Un nuovo studio pubblicato su Nature Medicine mostra che un agente di intelligenza artificiale medica eseguito interamente sull’infrastruttura locale dell’ospedale può raggiungere, in alcuni compiti diagnostici, prestazioni vicine a quelle dei modelli cloud, senza inviare i dati dei pazienti a un servizio esterno per l’elaborazione. L’aspetto più importante dello studio è la proposta di un metodo per individuare i casi «più affidabili» e rinviare quelli incerti al medico.
Cosa fa l’agente di IA dentro l’ospedale?
I ricercatori hanno progettato un framework basato su agenti in cui un «agente medico» raccoglie l’anamnesi in modo graduale, richiede esami obiettivi e di laboratorio, analizza i dati disponibili e infine presenta la propria diagnosi e il ragionamento seguito. Tutte queste fasi possono essere eseguite sull’infrastruttura locale della struttura sanitaria, un aspetto importante per il controllo dei dati, la privacy, la versione del modello e l’audit del sistema.
Quanto è stato accurato il modello locale?
Nel benchmark principale, comprendente sette condizioni diagnostiche, il miglior modello locale ha raggiunto un’accuratezza di circa il 90%, mentre il modello cloud di riferimento, nello stesso framework, si è attestato intorno al 90,7%. In un secondo benchmark con quattro gruppi diagnostici addominali e 2.400 casi, il miglior modello locale ha registrato un’accuratezza dell’83,8%.
I ricercatori sottolineano che questi risultati si riferiscono ad ambienti di valutazione standardizzati e non dimostrano la sicurezza per un uso autonomo su pazienti reali.
Il punto chiave: il sistema non si affida solo alla «propria sicurezza»
Uno dei risultati più importanti è che la probabilità interna del modello non è stata il miglior indicatore per capire se una risposta fosse corretta o sbagliata. Al contrario, la «coerenza comportamentale», cioè quanto spesso il modello arriva alla stessa diagnosi eseguendo più volte lo stesso caso, è riuscita a distinguere meglio i casi corretti dagli errori.
Con una soglia di coerenza di 0,90, il sistema ha mantenuto nel percorso automatico il 49,4% dei casi, raggiungendo in questo sottogruppo un’accuratezza del 98,9%. Anche in questo gruppo, tuttavia, sono rimasti tre errori diagnostici: il filtro basato sulla coerenza riduce quindi gli errori, ma non li elimina.
Perché è importante per la medicina?
Se in futuro sistemi di questo tipo verranno validati clinicamente, un modello pratico potrebbe prevedere che i casi molto stabili vengano elaborati in prima battuta dall’agente di IA e che quelli incerti vengano inviati direttamente al medico per la revisione. È ciò che i ricercatori definiscono «autonomia selettiva».
Anche l’analisi pubblicata il 2 ottobre su Nature Medicine mette in evidenza questo aspetto: il metodo proposto può trasferire i casi incerti a un percorso umano, ma non è ancora chiaro come saranno, dopo il rinvio, l’interazione reale tra medico e sistema e l’esito finale dell’assistenza.
Siamo ancora lontani da un uso clinico autonomo
Lo studio è una valutazione su benchmark clinici e dati retrospettivi, non una sperimentazione che dimostri che il sistema possa prendere decisioni finali in ospedale senza supervisione. Le prestazioni del modello dipendono inoltre dal tipo di patologia, dalla qualità dei dati, dall’architettura del sistema e dalla soglia scelta dalla struttura sanitaria per il rinvio al medico.
Di conseguenza, per ora il valore principale di questa tecnologia sta in due idee: eseguire il modello all’interno dell’organizzazione per controllare meglio i dati e disporre di un meccanismo che, invece di dare una risposta definitiva in tutti i casi, sappia individuare e fermare quelli incerti.
Che differenza c’è con un chatbot medico?
Un chatbot di solito risponde a una domanda; un agente di IA, invece, può perseguire un obiettivo in più fasi, chiedere ulteriori informazioni, usare strumenti e decidere il passo successivo in base ai risultati. Proprio questa maggiore autonomia apre maggiori possibilità di utilizzo, ma allo stesso tempo aumenta la necessità di supervisione, controllo degli errori e regole di arresto.
Fonte: Nature Medicine, articolo originale pubblicato il 15 settembre 2026 e News & Views pubblicato il 2 ottobre 2026.
#IA_in_medicina #AgenticAI #Sanita_digitale
Foto: Accuray / Unsplash — immagine decorativa di medici che esaminano immagini mediche su sistemi digitali.
