Intelligenza artificiale e salute digitale, le novità che contano

C’è stato un momento, non troppo lontano, in cui parlare di intelligenza artificiale in medicina voleva dire immaginare un futuro da laboratorio. Oggi, a ottobre 2026, quel futuro è entrato nelle nostre case. Secondo un rapporto dell’OCSE ripreso da Quotidiano Sanità, circa 230 milioni di persone ogni settimana usano strumenti di AI per domande legate alla salute, e il 35% dei cittadini dichiara di rivolgersi a un assistente digitale prima ancora di incontrare un professionista sanitario. Il paradosso, e ne parleremo a lungo, è che mentre i cittadini corrono i sistemi sanitari faticano a tenere il passo.  

Un’abitudine di massa che è nata in fretta

In Italia il fenomeno ha avuto una velocità impressionante. I dati elaborati con Ipsos Doxa e riportati da Healthtech360 indicano che il 36% della popolazione usa chatbot basati su AI per motivi di salute, più del triplo rispetto all’11% rilevato l’anno precedente. Non si tratta quindi di una curiosità per appassionati di tecnologia, ma di un nuovo gesto quotidiano, simile a quello che per vent’anni abbiamo compiuto digitando sintomi in un motore di ricerca. La differenza è sostanziale. Un motore di ricerca restituisce un elenco di pagine da valutare, un chatbot restituisce una risposta con il tono sicuro di una conversazione, e questo tono può far sembrare affidabile anche ciò che non lo è. Ed è proprio qui che la salute digitale si gioca la sua credibilità, nella capacità di aiutare le persone a capire senza farle sentire autorizzate a fare da sole.

La diagnostica per immagini tra successi e frenate

Se c’è un campo in cui l’AI ha già mostrato valore, è l’analisi delle immagini. Uno studio apparso su Nature Medicine ad aprile 2026 presenta Reti-Pioneer, un framework che dalle immagini della retina riesce a individuare più malattie sistemiche, con una validazione esterna e un progetto pilota prospettico condotto in un centro di servizi sanitari comunitari e in un centro per check-up. L’idea è affascinante, perché la retina è una finestra non invasiva sulla salute dell’intero organismo, e un esame rapido potrebbe diventare uno strumento di screening su larga scala. Sempre sul fronte dell’oncologia, la rivista The Lancet Digital Health ha pubblicato i risultati dello studio randomizzato MASAI sullo screening mammografico, secondo cui l’AI contribuisce a individuare precocemente tumori della mammella clinicamente rilevanti e riduce il carico di lettura dei radiologi senza aumentare i falsi positivi.

Anche l’anatomia patologica sta cambiando pelle. Come ricorda un editoriale di The Lancet Digital Health00049-X/fulltext), a marzo 2026 la FDA ha concesso la designazione di dispositivo innovativo a uno strumento di AI che analizza vetrini digitalizzati di lesioni cutanee, segno di un passaggio dalla microscopia tradizionale all’analisi digitale scalabile. Il patologo del futuro, sottolinea lo stesso editoriale, sarà sempre meno un osservatore solitario di vetrini e sempre più un supervisore capace di valutare criticamente ciò che l’algoritmo propone.

Il paradosso dell’adozione

Un altro editoriale di The Lancet Digital Health00001-4/fulltext?rss=yes) descrive con precisione ciò che molti osservano da anni. Nei casi d’uso ben definiti le prestazioni dei modelli non sono più il vincolo principale, eppure la presenza dell’AI nella pratica clinica quotidiana resta marginale. Questo è il paradosso centrale della medicina digitale contemporanea, tecnologia sempre più matura e adozione ancora timida. Le ragioni sono concrete. L’OCSE segnala che fino al 97% dei dati sanitari risulta inutilizzabile per le decisioni cliniche, perché frammentato, non strutturato o non interoperabile, e avverte che far vedere più pazienti a un medico non equivale automaticamente a produrre più salute.

Il quadro italiano conferma la tensione. L’Osservatorio per l’AI in Sanità presentato a Welfair 2026 e riportato da Greenplanner mostra che gli investimenti in AI e analytics sanitari sono passati da 121 a 228 milioni di euro tra il 2022 e il 2025, ma solo il 30% dei medici dichiara di aver ricevuto una formazione specifica e appena il 2% degli specialisti possiede competenze giudicate buone o ottime. Si compra la tecnologia più in fretta di quanto si costruiscano le competenze per usarla, e questo spiega in parte perché il fenomeno della cosiddetta *shadow AI*, cioè l’uso spontaneo e non governato di strumenti generativi da parte dei professionisti, preoccupi tanto le direzioni sanitarie.

Chatbot clinici, referti semplificati e il nodo degli errori

A gennaio 2026 OpenAI ha lanciato ChatGPT Health, una funzione che permette di collegare cartelle cliniche e dati delle app di benessere per contestualizzare le conversazioni sulla salute. Proprio mentre queste funzioni si diffondono, una revisione sistematica con meta-analisi pubblicata su The Lancet Digital Health00021-X/fulltext?rss=yes) ha valutato la capacità dei modelli linguistici di semplificare i referti radiologici per pazienti e clinici. Il risultato è a doppia faccia. I testi semplificati risultano più comprensibili, ma presentano un tasso complessivo di errore del 7,2%, con lo 0,9% di errori clinicamente significativi, abbastanza per parlare di un rischio reale di danno.

C’è poi una questione regolatoria che il grande pubblico conosce poco. Soltanto i modelli concepiti per fornire consigli medici rientrano nel perimetro della regolazione sanitaria e vengono classificati come dispositivi medici, mentre un assistente generalista che risponde a domande di salute si muove in una zona molto meno presidiata. Per chi lo usa, il consiglio pratico è semplice. Un chatbot è un ottimo traduttore del linguaggio medico, un pessimo sostituto di una visita.

Dal volto alla retina, i nuovi biomarcatori digitali

Tra le novità più curiose c’è l’idea di trasformare una semplice fotografia in un indicatore di salute. Il 19 ottobre 2026 The Lancet Digital Health ha pubblicato in anteprima lo studio su FAHR-Face, un modello di base che a partire da fotografie del volto genera biomarcatori economici e scalabili, capaci di riflettere sia l’invecchiamento biologico sia il rischio di mortalità legato alle malattie. Gli autori sostengono che un’analisi facciale quantitativa di routine potrebbe aiutare nella stratificazione del rischio quando i biomarcatori tradizionali non sono disponibili. Sulla stessa linea, una scoping review dell’agosto scorso passa in rassegna l’uso dell’imaging retinico basato su AI per valutare la salute del cervello. Sono direzioni promettenti, che però portano con sé domande inevitabili su privacy, consenso e possibili distorsioni, perché un volto è un dato personalissimo e un modello addestrato su popolazioni poco diverse tra loro rischia di funzionare peggio proprio dove servirebbe di più.

Farmaci progettati dall’AI e gemelli digitali

Sul versante della ricerca farmaceutica i numeri crescono in fretta. Secondo l’AI Index Report 2026 dell’Università di Stanford, riassunto da Il Bo Live dell’Università di Padova, i farmaci in sperimentazione clinica progettati interamente dall’intelligenza artificiale sono triplicati rispetto al 2024, e i modelli di genomica personalizzata riescono a prevedere la risposta di un singolo paziente a una specifica chemioterapia con una precisione dell’89%. Lo stesso rapporto ricorda però che solo una frazione minima dei candidati generati viene poi confermata in laboratorio e che i bias nei dati penalizzano le popolazioni sottorappresentate. Un’analisi sullo stato dell’arte dell’AI sanitaria aggiunge una nota di prudenza utile, perché affermazioni come lo sviluppo dieci volte più veloce confondono l’accelerazione della fase preclinica con i tempi complessivi, e solo i risultati delle sperimentazioni di Fase III diranno se i farmaci disegnati al computer funzionano davvero su larga scala.

Il settore si muove anche sul piano industriale. Il 20 ottobre 2026 OpenAI ha acquisito Orchestra Bio, una startup che sviluppa agenti di AI per monitorare gli studi clinici, tenere sotto controllo i costi e risolvere i problemi di calendario delle sperimentazioni. Dall’altra parte, nella cura delle malattie croniche, il congresso della Società Italiana dell’Obesità ha mostrato, come racconta Il Sole 24 Ore, un progetto che raccoglie dati clinici, metabolici e genomici per classificare i pazienti, prevedere le complicanze e, in prospettiva, costruire un gemello digitale su cui simulare le terapie. L’obiettivo dichiarato è passare dalla cura della malattia alla cura della singola persona che ne è affetta, ed è forse la sintesi migliore di ciò che la medicina di precisione promette.

Regole europee, formazione e responsabilità

Il quadro normativo è l’altro grande protagonista di questa stagione. Il regolamento europeo sull’intelligenza artificiale, l’AI Act, classifica come ad alto rischio i sistemi che sono dispositivi medici o ne costituiscono un componente di sicurezza, e le autorità europee hanno già pubblicato la guida MDCG 2025-6 sull’interazione con i regolamenti sui dispositivi medici. Il calendario, tuttavia, è in movimento. Secondo le analisi di settore come quella di MedDeviceGuide, con il pacchetto di semplificazione noto come Digital Omnibus le scadenze sarebbero slittate al 2 dicembre 2027 per i sistemi autonomi ad alto rischio e al 2 agosto 2028 per l’AI incorporata in prodotti regolamentati, tra cui i dispositivi medici. Dato che le date sono state oggetto di continui aggiustamenti, chi lavora nel settore farà bene a verificarle sulle fonti ufficiali.

Il dibattito, intanto, è acceso. In una lettera aperta del luglio 2026 il Comitato permanente dei medici europei e numerose organizzazioni di pazienti, consumatori e ospedali hanno chiesto di non togliere i dispositivi medici con AI dal perimetro dell’AI Act, definendo un passo indietro l’ipotesi contenuta nella revisione dei regolamenti sui dispositivi. In Italia, intanto, la legge 132/2025 ribadisce che la decisione resta in capo al medico, un principio semplice che dovrebbe orientare ogni scelta organizzativa e che rende la formazione degli operatori non un optional ma una condizione di sicurezza.

Come usare l’AI per la salute senza farsi male

Per il cittadino la regola d’oro è usare l’intelligenza artificiale come strumento di preparazione e comprensione, non di diagnosi. Funziona bene per tradurre un referto in parole comuni, per preparare le domande da porre al medico, per capire il significato di un termine o di un esame. Funziona male quando le si chiede di stabilire cosa si ha, di scegliere un farmaco o di decidere una dose. Conviene poi chiedersi sempre dove finiscono i propri dati prima di caricare documenti clinici su un servizio online, controllare se lo strumento è dichiarato come dispositivo medico con marcatura CE quando promette funzioni diagnostiche, e confrontare ogni indicazione importante con un professionista. Un buon segnale di affidabilità è un sistema che dichiara apertamente i propri limiti e invita a rivolgersi a un medico nei casi dubbi.

Domande frequenti su AI e salute digitale

L’intelligenza artificiale può sostituire il medico? No, e i dati lo confermano. Anche dove l’AI eguaglia o supera il clinico in compiti ristretti, come l’analisi di immagini, il suo valore emerge nell’affiancare il professionista, e gli studi più recenti mostrano che migliorare un singolo passaggio non basta a velocizzare l’intero percorso di cura.

È sicuro chiedere a un chatbot informazioni sulla salute? Può essere utile per capire e informarsi, ma non è sicuro come fonte unica. I modelli linguistici sbagliano in una quota non trascurabile di casi, anche quando il testo appare convincente, e non sostituiscono né una visita né un parere specialistico.

Che cos’è un gemello digitale in medicina? È un modello computazionale costruito con i dati clinici, metabolici e genomici di una persona, su cui è possibile simulare gli effetti di terapie diverse prima di applicarle. È ancora una frontiera in fase di sperimentazione, ma è una delle direzioni più promettenti della medicina personalizzata.

Uno sguardo avanti

La fotografia di fine 2026 racconta una salute digitale che ha smesso di essere una promessa e non è ancora una routine. Le prove si accumulano, dalla retina alla mammografia, dall’anatomia patologica ai farmaci progettati al computer, ma i limiti restano altrettanto chiari, tra dati frammentati, bias, errori dei modelli e competenze da costruire. La vera partita dei prossimi anni non si giocherà tanto sulla potenza degli algoritmi quanto sulla capacità di inserirli con giudizio nei percorsi di cura, con regole chiare, professionisti formati e cittadini informati. In fondo la questione è la stessa di sempre in medicina, usare bene uno strumento potente senza dimenticare che al centro c’è una persona.