Nel 2024 più di 70 aziende di IA sanitaria hanno ottenuto l’autorizzazione della FDA. Nel mondo, gli investimenti nell’IA clinica hanno superato i 15 miliardi di dollari. Non c’è grande sistema sanitario che non abbia annunciato una strategia sull’IA.
Eppure il numero di pazienti che negli ospedali americani si aggravano senza alcun preavviso non è cambiato in modo apprezzabile. Per accorgersi di una malattia renale cronica ci vogliono ancora anni. Gli errori diagnostici colpiscono ancora, secondo le stime, 12 milioni di adulti americani all’anno nell’assistenza ambulatoriale. E quando cambiamo medico ci chiedono ancora di ricordare a memoria i farmaci che prendiamo.
C’è qualcosa che non va nell’impostazione.
Che cosa fa davvero gran parte dell’IA sanitaria
La maggior parte dei prodotti di IA clinica riassume note, classifica immagini o fa scattare un alert quando un valore supera una soglia. Tutte cose utili. Tutti wrapper. Prendono i dati clinici nella forma in cui già esistono, li fanno passare per un modello e presentano un risultato. I dati di partenza non sono cambiati. Non è cambiato il modo in cui il sistema rappresenta il paziente.
Una radiologa che legge una radiografia del torace con l’aiuto dell’IA sta comunque leggendo un’immagine sola, di un solo momento. L’IA può trovarle un nodulo che le sarebbe sfuggito, e questo ha un valore reale. Ma non può dirle che la funzionalità respiratoria di quel paziente è calata in cinque prove nell’arco di tre anni, che il calo ha accelerato dopo un cambio di terapia otto mesi fa, e che la traiettoria punta verso una BPCO entro diciotto mesi. Quell’informazione esiste. È sparsa tra curanti diversi e anni diversi. Nessun wrapper ci arriva, perché un wrapper vede soltanto la visita in corso.
In quasi tutta l’IA clinica l’unità di analisi è una visita. Una nota. Un’immagine. Nella malattia umana sono gli anni. Finché le due misure non coincideranno, l’IA in sanità continuerà a dare risposte più rapide alle domande sbagliate.
Nella malattia umana l’unità di analisi sono gli anni.
La trappola della velocità
Il vantaggio che tutti citano è la velocità. Riassumere una lettera di dimissione in pochi secondi. Preparare una richiesta di consulenza mentre il medico finisce di parlare con il paziente. Estrarre all’istante le diagnosi dal testo libero.
Il burnout dei medici è reale. Il peso della documentazione è schiacciante. Qualunque cosa restituisca tempo alla cura ha valore. Ma la velocità sulla stessa infrastruttura risolve un problema di efficienza. La dottoressa che riceve dall’IA un riassunto perfetto della visita di oggi continua a non sapere che la creatinina della sua paziente sale da due anni, misurata da tre curanti diversi. Il riassunto è più veloce. Il quadro clinico è identico.
I sistemi sanitari adottano un’IA che rende più veloci i flussi di lavoro, registrano guadagni di produttività e dichiarano riuscita la loro strategia sull’IA. Intanto la distanza tra il momento in cui la malattia comincia e quello in cui la si scopre non si è accorciata. Il sistema va più veloce, nella stessa direzione. Nessuno si è chiesto se la direzione sia quella giusta.
Perché il settore costruisce wrapper
Costruire wrapper è una scelta razionale. Si prende un modello preaddestrato, lo si affina su testi clinici e in pochi mesi il prodotto è sul mercato. La validazione è semplice: entra una nota, esce un riassunto. La vendita è collaudata: “Ci colleghiamo alla vostra cartella elettronica e la rendiamo più intelligente.” Nessuna conversazione difficile sull’architettura dei dati. Nessuno stravolgimento dei flussi di lavoro.
Costruire qualcosa che legga la salute nel tempo è tutt’altra impresa. Bisogna rappresentare il paziente lungo gli anni e attraverso i curanti, costruire un ragionamento clinico che lavori sulla direzione anziché sulla posizione, validarlo in centinaia di centri, e convincere gli ospedali che scoprire una malattia due anni prima giustifica un’integrazione più profonda di un plugin che fa riassunti.
Richiede più tempo, costa di più e impone conversazioni che la maggior parte dei team non è attrezzata ad affrontare. Ma è anche l’unico approccio che affronta il vero vuoto clinico.
La scatola nera peggiora le cose
Oltre a essere un wrapper, quasi tutta l’IA clinica funziona come una scatola nera. Un modello assorbe dati e restituisce un risultato. Il medico non vede il ragionamento. Non può chiedersi quali dati abbiano portato alla conclusione. Non può applicare il proprio giudizio ai passaggi intermedi, perché passaggi intermedi visibili non ce ne sono.
Nella pratica i clinici trattano questi risultati come trattano le centinaia di altri alert della cartella elettronica: con sospetto, e con il riflesso ormai acquisito di chiuderli. I sistemi opachi si attestano stabilmente su un coinvolgimento del 10-15 per cento. Il sistema lancia l’allerta. Il clinico la ignora. L’IA gira, ma dal punto di vista clinico è inerte.
I sistemi che hanno superato l’80 per cento di coinvolgimento dei clinici hanno una cosa in comune: il ragionamento è visibile. Il clinico vede che cosa ha determinato la valutazione e può dissentire su punti precisi. Senza questo, l’adozione non arriva. L’ho vista non arrivare per anni, prima di cominciare a costruire.
Che aspetto ha, davvero, un approccio diverso
Un paziente la cui creatinina sale di 0,1 a trimestre da 18 mesi, seguito da due curanti diversi. Nessun singolo valore ha fatto scattare un allarme. A ogni visita il numero era “nei limiti”. Un sistema che legge le traiettorie se ne accorge. La dottoressa riceve un alert che mostra l’andamento, la proiezione e il ragionamento clinico dietro la segnalazione. Lo esamina, è d’accordo, e invia il paziente al nefrologo un anno prima che superasse la soglia.
Chroneme lo stiamo costruendo proprio per cogliere cambiamenti di questo tipo. Lo stiamo validando secondo un protocollo preregistrato e pubblicheremo quello che troveremo, compresi i punti in cui non è all’altezza.
La stessa intelligenza che coglie la deriva lenta in terapia intensiva può coglierla in un ambulatorio di medicina generale. Lo stesso sistema che segnala una frequenza cardiaca in salita da settimane può segnalare un’emoglobina glicata (HbA1c) in salita da anni. L’architettura non cambia. Cambia la scala dei tempi.
Quindici miliardi di dollari. Settanta autorizzazioni. E per il paziente non è cambiato nulla.
Cambierà quando cambierà l’infrastruttura. Quando l’IA clinica leggerà traiettorie anziché istantanee. Quando i sistemi mostreranno il loro ragionamento invece di nasconderlo. Quando la salute diventerà qualcosa che una persona può veder cambiare nel tempo, e non qualcosa che si scopre a cose fatte.
È quello che stiamo costruendo in Chroneme.