover indossare alcun device.

Approcci di federated learning

Addestramento distribuito: modelli AI che apprendono localmente sui dati di ciascun ospedale o clinica, condividendo solo i pesi del modello e non i dati grezzi, per preservare la privacy (privacy-preserving federated learning).

Collaborazioni internazionali: reti di cardiologia digitale (ad esempio, un consorzio tra ospedali europei, americani e asiatici) che allenano modelli robusti su dati multicentrici, migliorando la generalizzabilità delle predizioni aritmiche.

Integrazione con robotica e AI avanzata

Robot di assistenza domiciliare: robot di assistenza capaci di visitare il paziente a casa, misurare parametri vitali, eseguire un ECG in modalità stand-alone e trasmettere i dati a un agente AI per analisi istantanea.

AI conversazionale per la gestione del paziente: Chatbot basati su modelli generativi (LLM) che interagiscono con il paziente, ricordano l’assunzione di farmaci, educano su stili di vita sani e inviano allarmi in caso di sintomi anomali descritti dall’utente.

L’Oncologia di Precisione

L’Oncologia di Precisione ha rivoluzionato l’approccio terapeutico ai tumori grazie all’integrazione di dataset genomici, dati clinici e imaging medico, supportata da strumenti di intelligenza artificiale.

L’obiettivo è individuare, per ciascun paziente, il profilo molecolare e le caratteristiche specifiche del tumore, così da suggerire protocolli terapeutici personalizzati che massimizzino efficacia e minimizzino effetti collaterali.

In questo contesto, modelli AI “fine-tuned” su pubblicazioni scientifiche specialistiche (ad es. linee guida NCCN, ESMO, studi clinici) interpretano vari “omics” (genomica, trascrittomica, proteomica) e dati di imaging (TC, PET, RM) per fornire raccomandazioni terapeutiche mirate.

Fondamenti Tecnologici: dataset Genomico-Clinici

Sequenziamento di nuova generazione (NGS): piattaforme come Illumina NovaSeq consentono di ottenere in poche ore il sequenziamento esomico (Whole Exome Sequencing, WES) o il sequenziamento di pannelli oncogenici target (es. >500 geni mutati frequentemente in tumori solidi).

I dati grezzi (FASTQ) vengono allineati su un riferimento di genoma umano (GRCh38) con algoritmi come BWA-MEM, prodotti in file BAM. Dalla fase di chiamata delle varianti (variant calling, p. es. con GATK) si ottengono file VCF contenenti mutazioni puntiformi (SNV), inserzioni/delezioni (indel) e, se presente un modulo dedicato, variazioni di numero di copia (CNV).

Annotations biologiche: ogni variante viene annotata con database come ClinVar, COSMIC (mutazioni registrate in tumori), dbSNP(varianti germinali note) e OncoKB (livelli di evidenza per mutazioni oncogeniche). Vengono calcolati indici di carico mutazionale (Tumor Mutational Burden, TMB) e microsatellite instability (MSI) attraverso pipelines dedicate (p. es. MSIsensor).

Dati clinici strutturati e non: elementi strutturati: età, sesso, stadio TNM, performance status (ECOG, Karnofsky), valori di marker tumorali (CA-125, CEA, PSA). Note non strutturate: referti patologici (relazione istopatologica), diario clinico, note di follow-up. Queste note vengono processate con NLP (ad es. spaCy, BioBERT) per estrarre entità come “adenocarcinoma duttale mammario, stadio IIb, recettori ormonali positivi”.

Imaging medico: TC (Tomografia Computerizzata), RM (Risonanza Magnetica), PET (Tomografia a Emissione di Positroni) producono volumi 3D. Segmentazione semiautomatica/automatica dei volumi tumorali (con modelli CNN 3D come U-Net) consente di estrarre parametri quantitativi (volumi, texture, radiomic features). Radiomic features includono: entropia, uniformità, forma, intensità media, distribuzione dei voxel iperdensi (TC) o iperintensi (RM).

Raccolta e Integrazione dei Dati

Acquisizione genomica Il campione bioptico (tumore, tessuto normale di controllo) viene inviato a un laboratorio NGS. Il laboratorio restituisce file FASTQ, BAM e VCF che il centro di oncologia digitale importa in un biorepository interno.

Imaging e segmentazione radiologo esegue scan TC/RM/PET. Un modello 3D U-Net segmenta i contorni del tumore, estraendo radiomic features (dimensione, forma, istogrammi di intensità) che vengono salvati in un database.

EHR e dati clinici cartella elettronica popolata con anamnesi, co-morbidità, farmaci in corso. Note patologiche inserite come documenti PDF: l’uso di NLP estrae entità chiave (“adenocarcinoma, mucinoso di origine ovarica, Ki-67 60%”).

Pipeline ETL per l’Unificazione un job ETL notturno estrae: Mutazioni (VCF) e li mappa su oncogenes/CSG (cancer-specific genes). Radiomic features (valori numerici) associate all’ID paziente. Entità NLP (diagnosi, stadio, riassunto istologico). I dati vengono trasformati in un data model multidimensionale (tabelle di fatti: paziente–mutazioni, paziente–radiomic; dimensioni: gene, tessuto, farmaco, staging) e caricati nel data warehouse.

Analisi AI e suggerimento terapeutico

Profilazione molecolare: un modulo di AI (Mutational Signature Analyzer) identifica pattern di mutazioni correlati (es. firma genomica del danno da carcinogeni, firma BRCA-deficient). Vengono calcolati indici di HRD (Homologous Recombination Deficiency) e MSI status in base a algoritmi dedicati, indicativi di possibile sensibilità a PARP-inibitori o immunoterapia.

Match con linee guida e trial clinici: il motore AI incrocia il profilo molecolare e i parametri clinici (funzione renale, performance status) con: Linee Guida NCCN/ESMO: ad esempio, “Per pazienti con carcinoma mammario metastatico HER2+ è raccomandato trastuzumab più pertuzumab + taxano”. Database di Clinical Trials (ClinicalTrials.gov, European Clinical Trials Register): se non esistono opzioni standard, suggerisce trial di fase II/III in corso, filtrando per criteri di eleggibilità (età, stadio, mutazioni specifiche).

Modelli di raccomandazione: un LLM fine-tuned su testi oncologici genera un report sintetico che descrive: le mutazioni driver rilevate (es. KRAS G12D, PIK3CA E545K). Terapie target approvate o off-label (es. alpelisib in PIK3CA-mutato in carcinoma mammario HR+/HER2–). Esempi di trial clinici in corso (es. fase II di inhibitor specifico contro KRAS G12D). Raccomandazioni su protocolli locali, dosaggi, possibili toxicità.

Il report include un livello di evidenza (ad es. I–IV) basato su classificazione OncoKB o ESCAT (ESMO Scale for Clinical Actionability of molecular Targets).

Revisione Multidisciplinare il comitato di tumore (tumor board) riceve il report AI: oncologo, radiologo, patologo e genetista molecolare esaminano congiuntamente le informazioni. Se emergono dubbi (es. potenziale interazione farmacologica con terapia concomitante), il comitato modifica o conferma la strategia.

Pianificazione terapeutica personalizzata Il paziente viene informato sulla scelta terapeutica, evidenziando: Razionalità molecolare: perché quell’inibitore bersaglio è indicato. Possibili Alternativi: opzioni in trial o terapie standard di seconda linea. Timeline di Follow-Up: check di progressione con imaging a 8 settimane, marker tumorali ogni 4 settimane, valutazione di sicurezza.

Aumento dell’Efficacia Terapeutica

Riduzione di terapie non rfficaci In uno studio del MD Anderson Cancer Center (2024), pazienti con tumori gastrointestinali > 6 mutazioni driver (KRAS, NRAS, BRAF, PIK3CA) trattati con regimeni personalizzati (es. combinazione BRAF+MEK in casi BRAF V600E) hanno mostrato un aumento del tasso di risposta completa (CR) del 18% rispetto a pazienti trattati con chemioterapia standard.

Ottimizzazione dei regimi combinati l’integrazione di dati trascrittomici (RNA-Seq) ha permesso di identificare sottotipi CMS (Consensus Molecular Subtypes) nel carcinoma colorettale, suggerendo combinazioni di immunoterapia + inibitori di VEGF, migliorando la sopravvivenza globale (OS) del 20% nel sottogruppo CMS1 rispetto al gruppo non stratificato.

Riduzione degli effetti collaterali

Evita farmaci non indicatI pazienti con tumore polmonare EGFR-mutato sono evitati alla somministrazione di regimi chemioterapici citotossici, ricevendo subito inibitori di tirosin chinasi (osimertinib), riducendo gli effetti collaterali di gradazione ≥3 del 30% (rash cutaneo, diarrea).

Aggiustamento dinamico della dose un modulo AI ha suggerito riduzioni di dose di doxorubicina in pazienti con profilo farmacogenomico high-risk per cardiotossicità, diminuendo l’incidenza di scompenso cardiaco dal 12% al 4%.

Accelerazione dei processi di decisione

Riduzione del “Time-to-Treatment” con un workflow automatizzato, l’analisi genomica e il report AI vengono completati in 7 giorni lavorativi, rispetto ai 21 giorni tipici di un processo manuale, consentendo di iniziare la terapia target 1–2 settimane prima.

Maggiore accesso a trial clinici il 28% dei pazienti oncologici con alterazioni rare (es. NTRK fusion, ALK rearrangement) ha potuto accedere a trial di fase I/II con agenti sperimentali (larotrectinib, entrectinib) grazie alla veloce identificazione della variante da parte dell’AI.

Migliore coinvolgimento del paziente

Feedback continuo App collegate al percorso AI forniscono ai pazienti report periodici su parametri molecolari, andamento della malattia (liquid biopsy), e risposte attese alla terapia. Questo aumenta il senso di controllo e riduce l’ansia (misurata tramite MD Anderson Symptom Inventory, ridotta del 15% nei pazienti informati tramite app).

Formazione e supporto decisionale pazienti con tumori rari, con la guida di un chatbot AI basato su ClinicalBERT, ricevono informazioni semplificate su chemioterapie, possibili effetti collaterali e linee guida di follow-up.

Criticità e sfide

Bias nei dataset e generalizzabilità

Squilibri demografici Gran parte dei database genomici (The Cancer Genome Atlas, TARGET) sono sovra-rappresentati da popolazione di origine caucasica. Ciò limita la generalizzabilità dei modelli AI alle popolazioni afro-americane, asiatiche e latine, nelle quali profili molecolari possono differire. Necessità di raccolta di dati multi-etnici e multicentrici per ridurre il bias.

Rare alterations Per mutazioni estremamente rare (<1% di prevalenza), il numero di campioni disponibili per l’addestramento è ridotto. L’AI può “overfittare” e fornire risultati non affidabili.

Interpretabilità dei modelli

Black-Box Nature anche un modello fine-tuned su evidenze cliniche (es. ClinicalBERT) rimane un “black box” per molti oncologi. Occorrono strumenti di explainable AI (SHAP values, LIME) per mostrare: Perché un determinato gene pesa di più nella raccomandazione. Come le radiomic features influenzano la stima di risposta.

Necessità di translation ream serve un gruppo di data scientist e medici (bioinformatici, oncologi) che traducono le raccomandazioni AI in termini clinicamente interpretabili per il tumor board.

Prospettive future: multi-omics e AI Avanzata

Integrazione di metabolomica e proteomica oltre a genomica e trascrittomica, i modelli AI incorporeranno dati di metabolomica (profilo metabolico del tumore) e proteomica (espressione proteica) per definire meglio le vulnerabilità molecolari.

Graph Neural Network (GNN) su reti di interazione proteica e metabolica, in grado di identificare “hub” molecolari critici per nuove strategie di combinazione terapeutica.

Singola cellula e tumore eterogeno

Single-Cell RNA-Seq (scRNA-Seq) permette di decostruire l’eterogeneità intratumorale a livello di singola cellula, identificando sottopopolazioni resistenti (es. cellule con fenotipo EMT, cell-cycle engaged). Modelli AI addestrati su dataset scRNA-Seq (es. Tabula Sapiens) riusciranno a suggerire trattamenti che colpiscano simultaneamente “colonie” cellulari eterogenee per limitare la resistenza.

Clinici digitali e tumor board virtuali

Tumor Board Virtuali 24/7 piattaforme cloud come Zooming Oncology integrano AI che fornisce in tempo reale onco-profiling, radiomic analysis e prefiltering di trial clinici. Oncologi in diverse zone geografiche possono collaborare, ricevere report AI summarizzati, proporre modifiche e approvare piani terapeutici in modalità asincrona o sincrona.

L’Oncologia di Precisione supportata da AI fine-tuned su dati genomici, clinici e di imaging rappresenta un passo fondamentale verso un trattamento oncologico realmente personalizzato. Grazie a:

Sequenziamento NGS avanzato e annotazioni con database clinico-molecolari (ClinVar, OncoKB).

Analisi radiomica tramite modelli CNN e U-Net 3D per estrarre caratteristiche tumorali invisibili all’occhio umano.

LLM e modelli di deep learning addestrati su letteratura oncologica specializzata (linee guida NCCN, ESMO, trial clinici).

Integrazione multidisciplinare con workflow Tumor Board che coniugano AI e verifica umana (human-in-the-loop).

Casi di implementazione di successo (MSK-IMPACT, SmartHeart BCN, CardioGuard nel contesto cardiologico analogico).

I risultati includono: aumento delle percentuali di risposta completa e riduzione dei tempi di “time-to-treatment”. Miglioramento della sopravvivenza e della qualità della vita nei sottogruppi molecolari correttamente selezionati. Riduzione degli effetti collaterali grazie a terapie target e dosaggi ottimizzati. Feedback positivo dei pazienti e maggiore coinvolgimento nel percorso terapeutico.

In definitiva, l’integrazione di dataset genomici, clinici e di imaging con modelli AI specializzati consente di passare da un approccio “one-size-fits-all” a una cura veramente su misura, ponendo l’oncologo come supervisore e validatore finale delle decisioni generate dai sistemi. Questo equilibrio tra automazione intelligente e revisione clinica umana è la chiave per un’oncologia più efficace, sicura e partecipata

Neurologia e della salute mentale

Nell’ambito della Neurologia e della Salute Mentale, l’adozione di chatbot terapeutici basati su intelligenza artificiale sta emergendo come una frontiera innovativa per il supporto continuo ai pazienti affetti da schizofrenia, disturbi depressivi e demenze (Alzheimer, demenza vascolare, demenza a corpi di Lewy).

Questi sistemi combinano modelli di linguaggio naturale (LLM), tecniche di Natural Language Processing (NLP) per il riconoscimento e l’interpretazione delle emozioni, e framework di telemedicina per integrare valutazioni cliniche a distanza. L’obiettivo è offrire un supporto psicologico 24/7, monitorare l’aderenza terapeutica, rilevare precocemente segni di esacerbazione sintomatica e coinvolgere caregivers e professionisti sanitari in un percorso di cura condiviso.

Fondamenti tecnologici

Modelli di linguaggio naturale e NLP

Large Language Models (LLM) Fine-Tuned Chatbot come Woebot, Tess o Wysa si basano su architetture LLM (ad esempio, GPT-3/GPT-4) addestrate o “fine-tuned” su corpora di testi clinici psicologici (DSM-5, manuali di psicoterapia cognitivo-comportamentale, linee guida NICE) e su conversazioni simulate con pazienti di salute mentale.

Emotional AI e sentiment analysis: algoritmi di sentiment analysis analizzano toni, pause e intonazioni (se supportato audio), identificando variazioni emotive nel parlato del paziente. L’uso di modelli transformers come RoBERTa o DistilBERT ottimizzati per il rilevamento delle emozioni permette di misurare l’andamento dello stato d’animo nel tempo.

Workflow Operativo: Dal Chatbot alla Valutazione Clinica

Interazione continuativa con il paziente

Onboarding e valutazione iniziale al primo accesso, il paziente compila un breve questionario integrato (ad es. PHQ-9, GAD-7, AUDIT per abuso di sostanze) e fornisce una storia clinica di base (diagnosi di schizofrenia, terapia farmacologica in corso, supporto familiare). Un modulo AI analizza rapidamente le risposte e classifica il paziente in una categoria di rischio (basso, moderato, alto) per disturbi depressivi, ansia o psicosi.

Conversazioni dinamiche e Check-in giornalieri ogni mattina, il chatbot invia un breve messaggio: “Buongiorno, come ti senti oggi su una scala da 1 a 10?” Segue un flusso di domande costruito su regole di NLP per esplorare umore, sonno, appetito e pensieri critici. Esempio in caso di paziente con depressione: Chatbot: “Hai avuto difficoltà a dormire stanotte? Quante ore hai dormito?” Chatbot: “Hai notato un aumento dei pensieri negativi o di inutilità?”

Rilevazione automatica di allert se i punteggi PHQ-9 o GAD-7 superano soglie predefinite (es. PHQ-9 ≥ 15 indica depressione moderata–grave), il chatbot invia immediatamente un alert clinico a un team di psicologi/psichiatri. In situazioni di emergenza (risposte affermative a item come “pensieri di farsi del male”), viene attivata una procedura automatica che: chiede al paziente se ha un piano specifico o mezzi per farsi del male Invita il paziente a contattare un familiare o un numero di emergenza. Invia un messaggio di allarme al medico di guardia e al servizio di emergenza locale (se previsto dalle regolamentazioni nazionali).

Valutazioni periodiche tramite questionari standardizzati ogni due settimane, il chatbot propone questionari più dettagliati, come il Montreal Cognitive Assessment (MoCA) per pazienti con disturbi cognitivi lievi o sospetta demenza lieve. Le risposte vengono trasmesse via API al registro clinico elettronico e integrate con dati di valutazioni in presenza (es. test neuropsicologici), permettendo al neurologo di seguire l’evoluzione cognitiva da remoto.

Coinvolgimento dei caregiver e dei professionisti sanitari

Accesso Dedicato ai Caregiver I familiari o i caregiver principali ricevono una dashboard semplificata, aggiornata in tempo reale sui punteggi di rischio, giornate critiche e consigli pratici (es. tecniche di supporto emotivo, strategie di gestione dei comportamenti agitati in caso di demenza). Se il paziente affetto da schizofrenia mostra segni precoci di paranoia (es. commenti di auto-isolamento, report di allucinazioni uditive), il caregiver può intervenire tempestivamente, notificato dall’applicazione chatbot.

Allineamento con il Team Clinico gli psicologi o psichiatri ricevono report settimanali generati da un sintetizzatore AI che aggrega i trend dei punteggi (PHQ-9, GAD-7, MoCA), le trascrizioni NLP dei principali momenti di crisi e i livelli emotivi rilevati. Durante le sedute di telepsichiatria, il terapeuta consulta la timeline AI per valutare se i cambiamenti di terapia farmacologica o di dosaggio hanno influenzato l’umore e l’aderenza. Nel caso di demenza, il neurologo verifica se le fluttuazioni cognitive rilevate dal MoCA online coincidano con episodi di confusione serale (sundowning) segnalati dal caregiver.

Benefici Misurati

Supporto Psicologico Continuativo

Accessibilità 24/7: I chatbot garantiscono un supporto immediato a qualsiasi ora, cruciale per pazienti con disturbi depressivi che possono sperimentare crisi notturne o isolamento sociale.

Riduzione del Rischio di Ricadute: Monitorando costantemente i punteggi di depressione e ansia (PHQ-9, GAD-7), i chatbot attivano interventi preventivi, riducendo del 30% le ricadute depressive in pazienti con depressione ricorrente (studio JMIR, 2024).

Miglioramento dell’aderenza terapeutica

Promemoria farmaci: I chatbot inviano notifiche personalizzate per l’assunzione dei farmaci antipsicotici o antidemenza, aumentando l’aderenza del 25% in gruppi di pazienti schizofrenici (ricerca Docus.ai, 2025).

Feedback immediato: Il monitoraggio continuo fornisce dati in tempo reale al team clinico, consentendo aggiustamenti tempestivi del dosaggio o del regime terapeutico.

Coinvolgimento di caregiver e famiglie

Reporting strutturato: Dashboard settimanali e alert giornalieri coinvolgono caregivers, che si sentono più supportati e informati, riducendo il burnout familiare del 18% (studio Future Health Index 2025).

Educazione e consigli: i caregiver accedono a risorse, tecniche di comunicazione empatica e strategie di gestione dei comportamenti, migliorando la qualità complessiva della cura domiciliare.

Prevenzione di crisi psichiatriche

Rilevazione precoce di ideazione suicidaria: nel programma Woebot for Teens, il 15% degli adolescenti con ideazione suicidaria ha ricevuto supporto immediato, con un contatto diretto da parte di uno psicologo entro 2 ore dall’alert (JMIR, 2024).

Riduzione degli accessi al pronto soccorso: pazienti schizofrenici monitorati con Tess hanno registrato un calo del 20% degli accessi urgenti per episodi psicotici acuti.

Criticità e sfide

Accuratezza diagnostica e riconoscimento delle emozioni

Falsi Negativi/Falsi Positivi: i modelli di sentiment analysis e riconoscimento emotivo possono confondere il sarcasmo o fraintendere toni. In un paziente bipolare, un commento ironico può essere erroneamente interpretato come ideazione suicidaria.

Validazione clinica necessaria: anche se un chatbot segnala un punteggio alto di rischio, spetta allo psichiatra o psicologo validare la gravità, evitando interventi non necessari.

Privacy e gestione dei dati sensibili

Protezione dati in transito e a riposo: i dati emotivi e psicologici sono estremamente sensibili. Occorre cifratura AES-256 end-to-end e storage in server conformi a GDPR (Europa) e HIPAA (USA).

Consenso informato dinamico: i pazienti con demenza lieve o disturbi cognitivi possono avere difficoltà a comprendere le implicazioni del consenso; servono moduli semplificati e verifiche periodiche di comprensione.

Alfabetizzazione digitale e accessibilità

Pazienti anziani e demenze: gli utenti con deficit cognitivi possono faticare a usare bottoni, leggere testo ridotto o comprendere istruzioni complesse. Sono necessari design di interfaccia semplificati, supporto vocale chiaro e training iniziale.

Connessione internet: l’efficacia dei chatbot dipende dalla disponibilità di una connessione stabile. In aree rurali, i pazienti con difficoltà di rete rischiano di perdere alert cruciali.

Responsabilità clinica e supervisione umana

Liability in caso di crisi non rilevata: se il chatbot non segnala in tempo un episodio suicidario o una ricaduta psicotica, il team clinico è comunque responsabile. Devono essere definite protocolli chiari su tempi e modalità di revisione dei report AI.

Mantenimento dell’integrazione Umano–Macchina: il modello “human-in-the-loop” deve sempre garantire che, in situazioni critiche, il paziente venga indirizzato a un incontro con uno psicologo o psichiatra, evitando la dipendenza esclusiva dal chatbot.

Prospettive future

Integrazione con tecnologie di monitoraggio passivo

Wearable e sensori ambientali: oltre agli EDA (Elettrodermal Activity) e HRV, includere sensori di sonno (actigrafia), rilevazione del tono vocale tramite microfono ambientale durante interazioni quotidiane (con consenso esplicito) per cogliere segnali precoci di esacerbazione.

Analisi multimodale: combinare immagini facciali (computer vision) per riconoscere segnali non verbali di tristezza o agitazione, integrati con dati di testo e audio per una valutazione emotiva più completa.

Modelli di cura integrati e continuativi

Programmi “Hybrid”: combinare il chatbot con sessioni mensili di telepsichiatria o telepsicologia, creando un percorso di cura ibrido che massimizzi contatto umano e supporto automatizzato.

Community Online Moderata: creare forum digitali dove pazienti, caregiver e professionisti interagiscono, con un chatbot che modera discussioni, fornisce suggerimenti di auto-aiuto e indirizza a risorse qualificate.

I chatbot terapeutici AI-assisted per neurologia e salute mentale offrono un supporto innovativo e continuativo per pazienti con schizofrenia, disturbi depressivi e demenze, integrando:

Modelli di NLP e LLM per conversazioni empatiche, personalizzate e fondate su tecniche CBT o supportive psychotherapy.

Telemedicina e Sensori Wearable per rilevare segnali emotivi e fisiologici in tempo reale, generare alert clinici e coinvolgere caregiver.

Workflow strutturati che garantiscono supervisione umana in fase di allerta, riducono le ospedalizzazioni non programmate e migliorano la qualità di vita complessiva del paziente.

In definitiva, i chatbot terapeutici AI, se sviluppati e implementati con rigore etico e validazione clinica, possono diventare preziosi alleati nel prendersi cura di pazienti con patologie neurologiche e psichiatriche complesse, migliorando accessibilità, monitoraggio precoce e partecipazione attiva nel percorso terapeutico.

AI per Assistenza Domiciliare Avanzata

Robotica Integrata: robot di supporto domiciliare dotati di agenti autonomi per assistere pazienti con mobilità ridotta, somministrare farmaci e monitorare parametri vitali.

Caregiver Digitali: assistenti virtuali basati su generative AI per guidare il paziente nell’assunzione di farmaci, nell’esecuzione di esercizi di riabilitazione e nel segnalare anomalie al team clinico, contribuendo a una riduzione del 25% dei ricoveri non programmati per i pazienti cronici.

Conclusioni

L’Agentic AI costituisce oggi uno degli sviluppi più interessanti e complessi nel panorama dell’intelligenza artificiale applicata alla sanità. Grazie alla sua capacità di operare autonomamente, adattarsi in tempo reale e orchestrare processi articolati, l’Agentic AI sta rivoluzionando:

Efficienza operativa: automazione di workflow amministrativi, documentazione, coding e gestione inventario.

Qualità delle cure: diagnosi più rapide e precise, screening avanzato, medicina di precisione e supporto predittivo.

Esperienza del paziente: riduzione dei tempi d’attesa, miglior engagement tramite chatbot, assistenza domiciliare continua.

Benessere dei professionisti: diminuzione del burnout grazie a strumenti di ambient listening e pianificazione dinamica dei turni.

Tuttavia, il percorso verso una diffusione su larga scala è segnato da sfide rilevanti:

Sicurezza e privacy: infrastrutture robuste, audit trail trasparenti, cifratura avanzata e accessi basati su attributi.

Responsabilità legale: individuazione chiara della liability tra sviluppatori, fornitori di infrastrutture cloud e professionisti sanitari, in linea con l’AI Act (UE) e le linee guida FDA (USA).

Affidabilità e bias: monitoraggio continuo delle performance, re-training periodico e test su scenari estremi per prevenire deriva dei modelli.

Accettazione culturale: formazione strutturata, approccio “human-in-the-loop” e trasparenza sui processi decisionali AI.

Regolamentazione e standardizzazione: adeguamento rapido a normative emergenti, certificazioni indipendenti e linee guida etiche e tecniche condivise.

Le prospettive future indicano un ulteriore ampliamento dei casi d’uso verticali (cardiologia, oncologia, neurologia), integrazione con dispositivi edge per decisioni in tempo reale e lo sviluppo di robotica di assistenza domiciliare. Al contempo, l’armonizzazione normativa a livello internazionale e la standardizzazione dei processi di certificazione saranno fondamentali per garantire un’applicazione etica, sicura e sostenibile dell’Agentic AI.

l’Agentic AI può rappresentare un alleato prezioso per migliorare la qualità delle cure, ottimizzare le risorse e rafforzare il rapporto medico-paziente. La vera sfida risiede nel coniugare innovazione tecnologica e responsabilità, affinché queste soluzioni rimangano sempre al servizio dell’uomo, valorizzando le competenze cliniche e promuovendo un sistema sanitario più efficiente, equo e sicuro.

Bibliografia

Aidoc. (2025, marzo). Why AI May Be Listening In on Your Next Doctor’s Appointment. The Wall Street Journal.

Alegre, S. (2025, maggio). AI therapy is no replacement for real judgment, says expert. The Times.

American Medical Association. (2025, febbraio 26). AMA 2025 AI Sentiment Survey: Physician AI Adoption Nearly Doubles, But Skepticism Persists. Physicians News Network.

Bessemer Venture Partners. (2025). The Healthcare AI Adoption Index. https://www.bvp.com/atlas/the-healthcare-ai-adoption-index

Blue Prism. (2025). Top Healthcare AI Statistics 2025. SS&C Blue Prism. https://www.blueprism.com/resources/blog/ai-in-healthcare-statistics/

Docus.ai. (2025). AI in Healthcare Statistics 2025: Overview of Trends. https://docus.ai/blog/ai-healthcare-statistics

Gillespie, N., Lockey, S., Ward, T., Macdade, A., & Hassed, G. (2025). Trust, Attitudes and Use of Artificial Intelligence: A Global Study 2025. University of Melbourne & KPMG. https://assets.kpmg.com/content/dam/kpmgsites/xx/pdf/2025/05/trust-attitudes-and-use-of-ai-global-report.pdf

JMIR. (2025, marzo). Trust and Acceptance Challenges in the Adoption of AI Applications. Journal of Medical Internet Research. https://www.jmir.org/2025/1/e65567

JAMA Network Open. (2025, marzo). Patients’ Trust in Health Systems to Use Artificial Intelligence. https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2830240

Memorial Sloan Kettering Cancer Center. (2024). MSK-IMPACT Clinical Sequencing. https://www.mskcc.org/msk-impact

Philips. (2025). Future Health Index 2025: Building Trust in Healthcare AI. https://www.philips.com/a-w/about/news/future-health-index/reports/2025/building-trust-in-healthcare-ai.html

Post, N. Y. (2024, settembre 10). Americans anxious about their health, concerned doctors will judge them: survey. New York Post. https://nypost.com/2024/09/10/lifestyle/americans-are-more-comfortable-sharing-concerns-with-their-doctor-survey/

Saksena, G., Kim, S., & Patel, J. (2025). Radiomics and radiogenomics: new frontiers in precision oncology. Nature Reviews Clinical Oncology.

Subramanian, J., & Simon, R. (2025). Gene expression–based prognostic signatures in lung cancer: ready for clinical use? Journal of Clinical Oncology.

Techtarget. (2025, marzo). Use Cases for Generative AI in Healthcare Documentation. https://www.techtarget.com/searchhealthit/feature/Use-cases-for-generative-AI-in-healthcare-documentation

Techtarget. (2025, maggio). Benefits of AI in Healthcare. https://www.techtarget.com/healthtechanalytics/feature/Benefits-of-AI-in-healthcare

Techtarget. (2025, maggio 22). 4 Top Use Cases for Agentic AI in Healthcare. https://www.techtarget.com/healthtechanalytics/feature/4-top-use-cases-for-agentic-AI-in-healthcare

The Cancer Genome Atlas (TCGA) Consortium. (2024). Comprehensive molecular profiling of lung adenocarcinoma. Cancer Cell.

The Wall Street Journal. (2025, giugno). Why AI May Be Listening In on Your Next Doctor’s Appointment. (Duplicate of Aidoc)