Cos'è l'Intelligenza artificiale?

L’intelligenza artificiale (IA) si riferisce alla capacità dei sistemi informatici di svolgere compiti che normalmente richiederebbero l’intelligenza umana, quali l’apprendimento, il riconoscimento di schemi, l’interpretazione di immagini, la comprensione del linguaggio e il processo decisionale. Nel settore sanitario, i sistemi di IA analizzano grandi volumi di dati per supportare attività cliniche quali la diagnosi, la previsione del rischio e la pianificazione del trattamento.

L’IA si basa in gran parte su tre approcci fondamentali:

Apprendimento automatico (ML): un tipo di IA in cui i sistemi apprendono dai dati per identificare modelli e formulare previsioni, senza essere esplicitamente programmati per ogni singola attività. Maggiori sono i dati su cui viene addestrato un modello, maggiore tende ad essere la sua precisione.

Deep Learning (DL): una forma più avanzata di apprendimento automatico che utilizza reti neurali a più livelli (vagamente ispirate al cervello umano) per elaborare dati complessi quali immagini mediche, referti clinici o informazioni genetiche.

Elaborazione del linguaggio naturale (NLP): una forma di IA che consente ai computer di comprendere, interpretare e produrre il linguaggio umano.

L’ascesa dell’IA nel settore sanitario

L’intelligenza artificiale (IA) è sempre più integrata nei sistemi sanitari di tutta Europa, a supporto della diagnosi, del processo decisionale clinico, della pianificazione terapeutica e della previsione del rischio per i pazienti. Negli ultimi anni, l’introduzione di algoritmi di deep learning in settori quali la visione artificiale e l’elaborazione del linguaggio naturale ha rivoluzionato le applicazioni informatiche in radiologia, patologia, cardiologia, diabetologia, psichiatria, oncologia e molti altri campi (Esteva et al., 2019; Koteluk et al., 2021; Rajpurkar et al., 2022; Gou et al., 2024).

L’Organizzazione Mondiale della Sanità (OMS) elenca i seguenti ambiti di applicazione dei sistemi di IA nel settore sanitario: diagnosi e diagnosi basata sulla previsione, assistenza clinica, ricerca e sviluppo di farmaci, gestione e pianificazione dei sistemi sanitari, sorveglianza della salute pubblica, promozione della salute, prevenzione delle malattie, preparazione alle emergenze e risposta alle epidemie (Organizzazione Mondiale della Sanità, 2021).

La ricerca ha dimostrato che l’IA ha rivoluzionato e apportato numerosi benefici a diversi ambiti, tra cui la ricerca scientifica, il mondo degli affari e delle industrie moderne, l’istruzione e la sanità. Nello specifico, nel settore sanitario, strumenti e modelli automatizzati hanno iniziato a essere introdotti nella diagnosi delle malattie, e si prevede che l’uso dell’IA in questo campo aumenti nel prossimo futuro, promettendo di rivoluzionare ulteriormente il settore (Alowais et al., 2023).

Esempi concreti

Malattie cardiovascolari:

• Analisi dell’ECG – Rilevamento assistito dall’IA di aritmie e anomalie cardiache

• Previsione del rischio cardiovascolare - Modelli di IA che stimano il rischio individuale del paziente sulla base dei dati clinici

• Supporto alle decisioni cliniche - orientamento nella diagnosi, nella pianificazione del trattamento e nelle decisioni di invio a specialisti

Esempio Pratico: Analisi ECG assistita dall’IA con Cardiologs - il motore IA Philips Cardiologs, dotato di marchio CE, utilizza la tecnologia delle reti neurali profonde (DNN) per aiutare gli operatori sanitari e i fornitori di servizi a diagnosticare i pazienti in modo più efficiente, alleggerendo il carico di lavoro derivante da attività ridondanti di analisi dell’ECG.  (https://www.usa.philips.com/healthcare/technology/ai-cardiology-solutions).

Diabete:

• Screening della retinopatia diabetica - analisi tramite IA delle immagini retiniche per la diagnosi precoce

• Monitoraggio continuo del glucosio (CGM) - Previsione del glucosio basata sull’IA e gestione personalizzata

Esempio Pratico: IDx-DR / Screening digitale della retinopatia diabetica - software basato sull’IA con marchio CE, indicato per l’uso da parte degli oftalmologi durante la loro pratica clinica, in grado di rilevare e diagnosticare i segni della retinopatia diabetica nelle fasi molto precoci della patologia utilizzando immagini retiniche durante la pratica clinica di routine in oftalmologia.  (https://www.healthvisors.com/en/idx-dr/)

Depressione:

• Strumenti di screening basati sull’elaborazione del linguaggio naturale (NLP) – analisi del linguaggio scritto o parlato alla ricerca di segni di depressione

• Rilevamento basato sul parlato: identificazione dei marcatori di depressione nei modelli vocali durante i colloqui clinici

• Compagni terapeutici digitali: strumenti di IA che supportano i pazienti tra una seduta terapeutica e l’altra

Esempio Pratico: Limbic Access - un assistente di IA per l’indirizzamento conversazionale dei pazienti e il supporto alle decisioni cliniche nei servizi di salute comportamentale. Utilizza un modello di IA probabilistico che crea un referto clinico completo per l’operatore sanitario, presentando problemi, livelli di rischio, note cliniche e punteggi di valutazione (https://limbic.ai/access)

L’adozione dell’IA nel settore sanitario europeo

L’intelligenza artificiale (IA) è sempre più integrata nei sistemi sanitari di tutta Europa, a supporto della diagnosi, del processo decisionale clinico, della pianificazione terapeutica e della previsione del rischio per i pazienti. Queste tecnologie offrono notevoli opportunità per migliorare l’efficienza e gli esiti dell’assistenza sanitaria. 

Secondo un nuovo rapporto dell’OMS che valuta l’uso in rapida evoluzione dell’IA nel settore sanitario nei 27 Stati membri dell’Unione europea, quasi tre quarti dei paesi dell’UE utilizzano già la diagnostica assistita dall’IA, compresi strumenti a supporto della diagnostica per immagini, dell’individuazione delle patologie e del processo decisionale clinico. Mentre il 74% dei paesi dell’UE dichiara di utilizzare l’IA nella diagnostica e il 63% ricorre ai chatbot per favorire il coinvolgimento dei pazienti, quasi la metà degli Stati membri dell’UE ha già creato figure professionali dedicate all’IA e alla scienza dei dati in ambito sanitario, con diversi paesi che hanno manifestato l’intenzione di introdurre o ampliare programmi di formazione sull’IA nel prossimo futuro (Organizzazione Mondiale della Sanità, 2026). 

Sulla base dei dati raccolti tra giugno 2024 e marzo 2025, il rapporto delinea un panorama in cui i sistemi sanitari di tutta la regione stanno attivamente gettando le basi necessarie per sfruttare queste tecnologie in modo sicuro, equo e responsabile (Organizzazione Mondiale della Sanità, 2026).

Applicazioni dell’IA nelle aree di interesse di AEQUITAS

Il progetto AEQUITAS si concentra su tre aree patologiche chiave: malattie cardiovascolari, depressione e diabete, a causa della loro elevata prevalenza, dell’impatto sociale e delle disparità documentate tra pazienti con caratteristiche diverse in termini di genere e razza o etnia.

Nell’ambito delle cure cardiovascolari, l’IA supporta il processo decisionale clinico, la telemedicina, la valutazione del rischio, la terapia personalizzata, l’analisi predittiva e il monitoraggio a distanza (Bernstein et al., 2025; Naskar et al., 2025). Nel campo del diabete, gli strumenti di IA migliorano il monitoraggio e l’autogestione dei pazienti, ma anche la diagnosi, il trattamento e la prevenzione (Contreras & Vehi, 2018; Khalifa & Albadawy, 2024; Naskar et al., 2025; Sheng et al., 2024). Per quanto riguarda la depressione, l’IA è coinvolta nello screening, nella diagnosi e nel trattamento, con particolare attenzione all’individuazione tramite modelli linguistici di grandi dimensioni (LLM) (Cao et al., 2025; Kumari et al., 2025; Mao et al., 2023; Wang et al., 2025).

I rischi: pregiudizi e discriminazione nell’IA

Nonostante i suoi numerosi vantaggi, l’IA non è priva di rischi. La ricerca ha dimostrato che le applicazioni di IA possono portare a interpretazioni errate e alla promozione di pregiudizi e discriminazione (Varona & Suarez, 2022).

I modelli di IA identificano modelli statistici in grandi set di dati e li utilizzano per generare risultati, quali un suggerimento diagnostico, un punteggio di rischio o una raccomandazione terapeutica. A tal fine, un modello deve prima essere «addestrato» (utilizzando materiale esistente come foto, dati, video, registrazioni vocali o persino testi) e adeguare gradualmente i propri parametri interni per migliorare le previsioni.

La qualità e la rappresentatività dei dati di addestramento sono, quindi, fondamentali. Se i dati utilizzati per addestrare un’IA sono già di parte (ad esempio, se contengono registrazioni prevalentemente di pazienti di sesso maschile o appartenenti a uno specifico gruppo etnico), il modello proporrà risultati distorti, poiché può operare solo con le informazioni che gli sono state fornite. In sostanza, funzionerà bene per i gruppi ben rappresentati nei dati e male per quelli che non lo sono, portando alla discriminazione. In molti casi documentati, gli strumenti di IA sono stati addestrati su set di dati distorti, portando a risultati che rafforzano anziché ridurre le disuguaglianze esistenti.

Nel settore sanitario, i dati relativi a pazienti affetti da malattie cardiovascolari, depressione e diabete sono stati segnalati come distorti (Cirillo et al., 2020). Queste distorsioni rappresentano una questione intersezionale (nel senso che si sovrappongono e si combinano attraverso molteplici dimensioni dell’identità), poiché non riguardano solo uomini e donne, ma emergono anche quando si tratta di diverse razze/etnie.

Diritti fondamentali in gioco

Questi pregiudizi e questa discriminazione ledono i diritti fondamentali promossi e tutelati dalla Carta dei diritti fondamentali dell’Unione europea (2009), in particolare:

1. Articolo 21 (Non discriminazione) - «È vietata qualsiasi discriminazione fondata, in particolare, sul sesso, la razza, il colore della pelle, l’origine etnica o sociale, le caratteristiche genetiche, la lingua, la religione o le convinzioni personali, le opinioni politiche o di qualsiasi altra natura, l’appartenenza a una minoranza nazionale, il patrimonio, la nascita, la disabilità, l’età o l’orientamento sessuale».

Nota: Va sottolineato che il termine «sesso» nell’articolo 21 non si limita alla rigida dicotomia biologica, ma funge da protezione fondamentale per l’uguaglianza, comprendendo nel diritto dell’UE la discriminazione basata sul genere e l’identità di genere. Sebbene storicamente radicato in una concezione binaria (maschio/femmina), il diritto dell’UE si è evoluto per diventare più inclusivo. La Commissione europea e la Corte di giustizia dell’Unione europea (CGUE) interpretano il termine «sesso» in modo da includere la discriminazione derivante dal cambiamento di genere. 

2. Articolo 23 (Parità tra uomini e donne) – «Parità tra uomini e donne: richiede che la parità tra uomini e donne sia garantita in tutti i settori, compresi l’occupazione, il lavoro e la retribuzione».

Nota: l’articolo 23 della Carta fa esplicito riferimento alla parità nell’occupazione, nel lavoro e nella retribuzione. Tuttavia, nel contesto della presente formazione, il principio di parità tra uomini e donne comprende la parità di accesso all’assistenza sanitaria, la parità di qualità nella diagnosi e nel trattamento e l’assenza di discriminazione basata sul genere negli strumenti clinici assistiti dall’intelligenza artificiale. 

3. Articolo 35 (Assistenza sanitaria) - «Ogni persona ha il diritto di accedere all’assistenza sanitaria preventiva e il diritto di beneficiare di cure mediche alle condizioni stabilite dalle leggi e dalle prassi nazionali. Nella definizione e nell’attuazione di tutte le politiche e attività dell’Unione deve essere garantito un elevato livello di protezione della salute umana».

successivo: Modulo 2

Riferimenti bibliografici

Alowais, S.A., Alghamdi, S.S., Alsuhebany, N. et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ 23, 689 (2023). https://doi.org/10.1186/s12909-023-04698-z

Bernstein, B. S., Streather, S., & O’Gallagher, K. (2025). The Emerging Role of Artificial Intelligence in Heart Failure. Future Cardiology, 21(10), 795–801.

Cao, Y., Dai, J., Wang, Z., Zhang, Y., Shen, X., Liu, Y., & Tian, Y. (2025). Machine Learning Approaches for Depression Detection on Social Media: A Systematic Review of Biases and Methodological Challenges. Journal of Behavioral Data Science, 5(1), 67–102. https://doi.org/10.35566/jbds/caoyc

Cirillo, D., Catuara-Solarz, S., Morey, C., Guney, E., Subirats, L., Mellino, S., Gigante, A.A., Valencia, A., Rementeria, M.J., Chadha, A.S., & Mavridis, N. (2020). Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. npj Digit. Med. 3(81). https://doi.org/10.1038/s41746-020-0288-5

Contreras, I., & Vehi, J. (2018). Artificial Intelligence for Diabetes Management and Decision Support: Literature Review. Journal of Medical Internet Research, 20(5), e10775. https://doi.org/10.2196/10775

Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G., Thrun, S., & Dean, J. (2019). A guide to deep learning in healthcare

European Union, Charter of Fundamental Rights of the European Union, 2012/C 326/02, Strasbourg: EU. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:12012P/TXT

Gou, F., Liu, J., Xiao, C., & Wu, J. (2024). Research on Artificial-Intelligence-Assisted Medicine: A Survey on Medical Artificial Intelligence. Diagnostics, 14(14), 1472. https://doi.org/10.3390/diagnostics14141472

Khalifa, M., & Albadawy, M. (2024). Artificial intelligence for diabetes: Enhancing prevention, diagnosis, and effective management. Computer Methods and Programs in Biomedicine Update, 5, 100141. https://doi.org/10.1016/j.cmpbup.2024.100141

Koteluk, O., Wartecki, A., Mazurek, S., Kołodziejczak, I., & Mackiewicz, A. (2021). How Do Machines Learn? Artificial Intelligence as a New Era in Medicine. Journal of Personalized Medicine, 11(1), Article 1. https://doi.org/10.3390/jpm11010032

Kumari, M., Singh, G., & Pande, S. D. (2025). A Survey of Current Progress in Depression Detection Using Deep Learning and Machine Learning. Biomedical Materials & Devices. https://doi.org/10.1007/s44174-025-00301-9

Mao, K., Wu, Y., & Chen, J. (2023). A systematic review on automated clinical depression diagnosis. Npj Mental Health Research, 2(1), 20. https://doi.org/10.1038/s44184-023-00040-z

Naskar, S., Sharma, S., Kuotsu, K., Halder, S., Pal, G., Saha, S., Mondal, S., Biswas, U. K., Jana, M., & Bhattacharjee, S. (2025). The biomedical applications of artificial intelligence: An overview of decades of research. Journal of Drug Targeting, 33(5), 717–748. https://doi.org/10.1080/1061186X.2024.2448711

Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2022). AI in health and medicine. Nature Medicine, 28(1), Article 1. https://doi.org/10.1038/s41591-021-01614-0

Sheng, B., Pushpanathan, K., Guan, Z., Lim, Q. H., Lim, Z. W., Yew, S. M. E., Goh, J. H. L., Bee, Y. M., Sabanayagam, C., Sevdalis, N., Lim, C. C., Lim, C. T., Shaw, J., Jia, W., Ekinci, E. I., Simó, R., Lim, L.-L., Li, H., & Tham, Y.-C. (2024). Artificial intelligence for diabetes care: Current and future prospects. The Lancet Diabetes & Endocrinology, 12(8), 569–595. https://doi.org/10.1016/S2213-8587(24)00154-2

Varona, D., & Suárez, J. L. (2022). Discrimination, Bias, Fairness, and Trustworthy AI. Applied Sciences, 12(12), 5826. https://doi.org/10.3390/app12125826

Wang, L., Wang, C., Li, C., Murai, T., Bai, Y., Song, Z., Zhang, S., Zhang, Q., Huang, Y., Bi, X., & Jiang, J. (2025). AI-assisted multi-modal information for the screening of depression: A systematic review and meta-analysis. Npj Digital Medicine, 8(1), 523. https://doi.org/10.1038/s41746-025-01933-3

World Health Organization. 2021. “Ethics and governance of artificial intelligence for health: WHO guidance.” World Health Organization.

World Health Organization. 2026. “Artificial intelligence is reshaping health systems: state of readiness across the European Union.” World Health Organization.