AI Agent di medicina predittiva

Le app di medicina predittiva affiancheranno i medici specialisti nella definizione della diagnosi e parallelamente, chatbot personalizzati supporteranno i pazienti nel gestire al le patologie croniche, offrendo indicazioni quotidiane e personalizzate

Con la medicina predittiva, grazie ai dati biometrici e alla storia clinica personale di ciascuno di noi, e sfruttando gli algoritmi e la potenza di calcolo dell’intelligenza artificiale, diventa possibile ottenere informazioni predittive sia pro‑attive sul nostro stile di vita, sia pro‑passive per la prevenzione e l’assistenza sanitaria.

Con la medicina predittiva, l’assistenza sanitaria si sposta dai tradizionali interventi post‑reattivi alla prevenzione ante‑proattiva, completamente personalizzata, ad personam. Un cambio di paradigma: dalla cura che arriva dopo, alla salute che si costruisce prima. Questo approccio richiede collaborazioni eterogenee e sinergiche tra ricercatori, medici, matematici, informatici, biologi e filosofi, capaci di sviluppare modelli predittivi per un’ampia gamma di applicazioni: dalla previsione del rischio di malattia alla farmacovigilanza predittiva, fino alla prevenzione psicologica, individuando in anticipo condizioni potenzialmente pericolose nelle relazioni interpersonali.

Il suo impatto sociale e politico sarà profondissimo e positivo: le conseguenze sui sistemi sanitari nazionali sono enormi, perché questo paradigma consente una sorveglianza puntuale e in tempo reale della salute pubblica, migliorando la capacità di prevenire, intervenire e pianificare politiche sanitarie più efficaci. La medicina predittiva adotta un approccio profondamente individuale: mira a individuare e valutare i fattori di rischio in termini probabilistici, con l’obiettivo di prevenire l’insorgenza delle malattie prima che si manifestino. È un modello probabilistico e personalizzato, che permette di definire il profilo di benessere e di rischio fisico di ogni persona, monitorarne l’evoluzione nel tempo e attuare misure preventive mirate.

Questo paradigma richiede nuove conoscenze e innovazione rispetto ai modelli di pensiero medico tradizionali. Accanto ai biomarcatori “classici”, sarà necessario integrare nuovi indicatori, come ad esempio biomarcatori emozionali tokenizzati, capaci di catturare dimensioni psicologiche e relazionali oggi non rilevate dai sistemi clinici convenzionali. Storicamente, studi, ricerche e interventi considerati di successo sono stati identificati e promossi confrontando i valori medi tra i gruppi partecipanti. Questo approccio, generalizzato e basato su campioni limitati, è intrinsecamente imperfetto: da un lato per i limiti quantitativi e qualitativi dei partecipanti, dall’altro perché il confronto tra medie non coglie le risposte individuali, che spesso differiscono in modo significativo dal comportamento del gruppo.

La possibilità di disporre di un enorme database di dati biometrici tokenizzati sarà al tempo stesso cruciale e la vera sfida: permetterà infatti di superare i limiti degli approcci tradizionali e di ottenere risultati personalizzati con un livello di precisione oggi inimmaginabile.

Anche se anonimizzati, questo modello solleva importanti questioni etiche e legali. Oltre alle sfide tecno‑scientifiche — certamente affrontabili — sarà necessario definire con chiarezza:

• il consenso preventivo degli utenti,
• il ruolo degli utenti e dei partecipanti ai dataset,
• la proprietà e la governance dei dati,
• la trasparenza dei risultati: devono essere pubblici e accessibili a tutti?

Sono interrogativi decisivi per garantire che l’innovazione proceda in modo responsabile e che i benefici della medicina predittiva siano condivisi in modo equo e alla portata di tutti.

Un numero crescente di app di medicina predittiva affiancherà i medici specialisti nella definizione della diagnosi, attraverso modelli capaci di interpretare i dati biometrici in tempo reale. Parallelamente, chatbot personalizzati supporteranno i pazienti nel gestire al le patologie croniche, offrendo indicazioni quotidiane basate sul loro profilo clinico individuale. Ad oggi, però, la disponibilità di dati clinici strutturati è ancora estremamente limitata. Basti pensare che il più grande database esistente, il dataset MIMIC del MIT di Boston, contiene i dati clinici di circa 250.000 pazienti che si sono presentati al pronto soccorso: una quantità significativa, ma ancora lontanissima dalle esigenze della medicina predittiva su scala globale.

https://mimic.mit.edu/ /

In Europa — Italia compresa — la disponibilità di dati clinici strutturati e utilizzabili è, di fatto, quasi nulla. Esistono certamente frammenti di informazioni cliniche sparsi qua e là, nascosti nei meandri dei portali dei numerosi enti pubblici di controllo, spesso in conflitto tra loro sulla tutela dei diversi diritti (GDPR e normative affini). La maggior parte di queste informazioni è ancora conservata come testo libero, talvolta addirittura scritto manualmente. Figuriamoci arrivare a dati digitali tokenizzati: siamo al nulla del nulla.

Da qui nasce la domanda cruciale: quali strade concrete possiamo percorrere per raccogliere e rendere disponibili dati clinici su larga scala, così da poterli utilizzare per addestrare e valutare modelli di intelligenza artificiale generativa, in particolare i Large Language Model (LLM)? Ad oggi esiste un progetto europeo promettente, ECREAM (https://ecreamproject.eu), guidato da una eccellenza italiana: l’Istituto Mario Negri per la Ricerca Farmacologica. Si stanno tentando di definire protocolli comuni per la raccolta dei dati, come documentato anche qui: https://explore.openaire.eu/search/result?pid=10.5281%2Fzenodo.10996542. Ma anche se si arrivasse — non si sa bene come — a un accordo tra tutti gli attori coinvolti, la metodologia e il format dei dati renderebbero l’elaborazione talmente dispendiosa che solo poche realtà, le più ricche e potenti, potrebbero permettersi di utilizzarli.

Per evitare questo scenario, una soluzione esiste ed è alla portata di tutti, sia economicamente sia tecnicamente: l’anonimizzazione dei dati. È fondamentale chiarire che anonimizzare non significa semplicemente de‑identificare. La de‑identificazione fornisce dati criptati con codici che, tramite una chiave, possono essere ricondotti alla persona. L’anonimizzazione, invece, richiede che i dati siano nativamente anonimi, strutturati in modo tale da impedire qualsiasi procedura di re‑identificazione. Dati anonimi, accessibili e distribuiti gratuitamente a tutti, possono essere utilizzati:

• per scopi di ricerca scientifica,
• e successivamente anche per applicazioni commerciali,
• per addestrare modelli che sfruttano le potenzialità dell’IA generativa,
• fino a realizzare AI Agent di medicina predittiva realmente utili, scalabili e democratici.

Chi sarà in grado di generare e mettere a disposizione dati biometrici tokenizzati non solo acquisirà un enorme potere politico indiretto, ma potrà anche essere remunerato dalla sanità pubblica e beneficiare delle royalty derivanti dalla distribuzione delle diverse app predittive semantiche ai propri utenti, proprio perché quelle app si basano sui dati biometrici di cui tali soggetti sono custodi.

Questo ecosistema rappresenta un modello sostenibile e realmente win‑win per tutti gli attori coinvolti:

• per la sanità pubblica, che riduce drasticamente i costi grazie alla prevenzione predittiva;
• per i soggetti economici, che ricevono una remunerazione chiara e trasparente (ricercatori, sviluppatori, aziende proprietarie delle app predittive, distributori);
• per i cittadini, che ottengono una medicina più disponibile, accessibile e personalizzata.

Si possono donare gli organi ma non la cartella clinica!

La donazione dei dati sanitari seguendo il modello della donazione di organi come un atto volontario, gratuito e anonimo, permetterà di salvare o migliorare la vita sempre più.

Angelo Lazzari

Founder GruppoFIND