17 Casi d'uso dell'IA generativa in sanità

I sistemi sanitari stanno affrontando un aumento dei volumi di dati, carenze di personale e crescenti aspettative di assistenza personalizzata. L'IA generativa sta emergendo come soluzione chiave sintetizzando dati medici non strutturati, come note cliniche, referti di imaging e storie 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 plasmano l'adozione.

Migliorare l'erogazione dell'assistenza sanitaria

1. Creare nuove immagini mediche

L'IA generativa, in particolare le Generative Adversarial Networks (GAN), può essere addestrata a generare immagini mediche sintetiche che imitano radiografie, risonanze magnetiche e scansioni TC del mondo reale. Queste immagini sintetiche hanno diverse applicazioni importanti in ambito sanitario:

• Formazione medica e istruzione: 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.
• Data augmentation per i model di IA: addestrare i sistemi di IA a diagnosticare condizioni mediche richiede grandi dataset. L'IA generativa può produrre immagini sintetiche per aumentare dataset limitati, migliorando così l'accuratezza dei model diagnostici senza compromettere la privacy.
• Simulazione e ricerca: le immagini sintetiche possono aiutare i ricercatori a simulare vari scenari (ad esempio come potrebbe progredire 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 HIPAA.

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

Un altro esempio proviene dallo studio MAISI (Medical IA for Synthetic Imaging), che ha utilizzato diffusion model per generare immagini TC sintetiche ad alta risoluzione 3D.

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

Figura 1: (a) Una scansione TC ad alta risoluzione generata da MAISI con la relativa sovrapposizione di segmentazione, mostrata nelle viste 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 model 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 scansioni MRI come fette 2D separate, X-Diffusion apprende da interi volumi 3D durante l'addestramento (vedi l'immagine sotto). Supera le tecniche esistenti in termini di qualità dell'immagine e accuratezza, preserva dettagli anatomici critici e 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

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

La più recente variante da 4B parametri, MedGemma 1.5, estende le capacità del model all'imaging ad alta dimensionalità come TC, MRI e istopatologia whole-slide, insieme all'analisi longitudinale delle radiografie toraciche e alla localizzazione anatomica. I potenziali casi d'uso includono:

• Imaging medico ad alta dimensionalità: elaborazione dei dati provenienti da scansioni TC, MRI e istopatologiche.
• 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 ai colloqui preclinici, al triage e al supporto alle decisioni cliniche.

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

2. Generare piani di trattamento personalizzati

I model di IA generativa possono analizzare la storia medica completa di un paziente, il profilo genetico, i fattori dello stile di vita e persino i dati sanitari in tempo reale (ad esempio da dispositivi indossabili come smartwatch) per creare piani di trattamento personalizzati. Ecco come funziona:

• Analisi del paziente: i sistemi di IA possono identificare modelli nella storia del paziente, come diagnosi pregresse, 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 acquisire dati da fonti come dispositivi indossabili, esami di laboratorio e sistemi di monitoraggio continuo. Sulla base di questi dati, il sistema può adattare o generare nuove raccomandazioni terapeutiche per garantire che il paziente segua sempre il percorso di trattamento più efficace.
• Trattamento predittivo: generando model 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 possono suggerire alternative in anticipo.
• Automatizzazione delle decisioni complesse: condizioni complesse come il cancro richiedono spesso trattamenti multimodali che comprendono chirurgia, chemioterapia e terapie mirate. Gli strumenti di IA generativa possono assistere creando programmi di trattamento, prevedendo gli effetti collaterali e coordinando un'assistenza multidisciplinare su misura per la condizione in evoluzione del paziente.
• Farmaci personalizzati: l'IA può raccomandare dosaggi personalizzati o tipi di farmaci in base al profilo metabolico del paziente, riducendo il rischio di reazioni avverse ai farmaci o di trattamenti inefficaci.

Esempio reale: il SensorFM di Google Research

Google Research ha presentato SensorFM, un foundation model progettato per convertire i dati continui dei sensori indossabili in informazioni relative alla salute. SensorFM apprende una rappresentazione generale della fisiologia umana che può essere adattata a compiti cardiovascolari, metabolici, del sonno, di salute mentale, stile di vita e demografici.

Il model è stato pre-addestrato su più di 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 più di 100 paesi, in tutti i 50 stati degli Stati Uniti, su oltre 20 dispositivi 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 le misurazioni di frequenza cardiaca, variabilità della frequenza cardiaca e ossigeno nel sangue
• Accelerometri per movimento, passi e ritmi del sonno
• Sensori di attività elettrodermica per le misurazioni della conduttanza cutanea
• Sensori di temperatura cutanea
• Altimetri per altitudine e cambiamenti legati all'attività

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

Una delle principali sfide dei dati dei dispositivi 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 colmare artificialmente le lacune prima dell'addestramento, SensorFM utilizza un metodo di addestramento consapevole delle lacune. Apprende sia dalle misurazioni disponibili sia dalle lacune naturali, risultando più adatto ai dati reali dei dispositivi indossabili.

SensorFM è stato inoltre integrato in un Personal Health Agent che generava riepiloghi personalizzati della salute utilizzando dati demografici, metriche quotidiane dei dispositivi indossabili e le previsioni sulla salute del model.

I clinici hanno valutato i riepiloghi creati per 31 profili di partecipanti attraverso 1.860 valutazioni che coprivano contesto, pertinenza, 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 inoltre non hanno riscontrato differenze di prestazioni statisticamente significative tra i riepiloghi supportati dalle previsioni di SensorFM e quelli supportati dalle misurazioni sanitarie effettive.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 model Gemini, lo strumento aiuta i medici a identificare opzioni terapeutiche personalizzate contro il cancro analizzando grandi volumi di dati medici pubblici insieme a dati dei pazienti de-identificati.

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 model di IA che analizzano i dati genomici di oltre 100.000 pazienti. Questi model mirano a prevedere le risposte individuali ai trattamenti, ad esempio valutando l'efficacia del metotrexato nei pazienti con artrite reumatoide, consentendo strategie terapeutiche più personalizzate.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 efficienza, accuratezza e l'erogazione complessiva dell'assistenza sanitaria.

3. Tariffazione dei sinistri

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

Tradizionalmente, la determinazione della tariffazione appropriata per i sinistri richiede un'analisi dettagliata di vari termini contrattuali, condizioni e dettagli di copertura, che possono essere soggetti a errori manuali e inefficienze. I model di IA possono elaborare rapidamente e con precisione questi documenti, incrociare le informazioni rilevanti 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 sanità 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: il Sequential Diagnosis Benchmark (SD Bench) di Microsoft

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

Al centro di tutto c'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 degli esami non necessari.

Il sistema combina ampiezza e profondità delle competenze mediche, offrendo il potenziale per ridurre gli sprechi sanitari e dare maggiore 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 collaborino per gestire le domande diagnostiche e valutare le diagnosi finali rispetto alle cartelle cliniche del 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 delle frodi

I model 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, lettere di dimissione e risultati di laboratorio per supportare la capacità del settore sanitario di mitigare le frodi, affrontando al contempo le preoccupazioni relative alla privacy dei dati.

6. Analisi delle cartelle cliniche

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

La tecnologia è inoltre promettente nell'analisi delle condizioni mediche e delle sperimentazioni cliniche, utilizzando i dati di addestramento per effettuare il fine-tuning dei model in un ambiente controllato.

Esempio reale: Harrison.Rad 1.5 di Harrison.ai

Harrison.ai ha presentato Harrison.Rad 1.5, un foundation model specifico per la radiologia progettato per generare bozze strutturate di referti a partire da immagini mediche, studi precedenti e contesto clinico.

Il model può supportare i radiologi:

• Stesura di referti radiologici: analizza i dati di imaging e genera bozze strutturate di referti nel linguaggio tipico del radiologo.
• Confronto con scansioni precedenti: può valutare l'imaging attuale rispetto a studi precedenti e descrivere i cambiamenti nel tempo.
• Localizzazione dei reperti anatomici: identifica i reperti con maggiore specificità anatomica e può includere misurazioni come l'indice cardiotoracico.
• Gestione di casi complessi: progettato per ragionare su studi con reperti multipli, inclusi casi di imaging toracico, addominale, muscoloscheletrico, della colonna vertebrale e di emergenza.
• Adattamento dello stile del referto: può adattare il linguaggio del referto in base al quesito clinico e al contesto del caso.

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

Figura 4: risultati benchmark di Harrison.Rad 1.5.⁹

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

7. Aumentare l'efficienza amministrativa

Gli strumenti di IA generativa possono contribuire a ridurre l'onere amministrativo nel settore sanitario automatizzando attività come la documentazione clinica e la raccolta dati.

L'IA in sanità aiuta i professionisti medici a concentrarsi sulla cura dei pazienti, 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 sottolineano il potenziale per accelerare le approvazioni dei farmaci e supportare le operazioni sanitarie, i dipendenti segnalano frequenti «allucinazioni», studi travisati e output inaffidabili che richiedono lunghi e laboriosi controlli.

Elsa non può accedere alle presentazioni del settore, limitandone l'uso per le revisioni critiche di farmaci e dispositivi, e l'adozione all'interno dell'agenzia rimane disomogenea. I funzionari sottolineano che è facoltativo, più prezioso per i compiti organizzativi e ancora in evoluzione, ma i critici avvertono che, senza garanzie federali sull'IA, l'impiego 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 gli oneri amministrativi, contribuendo ad affrontare il burnout dei medici e migliorando l'accesso alle cure e la qualità della documentazione.

Utilizzando l'IA ambientale e generativa, DAX Copilot genera note cliniche dalle conversazioni durante le visite, 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 efficienza e accuratezza. Automatizza la tariffazione 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 informazioni preziose 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 l'onere per i fornitori di assistenza sanitaria, consentendo loro di concentrarsi maggiormente sulla cura dei pazienti 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 dati da più fonti, come cartelle cliniche elettroniche (EHR), richieste di rimborso assicurative, determinanti sociali della salute e banche dati 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 scarsamente servite), 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. Previsione delle tendenze sanitarie

I model 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 gruppi o comunità ad alto rischio che richiedono un'attenzione specializzata. Questa analisi può aiutare a indirizzare gli interventi in base a fattori come età, etnia, reddito o area geografica.

Esempio reale: Diagnostic Robotics

La piattaforma di gestione della salute della popolazione basata sull'IA di Diagnostic Robotics consente un'assistenza basata sul valore identificando i pazienti a rischio di condizioni prevenibili. L'analisi predittiva aiuta a individuare lacune assistenziali e interventi proattivi.¹³

Progettare iniziative di sanità pubblica mirate

L'IA generativa può inoltre contribuire 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 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, garantendo che risuonino con popolazioni diverse.

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 condizioni abitative) influenzano le diverse popolazioni. Questa analisi può guidare iniziative per ridurre le disparità e migliorare l'accesso all'assistenza preventiva.

Gli strumenti di IA possono inoltre identificare le aree che hanno maggiormente bisogno di infrastrutture sanitarie, guidando la collocazione di cliniche, servizi di telemedicina o unità sanitarie mobili.

14. Personalizzare i programmi di assistenza preventiva

L'analisi guidata dall'IA può progettare programmi di assistenza preventiva, come screening per condizioni croniche, indirizzati alle popolazioni a rischio, portando a interventi più precoci e a una riduzione dei costi sanitari a lungo termine.

15. Migliorare l'educazione e la consapevolezza sanitaria

L'IA generativa può simulare diversi approcci per erogare l'educazione sanitaria, contribuendo a sviluppare strategie culturalmente sensibili e ben accolte nelle diverse 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 cancro al seno. Il model di IA segnala le mammografie ad alto rischio per una revisione immediata da parte del radiologo, accelerando potenzialmente la diagnosi. Le donne segnalate dall'IA possono ricevere ulteriori esami di imaging in giornata, il che dovrebbe ridurre i tempi di attesa tipici.

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

Ricerca e sviluppo

16. Supportare la ricerca medica

L'IA generativa supporta la ricerca medica in sanità aiutando i ricercatori a generare ipotesi, sintetizzare grandi volumi di letteratura scientifica, progettare esperimenti e identificare potenziali bersagli terapeutici o opportunità di riposizionamento dei farmaci.

Integrando le competenze umane 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, convalida e rilevanza clinica.

Esempio reale: l'IA co-scientist di Google Research

Google Research ha presentato un IA co-scientist, un sistema di intelligenza artificiale multi-agente costruito sul Gemini 2.0 model 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 adattati a 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 di esperti per migliorare gli output.

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

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

17. Scoperta e sviluppo di farmaci

L'IA generativa potenzia la capacità dei ricercatori di esplorare e interpretare sistemi biologici complessi, il che contribuisce alla scoperta di farmaci.

Può generare ipotesi sui meccanismi delle malattie, prevedere il comportamento molecolare e supportare la progettazione e la definizione delle priorità dei candidati farmaci. Combinando metodi di laboratorio tradizionali e computazionali, l'IA generativa contribuisce 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.

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

Quali sono alcune potenziali sfide dell'IA generativa in sanità?

Sebbene vi siano molti potenziali benefici nell'uso dell'IA generativa in sanità, esistono 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 sanità solleva inoltre 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 discriminazioni, soprattutto quando sono addestrati su dati sanitari non rappresentativi della popolazione a cui sono destinati. Ciò può portare a diagnosi mediche o piani di trattamento ingiusti o inaccurati per i gruppi svantaggiati, come le donne o le persone di etnie 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 diventino eccessivamente dipendenti da questi algoritmi, perdendo la capacità di formulare giudizi indipendenti.
• Considerazioni etiche: l'uso dell'IA generativa in sanità 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 sulla sanità

È probabile che il futuro dell'IA generativa in sanità sia estremamente significativo, poiché la tecnologia continua a progredire e a essere adottata sempre più ampiamente. Alcuni possibili 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 formulare 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 sanità}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/generative-ai-healthcare}},
  note   = {AIMultiple. Consultato il 16 Luglio 2026}
}

Registro delle modifiche

7 aggiornamenti

1. 202622 Gen

   Rimossa la collaborazione tra Google Cloud e Ginkgo Bioworks dalla sezione Piani di trattamento personalizzati.

2. 20251 Lug

   Aggiunto un esempio reale alla sezione Navigazione delle linee guida cliniche.

3. 13 Giu

   Aggiunti due studi, MAISI e X-Diffusion, alla sezione "Crea nuove immagini mediche".

4. 202425 Set

   Espansa la sezione "Quali sono i casi d'uso dell'IA generativa nell'assistenza sanitaria?" con nuovi casi d'uso.

5. 202310 Ago

   Rimossa una sezione su un meetup di Atlanta.

6. 23 Feb

   Aggiunta una sezione sulla disinformazione e un invito a un evento.

7. 202219 Dic

   Rimossi i dati sulle dimensioni del mercato e sul tasso di crescita dall'introduzione.

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 Enablement for Healthcare

Diagnostic Robotics

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.

Il lavoro di Cem presso AIMultiple è stato citato da importanti testate internazionali tra cui Business Insider, Forbes, Morning Brew e Washington Post, da aziende globali come Deloitte e HPE, da ONG come il World Economic Forum e da organizzazioni sovranazionali come la Commissione europea. [1], [2], [3], [4], [5]

Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, acquirente tecnologico e imprenditore tecnologico. Ha consigliato le aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per più di un decennio. Ha inoltre pubblicato un report McKinsey sulla digitalizzazione.

Ha guidato la strategia tecnologica e gli approvvigionamenti di una società di telecomunicazioni rispondendo direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto ricavi ricorrenti annuali a 7 cifre e una valutazione a 9 cifre partendo da zero in 2 anni. Il lavoro di Cem in Hypatos è stato ripreso da importanti testate tecnologiche come TechCrunch e Business Insider.

Cem interviene regolarmente a conferenze tecnologiche internazionali. Si è laureato come ingegnere informatico presso l'Università di Bogazici e possiede un MBA della Columbia Business School.

Visualizza il profilo completo

Ricercato da

Sıla Ermut

Analista di settore

Segui

Sıla Ermut è un'analista di settore presso AIMultiple e si occupa di modelli di IA, infrastrutture di IA, governance dell'IA e applicazioni aziendali dell'IA. La sua ricerca si concentra principalmente sull'uso dell'IA nel marketing, nella sanità, nelle catene di approvvigionamento e nella sostenibilità.
In precedenza ha lavorato come reclutatrice in società di project management e consulenza. Sıla ha conseguito un Master of Science in Psicologia Sociale e un Bachelor of Arts 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