In questo articolo Indice dei contenuti 2 sezioni
La medicina predittiva viene descritta ormai da tempo come il passaggio decisivo tra una sanità che interviene quando il problema è già arrivato e una sanità che prova ad anticiparlo, calibrando la prevenzione personalizzata sul singolo individuo. Il concetto è semplice da enunciare e complicatissimo da mettere a terra, perché tutto ruota attorno a una materia prima che non è né infinita né facile da maneggiare: i dati. Senza quelli, il modello più raffinato resta un esercizio teorico, elegante quanto inutile nella pratica clinica quotidiana.
Il punto di partenza sono i dati biometrici, cioè quell’insieme di informazioni che raccontano il funzionamento di un corpo nel tempo e non solo nell’istante della visita. Parametri raccolti in continuo, storicizzati, confrontati con quelli di popolazioni ampie. È da lì che nascono le stime di rischio, le ipotesi diagnostiche precoci, le indicazioni su quando conviene intervenire e quando invece osservare. Il salto rispetto alla medicina tradizionale sta proprio nella logica temporale, perché si prova a lavorare sul prima anziché sul dopo.
Intelligenza artificiale generativa e modelli che devono reggere la scala
Dentro questo scenario l’IA generativa ha smesso di essere una curiosità e ha iniziato a occupare un ruolo operativo, dalla lettura di grandi volumi di informazioni cliniche alla costruzione di scenari predittivi. Il tema vero non è la potenza dell’algoritmo, che aumenta con una regolarità quasi noiosa, ma la sua capacità di essere scalabile e allo stesso tempo accessibile. Un sistema che funziona benissimo in un centro di eccellenza e diventa inutilizzabile in un ospedale periferico non risolve niente, anzi rischia di allargare distanze già esistenti.
Qui entra in gioco la questione dell’anonimizzazione, che nel dibattito pubblico viene spesso liquidata come un adempimento burocratico e invece è esattamente il contrario. Rendere utilizzabili grandi masse di informazioni sanitarie senza esporre le persone a cui appartengono è la condizione che permette ai modelli di allenarsi su basi ampie e rappresentative. Meno dati disponibili significa modelli più fragili, più sbilanciati, più esposti a errori sistematici su gruppi di popolazione poco rappresentati. La privacy, in questo quadro, non è un freno alla ricerca ma il presupposto perché la ricerca possa avvenire su scala.
Governance, diagnosi e politiche sanitarie
Il tassello che tiene insieme il resto è la governance, cioè le regole con cui i dati vengono raccolti, conservati, condivisi e utilizzati. Chi decide quali informazioni possono circolare, con quali garanzie, verso quali soggetti. Senza un impianto chiaro, ogni progetto di medicina predittiva resta confinato a sperimentazioni isolate che non parlano tra loro, con formati incompatibili e archivi che non si incrociano mai. Ed è forse questo il vero collo di bottiglia, molto più della tecnologia disponibile.
Gli effetti di un sistema che funziona toccano tre livelli diversi. La diagnosi, che diventa più precoce e più mirata. L’assistenza, che può essere organizzata attorno al rischio individuale invece che su protocolli uguali per tutti. E le politiche sanitarie, perché disporre di modelli predittivi affidabili cambia il modo in cui si programmano risorse, personale e presidi sul territorio. Il paradosso è tutto qui. Gli strumenti per costruire una sanità orientata alla prevenzione esistono già, in buona parte sono maturi, e la loro efficacia dipende però da qualcosa che sta a monte, cioè dalla disponibilità di informazioni trattate in modo corretto e condivisibile. Finché quel nodo resta stretto, la trasformazione promessa continua a essere raccontata al futuro, mentre la parte tecnologica corre già al presente.
