17 Casi d'uso dell'IA generativa in ambito sanitario

I sistemi sanitari stanno affrontando volumi di dati in aumento, carenza di personale e aspettative crescenti per cure personalizzate. L'IA generativa sta emergendo come soluzione chiave sintetizzando dati medici non strutturati, come note cliniche, referti di imaging e anamnesi dei pazienti, in approfondimenti per clinici e amministratori.

Scopri come l'IA generativa viene applicata nell'erogazione dell'assistenza sanitaria, nell'amministrazione e nella gestione della salute della popolazione, insieme alle sfide e alle direzioni future che ne determinano l'adozione.

Migliorare l'erogazione dell'assistenza sanitaria

1. Creare nuove immagini mediche

L'IA generativa, in particolare le Reti Generative Avversarie (GAN), può essere addestrata per generare immagini mediche sintetiche che imitano radiografie, risonanze magnetiche e TAC reali. Queste immagini sintetiche hanno diverse applicazioni importanti in ambito sanitario:

• Formazione e istruzione medica: Le immagini generate dall'IA possono essere utilizzate per formare i professionisti sanitari creando dataset diversificati di malattie rare, anomalie o varianti normali che potrebbero non essere sempre presenti nei casi reali.
• Aumento dei dati per i modelli di IA: L'addestramento dei sistemi di IA per diagnosticare le condizioni mediche richiede grandi dataset. L'IA generativa può produrre immagini sintetiche per aumentare i dataset limitati, migliorando così l'accuratezza dei modelli diagnostici senza compromettere la privacy.
• Simulazione e ricerca: Le immagini sintetiche possono aiutare i ricercatori a simulare vari scenari (come la possibile progressione di una malattia) o a testare algoritmi di IA senza attendere nuovi dati dei pazienti. Questo processo può contribuire ad accelerare la ricerca medica.
• De-identificazione dei dati: Generando immagini sintetiche che preservano le caratteristiche cliniche chiave senza rappresentare pazienti reali, i sistemi sanitari possono condividere i dati senza violare le leggi sulla privacy come l'HIPAA.

La ricerca ha dimostrato l'efficacia delle immagini sintetiche nell'analisi dell'imaging medico. Ad esempio, uno studio su Nature Biomedical Engineering ha dimostrato che le immagini retiniche sintetiche generate da GAN erano efficaci quanto le immagini reali nell'addestrare un modello di deep learning per il rilevamento della retinopatia diabetica.

Un altro esempio proviene dallo studio MAISI (Medical IA for Synthetic Imaging), che ha utilizzato modelli di diffusione per generare immagini TAC sintetiche ad alta risoluzione in 3D.

I risultati sperimentali dimostrano che MAISI può generare immagini realistiche e anatomicamente precise in varie regioni e condizioni corporee.

Figura 1: (a) Una TAC ad alta risoluzione generata da MAISI con la sua sovrapposizione di segmentazione, mostrata in vista assiale, sagittale e coronale. (b) Un rendering 3D focalizzato sulle strutture ossee, che evidenzia il realismo della scansione generata.¹

Un altro studio sulla creazione di nuove immagini mediche con modelli di IA generativa si è concentrato su X-Diffusion, un approccio innovativo che ricostruisce scansioni MRI 3D complete utilizzando una o poche fette 2D, accelerando notevolmente i tempi di scansione e riducendo i costi.

A differenza dei metodi tradizionali che si basano su dati 3D completi o trattano le MRI come fette 2D separate, X-Diffusion apprende da volumi 3D completi durante l'addestramento (vedi l'immagine sotto). Supera le tecniche esistenti in termini di qualità e accuratezza dell'immagine, preserva i dettagli anatomici critici e si generalizza persino a nuove regioni corporee su cui non è stato addestrato.

Si prevede che questo sviluppo renderà l'imaging MRI ad alta risoluzione più veloce, più economico e più ampiamente accessibile.

Figura 2: Un confronto tra la ricostruzione MRI tradizionale e X-Diffusion.²

Esempio reale: MedGemma 1.5

MedGemma di Google DeepMind è una raccolta di modelli di IA generativa open-source ottimizzati per la comprensione di testi e immagini mediche, pensata come punto di partenza per gli sviluppatori che creano applicazioni sanitarie.

L'ultima variante da 4B parametri, MedGemma 1.5, estende le capacità del modello all'imaging ad alta dimensionalità come TAC, MRI e istopatologia su vetrino intero, insieme all'analisi longitudinale delle radiografie toraciche e alla localizzazione anatomica. I potenziali casi d'uso includono:

• Imaging medico ad alta dimensionalità: Elaborazione di dati da scansioni TAC, MRI e istopatologia.
• Imaging medico longitudinale: Confronto delle radiografie toraciche con immagini precedenti per monitorare i cambiamenti temporali.
• Comprensione dei documenti medici: Estrazione di dati strutturati da referti di laboratorio e cartelle cliniche elettroniche.
• Classificazione e interpretazione delle immagini mediche: Generazione di referti in radiologia, patologia digitale, dermatologia e oftalmologia.
• Risposta a domande mediche: Supporto per colloqui preclinici, triage e supporto alle decisioni cliniche.

MedGemma è disponibile nelle varianti da 4B (computazionalmente efficiente, multimodale) e 27B (ragionamento complesso), distribuite tramite Hugging Face e Vertex IA di Google Cloud. I modelli non sono destinati all'uso clinico diretto senza una validazione indipendente, e i loro risultati sono considerati preliminari e richiedono una correlazione clinica.³

2. Generare piani di trattamento personalizzati

I modelli di IA generativa possono analizzare l'anamnesi medica completa di un paziente, il profilo genetico, i fattori legati allo stile di vita e persino i dati sanitari in tempo reale (ad esempio, dai dispositivi indossabili come gli smartwatch) per creare piani di trattamento personalizzati. Ecco come funziona:

• Analisi del paziente: I sistemi di IA possono identificare modelli nell'anamnesi di un paziente, come diagnosi passate, risposte ai trattamenti e predisposizioni genetiche. Gli strumenti di IA generativa possono quindi generare un piano di trattamento su misura per le circostanze uniche del paziente.
• Integrazione dei dati in tempo reale: L'IA può raccogliere dati da fonti come dispositivi indossabili, esami di laboratorio e sistemi di monitoraggio continuo. Sulla base di questi dati, il sistema può regolare o generare nuove raccomandazioni terapeutiche per garantire che il paziente sia sempre sul percorso di cura più efficace.
• Trattamento predittivo: Generando modelli che simulano come un paziente potrebbe rispondere a vari trattamenti, gli strumenti di IA generativa possono suggerire opzioni che massimizzano la probabilità di successo. Ad esempio, se un paziente ha una mutazione genetica specifica associata a una scarsa risposta a un farmaco, questi strumenti potrebbero suggerire alternative in anticipo.
• Automazione del processo decisionale complesso: Condizioni complesse come il cancro spesso richiedono trattamenti multimodali che coinvolgono chirurgia, chemioterapia e terapie mirate. Gli strumenti di IA generativa possono assistere creando programmi di trattamento, prevedendo gli effetti collaterali e coordinando l'assistenza multidisciplinare su misura per la condizione in evoluzione del paziente.
• Farmaci personalizzati: L'IA può raccomandare dosaggi personalizzati o farmaci basati sul profilo metabolico del paziente, riducendo il rischio di reazioni avverse ai farmaci o trattamenti inefficienti.

Esempio reale: SensorFM di Google Research

Google Research ha introdotto SensorFM, un modello di fondazione progettato per convertire i dati continui dei sensori indossabili in approfondimenti relativi alla salute. SensorFM apprende una rappresentazione generale della fisiologia umana che può essere adattata a compiti cardiovascolari, metabolici, del sonno, della salute mentale, dello stile di vita e demografici.

Il modello è stato pre-addestrato su oltre un trilione di minuti (o due miliardi di ore) di dati dei sensori de-identificati provenienti da cinque milioni di partecipanti consenzienti. I dati sono stati raccolti in oltre 100 paesi, in tutti i 50 stati degli Stati Uniti, su oltre 20 modelli di Fitbit e Pixel Watch, e includevano diverse settimane di dati per ciascun partecipante.

SensorFM elabora 34 caratteristiche a livello di minuto da cinque tipi di sensori indossabili:

• Fotopletismografia per frequenza cardiaca, variabilità della frequenza cardiaca e misurazioni dell'ossigeno nel sangue
• Accelerometri per movimento, passi e schemi del sonno
• Sensori di attività elettrodermica per misurazioni della conduttanza cutanea
• Sensori di temperatura cutanea
• Altimetri per cambiamenti di altitudine e legati all'attività

Queste misurazioni vengono analizzate su periodi di 24 ore, consentendo al modello di identificare le relazioni tra segnali fisiologici, comportamento ed esiti di salute.

Una sfida importante con i dati indossabili è che sono spesso incompleti perché gli utenti rimuovono i dispositivi, le batterie si scaricano o i singoli sensori si spengono. Invece di scartare i record incompleti o riempire artificialmente le lacune prima dell'addestramento, SensorFM utilizza un metodo di addestramento consapevole delle mancanze. Apprende sia dalle misurazioni disponibili che dalle lacune naturali, rendendolo più adatto ai dati indossabili del mondo reale.

SensorFM è stato anche integrato in un Agente di Salute Personale che ha generato riepiloghi sanitari personalizzati utilizzando dati demografici, metriche giornaliere dei dispositivi indossabili e le previsioni sanitarie del modello.

I clinici hanno valutato i riepiloghi creati per 31 profili di partecipanti attraverso 1.860 valutazioni che coprivano contesto, rilevanza, giustificazione, personalizzazione e potenziale danno. L'aggiunta delle previsioni di SensorFM ha migliorato i riepiloghi in tutti e cinque i criteri rispetto all'uso delle sole metriche standard dei dispositivi indossabili. I ricercatori non hanno inoltre riscontrato differenze statisticamente significative nelle prestazioni tra i riepiloghi supportati dalle previsioni di SensorFM e quelli supportati da misurazioni sanitarie reali.⁴

Esempio reale: Princess Máxima Center per l'Oncologia Pediatrica con Google

In collaborazione con Google, il Princess Máxima Center per l'Oncologia Pediatrica nei Paesi Bassi sta sviluppando un sistema di IA chiamato Capricorn.

Alimentato dai modelli Gemini, lo strumento aiuta i medici a identificare opzioni terapeutiche personalizzate per il cancro analizzando grandi volumi di dati medici pubblici insieme a dati de-identificati dei pazienti.

Capricorn produce rapidamente riepiloghi delle terapie pertinenti e della letteratura scientifica, consentendo ai clinici di condurre discussioni terapeutiche più informate e dettagliate. Guarda il video qui sotto per saperne di più su Capricorn:

Esempio reale: Mayo Clinic con Cerebras Systems

Nel 2024, la Mayo Clinic ha collaborato con Cerebras Systems per sviluppare modelli di IA che analizzano i dati genomici di oltre 100.000 pazienti. Questi modelli mirano a prevedere le risposte individuali ai trattamenti, come la valutazione dell'efficacia del metotrexato nei pazienti con artrite reumatoide, consentendo strategie terapeutiche più mirate.⁵

Supportare l'amministrazione sanitaria

Gli strumenti di IA generativa svolgono un ruolo cruciale nella gestione di varie funzioni amministrative in ambito sanitario. Queste tecnologie possono essere applicate in molteplici aree per migliorare l'efficienza, l'accuratezza e l'erogazione complessiva dell'assistenza sanitaria.

3. Determinazione dei prezzi dei sinistri

Le tecnologie di IA generativa possono supportare la determinazione dei prezzi dei sinistri nei settori assicurativo e sanitario automatizzando la revisione di contratti complessi.

Tradizionalmente, la determinazione del prezzo appropriato per i sinistri richiede un'analisi dettagliata di vari termini contrattuali, condizioni e dettagli di copertura, che può essere soggetta a errori manuali e inefficienze. I modelli di IA possono elaborare rapidamente e accuratamente questi documenti, incrociare le informazioni pertinenti delle polizze e calcolare i prezzi dei sinistri.

Questo processo porta a liquidazioni dei sinistri più rapide e accurate, riducendo al minimo le controversie e migliorando l'efficienza operativa e l'esperienza del cliente nell'erogazione dell'assistenza sanitaria.

4. Navigazione delle linee guida cliniche

L'IA generativa in ambito sanitario consente ai fornitori di confrontare i dati dei pazienti con le linee guida cliniche, migliorando così l'accuratezza diagnostica e gli esiti sanitari. Questi strumenti di IA supportano il processo decisionale clinico sfruttando l'elaborazione del linguaggio naturale per analizzare le cartelle cliniche elettroniche (EHR).

Esempio reale: Sequential Diagnosis Benchmark (SD Bench) di Microsoft

Il Sequential Diagnosis Benchmark (SD Bench) di Microsoft utilizza 304 casi complessi del New England Journal of Medicine per testare come l'IA e i medici affrontano le sfide diagnostiche, pongono domande, ordinano esami e gestiscono i costi.

Centrale in questo è il Microsoft IA Diagnostic Orchestrator (MAI-DxO), che coordina più large language model (come GPT, Llama, Claude, Gemini, Grok e DeepSeek) come un team virtuale di medici per fornire diagnosi accurate e attente ai costi.

MAI-DxO, abbinato a o3 di OpenAI, ha raggiunto un'accuratezza superiore all'85%, superando di gran lunga la media dei medici del 20%, riducendo al contempo i costi dei test non necessari.

Il sistema combina ampiezza e profondità di competenza medica, offrendo il potenziale per ridurre gli sprechi sanitari e dare più potere a clinici e pazienti.⁶

Figura 3: Il grafico che illustra l'orchestrazione multi-agente in SDBench mostra come gli agenti Gatekeeper, Diagnostic e Judge collaborano per gestire le domande diagnostiche e valutare le diagnosi finali rispetto ai registri dei casi NEJM.⁷

Esempio reale: Epic con GPT-4

Nel 2024, Epic ha integrato GPT-4 nel suo sistema di Cartelle Cliniche Elettroniche (EHR) attraverso una partnership con Microsoft. Questa integrazione assiste i clinici fornendo risposte generate dall'IA ai messaggi dei pazienti e suggerendo linee guida cliniche pertinenti, migliorando così il processo decisionale e la comunicazione con i pazienti.⁸

5. Rilevamento frodi

I modelli di IA basati sul machine learning possono identificare modelli nei sinistri e nei dati dei pazienti per migliorare il rilevamento delle frodi. Questi strumenti analizzano immagini mediche, riepiloghi di dimissione e risultati di laboratorio per supportare la capacità del settore sanitario di mitigare le frodi, affrontando al contempo le preoccupazioni sulla privacy dei dati.

6. Analisi delle cartelle cliniche

I modelli di IA generativa in ambito sanitario possono estrarre approfondimenti dalla documentazione clinica non strutturata, come le cartelle cliniche elettroniche e le scansioni TAC. Ciò migliora l'accuratezza diagnostica e la capacità dei fornitori di assistenza sanitaria di prendere decisioni informate.

La tecnologia è anche promettente nell'analisi delle condizioni mediche e degli studi clinici, utilizzando dati di addestramento per perfezionare i modelli in un ambiente controllato.

Esempio reale: Harrison.Rad 1.5 di Harrison.ai

Harrison.ai ha introdotto Harrison.Rad 1.5, un modello di fondazione specifico per la radiologia progettato per generare bozze strutturate di referti da immagini mediche, studi precedenti e contesto clinico.

Il modello può supportare i radiologi:

• Redigendo referti radiologici: Analizza i dati di imaging e genera bozze strutturate di referti nel linguaggio tipico dei radiologi.
• Confrontando scansioni precedenti: Può valutare l'imaging attuale rispetto agli studi precedenti e descrivere i cambiamenti intervenuti.
• Localizzando i reperti anatomici: Identifica i reperti con maggiore specificità anatomica e può includere misurazioni come il rapporto cardiotoracico.
• Gestendo casi complessi: Progettato per ragionare su studi con reperti multipli, inclusi casi di imaging del torace, dell'addome, muscoloscheletrico, della colonna vertebrale e di emergenza.
• Adattando lo stile del referto: Può regolare il linguaggio del referto in base al quesito clinico e al contesto del caso.

Harrison.ai riferisce che Harrison.Rad 1.5 ha raggiunto un punteggio mediano di 86,5 nel benchmark FRCR 2B Short Case, al di sopra del punteggio minimo dichiarato di 73,2. Il modello è stato addestrato su oltre 6 milioni di studi diagnostici e 18 milioni di coppie di istruzioni clinicamente elaborate.

Figura 4: Risultati del benchmark di Harrison.Rad 1.5.⁹

Tuttavia, Harrison.ai osserva che il modello non è stato esaminato, approvato o autorizzato da alcuna autorità regolatoria per l'uso clinico e non dovrebbe sostituire il giudizio clinico professionale.

7. Aumentare l'efficienza amministrativa

Gli strumenti di IA generativa possono aiutare a ridurre il carico amministrativo nel settore sanitario automatizzando attività come la documentazione clinica e la raccolta dati.

L'IA in ambito sanitario aiuta i professionisti medici a concentrarsi sulla cura del paziente, consentendo un'erogazione efficiente dell'assistenza sanitaria e migliorando gli esiti di salute.

Esempio reale: Elsa della Food and Drug Administration (FDA) statunitense

La Food and Drug Administration (FDA) statunitense ha lanciato Elsa, uno strumento di IA generativa progettato per aumentare l'efficienza in tutta l'agenzia, dalle revisioni scientifiche alle ispezioni.

Sviluppato in un ambiente GovCloud sicuro, Elsa garantisce che i dati sensibili del settore rimangano protetti, aiutando al contempo il personale a riassumere gli eventi avversi, accelerare le valutazioni dei protocolli clinici, confrontare le etichette, generare codice e dare priorità alle ispezioni.¹⁰

Mentre i dirigenti ne evidenziano il potenziale per accelerare le approvazioni dei farmaci e supportare le operazioni sanitarie, i dipendenti segnalano frequenti "allucinazioni", studi rappresentati in modo errato e risultati inaffidabili che richiedono un doppio controllo dispendioso in termini di tempo.

Elsa non può accedere alle presentazioni del settore, limitando il suo utilizzo per le revisioni critiche di farmaci e dispositivi, e l'adozione in tutta l'agenzia rimane disomogenea. I funzionari sottolineano che è facoltativo, più utile per compiti organizzativi e ancora in evoluzione, ma i critici avvertono che senza garanzie federali sull'IA, l'implementazione di tali strumenti nella regolamentazione sanitaria rischia di superare la supervisione.¹¹

Esempio reale: Stanford Health Care con DAX Copilot

Stanford Health Care ha adottato DAX Copilot di Nuance, uno strumento basato sull'IA di Microsoft, per automatizzare la documentazione clinica durante le visite dei pazienti. Questa tecnologia riduce i carichi amministrativi, contribuendo ad affrontare il burnout dei medici e migliorando al contempo l'accesso alle cure e la qualità della documentazione.

Utilizzando l'IA ambientale e generativa, DAX Copilot genera note cliniche dalle conversazioni degli esami, consentendo ai medici di trascorrere più tempo con i pazienti. I primi risultati mostrano un'elevata soddisfazione dei medici e un risparmio di tempo.

Esempio reale: Oscar Health

Oscar Health integra l'IA generativa, in particolare o1-preview, in molteplici funzioni amministrative per migliorare l'efficienza e l'accuratezza. Automatizza la determinazione dei prezzi dei sinistri esaminando contratti complessi, assiste i clinici confrontando i dati dei pazienti con le linee guida cliniche e migliora il rilevamento delle frodi identificando anomalie nei sinistri.

Inoltre, Oscar IA estrae approfondimenti preziosi dai dati clinici non strutturati, come le cartelle cliniche elettroniche, migliorando la precisione diagnostica.

Automatizzando le attività amministrative come la documentazione clinica, Oscar IA riduce il carico sui fornitori di assistenza sanitaria, consentendo loro di concentrarsi maggiormente sulla cura del paziente e migliorando l'erogazione dell'assistenza sanitaria.¹²

Gestione della salute della popolazione

L'IA generativa può migliorare significativamente la gestione della salute della popolazione fornendo approfondimenti più dettagliati sulle tendenze demografiche e consentendo la progettazione di interventi mirati:

8. Accesso a informazioni demografiche più dettagliate

Sintetizzando i dati da più fonti, come le cartelle cliniche elettroniche (EHR), i sinistri assicurativi, i determinanti sociali della salute e i database di sanità pubblica, l'IA fornisce una visione completa delle dinamiche di salute della popolazione.

Nelle aree con dati sanitari scarsi (ad esempio, comunità rurali o svantaggiate), l'IA generativa può anche generare dati sintetici realistici per colmare le lacune, fornendo un quadro più completo della salute della popolazione e informando le strategie di intervento.

9. Prevedere le tendenze sanitarie

I modelli di IA possono prevedere le tendenze sanitarie in diversi gruppi demografici, prevedendo la probabilità di malattie croniche o focolai. Ciò consente ai responsabili politici di anticipare le esigenze sanitarie e allocare le risorse in modo efficace.

10. Segmentazione e personalizzazione

I profili generati dall'IA di diversi segmenti di popolazione aiutano a identificare i gruppi ad alto rischio o le comunità che richiedono un'attenzione specializzata. Questa intuizione può aiutare a indirizzare gli interventi in base a fattori come età, etnia, reddito o geografia.

Esempio reale: Diagnostic Robotics

La piattaforma di gestione della salute della popolazione basata sull'IA di Diagnostic Robotics consente l'assistenza basata sul valore identificando i pazienti a rischio di condizioni prevenibili. L'analisi predittiva consente di individuare le lacune assistenziali e gli interventi proattivi.

Si integra inoltre con i piani sanitari per migliorare i flussi di lavoro della gestione assistenziale, ridurre i costi e migliorare il ROI, ottenendo un ritorno di 2,9x. La piattaforma supporta migliori esiti di salute, come una riduzione del 25% dei tassi di eventi nei pronto soccorso.¹³

Progettare iniziative di sanità pubblica mirate

L'IA generativa può anche aiutare a progettare campagne di sanità pubblica più efficaci e mirate, adattate alle esigenze specifiche delle comunità svantaggiate o vulnerabili:

11. Campagne personalizzate

L'IA può analizzare i fattori demografici e culturali per creare messaggi di sanità pubblica personalizzati per campagne come la cessazione del fumo, la vaccinazione e la prevenzione delle malattie, assicurando che risuonino con le diverse popolazioni.

12. Ottimizzare l'allocazione delle risorse

Simulando vari scenari di sanità pubblica, l'IA aiuta i responsabili politici a valutare l'impatto di diversi interventi e ad allocare le risorse dove sono più necessarie, in particolare nelle aree difficili da raggiungere.

13. Affrontare le disparità sanitarie e aumentare l'accesso all'assistenza sanitaria

L'IA può identificare le disparità sanitarie nascoste analizzando come i determinanti sociali della salute (come reddito, istruzione o alloggio) influenzano le varie popolazioni. Questa intuizione può guidare le iniziative per ridurre le disparità e migliorare l'accesso alle cure preventive.

Gli strumenti di IA possono anche identificare le aree che hanno più bisogno di infrastrutture sanitarie, guidando il posizionamento di cliniche, servizi di telemedicina o unità sanitarie mobili.

14. Personalizzare i programmi di cure preventive

L'analisi guidata dall'IA può progettare programmi di cure preventive, come screening per condizioni croniche, mirati alle popolazioni a rischio, portando a interventi più precoci e a costi sanitari ridotti a lungo termine.

15. Migliorare l'educazione e la consapevolezza sanitaria

L'IA generativa può simulare diversi approcci all'erogazione dell'educazione sanitaria, aiutando a sviluppare strategie culturalmente sensibili che siano ben accolte in tutte le comunità.

Esempio reale: Google Health con Northwestern Medicine

Google Health sta conducendo uno studio con Northwestern Medicine per valutare l'efficacia dell'IA nello screening del tumore al seno. Il modello di IA contrassegna le mammografie ad alto rischio per una revisione immediata da parte del radiologo, potenzialmente accelerando la diagnosi. Le donne contrassegnate dall'IA possono ricevere ulteriori immagini lo stesso giorno, il che dovrebbe ridurre il periodo di attesa tipico.

Questo approccio dimostra la capacità dell'IA di eguagliare o superare l'accuratezza dei clinici nell'analisi delle mammografie e creare piani di trattamento personalizzati di conseguenza.

Ricerca e sviluppo

16. Supportare la ricerca medica

L'IA generativa supporta la ricerca medica in ambito sanitario assistendo i ricercatori nella generazione di ipotesi, nella sintesi di grandi volumi di letteratura scientifica, nella progettazione di esperimenti e nell'identificazione di potenziali bersagli terapeutici o opportunità di riposizionamento dei farmaci.

Aumentando l'esperienza umana con il ragionamento computazionale e l'analisi iterativa, gli strumenti di IA generativa possono accelerare i processi di scoperta consentendo ai ricercatori di concentrarsi su interpretazione, validazione e rilevanza clinica.

Esempio reale: IA co-scientist di Google Research

Google Research ha introdotto un IA co-scientist, un sistema di intelligenza artificiale multi-agente costruito sul modello Gemini 2.0 per fungere da collaboratore di ricerca virtuale per gli scienziati.

Il sistema è destinato a supportare il processo scientifico aiutando i ricercatori a generare nuove ipotesi, creare piani di ricerca dettagliati e proporre approcci sperimentali su misura per obiettivi specifici.

L'IA co-scientist utilizza una coalizione di agenti specializzati per generare, valutare e perfezionare iterativamente le idee, rispecchiando aspetti del metodo scientifico, e può integrare strumenti come la ricerca web e il feedback degli esperti per migliorare i risultati.

I primi esperimenti dimostrano la sua utilità per compiti biomedici, tra cui il riposizionamento dei farmaci, l'identificazione di bersagli terapeutici e la delucidazione dei meccanismi di resistenza antimicrobica. Ciò suggerisce che il sistema può accelerare alcuni aspetti della ricerca, pur rimanendo uno strumento collaborativo piuttosto che un sostituto automatizzato per gli scienziati umani.

Figura 5: Immagine che mostra i componenti del sistema multi-agente IA co-scientist e la struttura delle sue interazioni con lo scienziato.¹⁴

17. Scoperta e sviluppo di farmaci

L'IA generativa migliora la capacità dei ricercatori di esplorare e interpretare sistemi biologici complessi, contribuendo così alla scoperta di farmaci.

Può generare ipotesi sui meccanismi delle malattie, prevedere il comportamento molecolare e supportare la progettazione e la prioritizzazione dei candidati farmaci. Combinando i metodi tradizionali di laboratorio e computazionali, l'IA generativa aiuta a ridurre i cicli di sperimentazione e supporta uno sviluppo più efficiente di nuove terapie.

Esempio reale: Google Cloud con Ginkgo Bioworks

Google Cloud e Ginkgo Bioworks hanno collaborato per lanciare un nuovo large language model (LLM) proteico e una API di supporto, progettati per supportare il processo di scoperta dei farmaci.

Costruiti sulla piattaforma Vertex IA di Google Cloud, questi strumenti utilizzano i dati biologici di Ginkgo per aiutare i ricercatori ad analizzare le strutture e le interazioni delle proteine. Questo approccio consente alle aziende farmaceutiche e biotecnologiche di accelerare l'identificazione di bersagli terapeutici, migliorando al contempo lo sviluppo di nuovi farmaci.¹⁵

Quali sono alcune potenziali sfide dell'IA generativa in ambito sanitario?

Sebbene ci siano molti potenziali benefici nell'uso dell'IA generativa in ambito sanitario, ci sono anche alcune possibili sfide e svantaggi. Alcuni esempi includono:

• Privacy e sicurezza: La privacy dei pazienti è rigorosamente regolamentata. L'uso dell'IA generativa in ambito sanitario solleva anche preoccupazioni sulla protezione della privacy dei pazienti e dei dati medici sensibili, nonché sul potenziale uso improprio o accesso non autorizzato ai dati sanitari.
• Pregiudizi e discriminazione: Gli algoritmi di IA generativa possono essere soggetti a pregiudizi e discriminazione, specialmente quando addestrati su dati sanitari che non sono rappresentativi della popolazione che intendono servire. Ciò può portare a diagnosi mediche o piani di trattamento ingiusti o imprecisi per gruppi svantaggiati, come le donne o le razze non bianche.
• Uso improprio ed eccessivo affidamento: Se gli algoritmi di IA generativa vengono utilizzati in modo improprio o se si fa eccessivo affidamento su di essi, possono portare a decisioni mediche errate o dannose. Inoltre, esiste il rischio che i fornitori di assistenza sanitaria possano diventare eccessivamente dipendenti da questi algoritmi, perdendo la capacità di esprimere giudizi indipendenti.
• Considerazioni etiche: L'uso dell'IA generativa in ambito sanitario solleva diverse preoccupazioni etiche, inclusi i potenziali impatti sull'occupazione nel settore sanitario.

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

Il futuro dell'IA generativa e il suo impatto sull'assistenza sanitaria

Il futuro dell'IA generativa in ambito sanitario sarà probabilmente molto significativo poiché la tecnologia continua ad avanzare e a essere sempre più adottata. Alcuni potenziali sviluppi futuri includono:

• Algoritmi più sofisticati: È probabile che gli algoritmi di machine learning diventino sempre più raffinati, con una maggiore capacità di analizzare grandi quantità di dati sanitari e identificare modelli e tendenze. Ciò consentirà ai fornitori di assistenza sanitaria di effettuare diagnosi e piani di trattamento più accurati e personalizzati.
• Migliore integrazione con altre tecnologie: L'IA generativa sarà probabilmente integrata con altre tecnologie (ad esempio, imaging medico e dispositivi sanitari indossabili) per fornire un'assistenza ai pazienti più completa e personalizzata.
• Maggiore collaborazione: Si prevede un aumento della collaborazione tra fornitori di assistenza sanitaria, ricercatori e aziende tecnologiche per sviluppare e implementare algoritmi di IA generativa in ambito sanitario.

FAQ

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{17 Casi d'uso dell'IA generativa in ambito sanitario}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/generative-ai-healthcare}},
  note   = {AIMultiple. Consultato il 16 Luglio 2026}
}

Collegamenti di riferimento

1.

https://arxiv.org/pdf/2409.11169

2.

https://arxiv.org/pdf/2404.19604

3.

MedGemma — Google DeepMind

4.

SensorFM: Towards a general intelligence and interface for wearable health data

5.

JPM24: Mayo Clinic details AI plans, new partnership

Fierce Healthcare

6.

The Path to Medical Superintelligence | Microsoft AI

Microsoft AI

7.

https://arxiv.org/pdf/2506.22405

8.

Epic to Integrate GPT-4 into Its EHR Through Expanded Microsoft Partnership - MedCity News

9.

Harrison.ai Radiology Foundation Model — AI Imaging Innovation

Harrison.ai

10.

FDA Project Elsa: How AI Targets High-Risk Inspections | IntuitionLabs

IntuitionLabs

11.

FDA’s artificial intelligence is supposed to revolutionize drug approvals. It’s making up nonexistent studies. | CNN Politics

CNN

12.

Oscar Health’s early observations on OpenAI o1-preview — OscarAI

13.

Diagnostic Robotics | AI-Powered Population Health Management

14.

Accelerating scientific breakthroughs with an AI co-scientist

15.

Exclusive: Google Cloud And Ginkgo Bioworks Partner To Launch New Protein LLM and API

Forbes

Cem Dilmegani

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017. AIMultiple fornisce informazioni a centinaia di migliaia di aziende (secondo SimilarWeb), tra cui il 55% delle aziende Fortune 500, ogni mese. Il lavoro di Cem è stato citato da importanti pubblicazioni globali come Business Insider, Forbes, Washington Post, società globali come Deloitte e HPE, ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione Europea. È possibile consultare l'elenco di altre aziende e risorse autorevoli che hanno citato AIMultiple. Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, responsabile acquisti tecnologici e imprenditore nel settore tecnologico. Ha fornito consulenza alle aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un report di McKinsey sulla digitalizzazione. Ha guidato la strategia tecnologica e gli acquisti di un'azienda di telecomunicazioni, riportando direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da zero in soli 2 anni. Il lavoro di Cem in Hypatos è stato oggetto di articoli su importanti pubblicazioni tecnologiche come TechCrunch e Business Insider. Cem partecipa regolarmente come relatore a conferenze internazionali di settore. Si è laureato in ingegneria informatica presso l'Università di Bogazici e ha conseguito un MBA presso la Columbia Business School.

Visualizza il profilo completo

Ricercato da

Sıla Ermut

Analista di settore

Segui

Sıla Ermut è un'analista di settore presso AIMultiple specializzata in email marketing e video di vendita. In precedenza ha lavorato come recruiter in società di project management e consulenza. Sıla possiede una Laurea Magistrale in Psicologia Sociale e una Laurea triennale in Relazioni Internazionali.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento