TY  -  JOUR
AU  -  Santoro, Eugenio
T1  -  Intelligenza artificiale in medicina: siamo pronti?
PY  -  2023
Y1  -  2023-03-01
DO  -  10.1701/3981.39636
JO  -  Recenti Progressi in Medicina
JA  -  Recenti Prog Med
VL  -  114
IS  -  3
SP  -  142
EP  -  144
PB  -  Il Pensiero Scientifico Editore
SN  -  2038-1840
Y2  -  2026/04/29
UR  -  http://dx.doi.org/10.1701/3981.39636
N2  -  Strumenti di intelligenza artificiale (Ia), e in particolare le tecniche di machine learning (Ml) e deep learning, hanno trovato applicazione in numerosi campi della medicina. Sono stati impiegati per creare assistenti virtuali per fornire informazioni sanitarie a cittadini e pazienti, per formulare diagnosi mediche, per identificare il migliore trattamento da impiegare per uno specifico paziente, per predire il rischio di un paziente di andare incontro a uno specifico evento, per identificare le molecole più promettenti sulle quali investire in ricerca clinica, o per identificare possibili relazioni di causa-effetto tra patologie e dati raccolti attraverso le varie fonti disponibili. I risultati degli studi clinici pubblicati per misurare affidabilità, sicurezza ed efficacia di questi strumenti sono spesso incoraggianti. Tuttavia, esistono revisioni sistematiche e meta-analisi che evidenziano i limiti metodologici di questi studi. Molti di questi sono retrospettivi e basati su set di dati precedentemente assemblati, mentre pochi sono quelli prospettici condotti in ambienti clinici reali e basati sul modello delle sperimentazioni cliniche controllate randomizzate. Inoltre, molti di questi adottano una validazione interna del sistema di Ia a scapito di una validazione esterna, più accurata nel raggiungere gli obiettivi, mentre il confronto tra le performance dei modelli di Ml e quelle degli esperti solo in pochi casi è condotto utilizzando lo stesso set di dati. Prima di poter essere impiegati in ambito assistenziale, i sistemi di Ia e di Ml dovrebbero passare attraverso il vaglio di una rigorosa validazione scientifica, basata su studi metodologicamente solidi (prospettici, possibilmente randomizzati e condotti in ambienti clinici reali) che dimostrino la non inferiorità, o la superiorità, oltreché la costo-efficacia, rispetto al percorso diagnostico e decisionale convenzionale. Inoltre, occorre dimostrare la sicurezza e la riproducibilità nell’uso del software e considerare le emergenti problematiche etiche e legali inerenti alla responsabilità professionale del medico nell’interazione con gli algoritmi.
ER  -