Immaginiamo un oncologo che si occupa di un paziente affetto da tumore e si trova a dover gestire una grave polmonite infiammatoria come effetto collaterale di un trattamento immunoterapico. In tempi rapidi e con informazioni limitate, il medico deve trovare un equilibrio tra due rischi: la progressione dell’insufficienza respiratoria e la possibilità che l’uso di cortisonici ad alte dosi diminuisca l’efficacia della terapia oncologica. Di fronte a una situazione simile, la domanda sorge spontanea: cosa suggerisce la letteratura scientifica?
Esistono evidenze per personalizzare la scelta terapeutica, ma queste sono distribuite tra studi primari, revisioni non sempre aggiornate e linee guida di diverse specialità. Nella pratica clinica, l’assenza di una sintesi immediatamente accessibile costringe il medico a prendere decisioni integrando la propria esperienza, conoscenze parziali e strumenti di supporto tradizionali.
La Necessità di una Sintesi dell’Evidenza
Questo scenario mette in luce il divario tra il modello teorico della medicina basata sulle prove (Evidence-Based Medicine, EBM) e la realtà decisionale quotidiana. La sintesi dell’evidenza, attraverso revisioni sistematiche, meta-analisi e linee guida, ha l’obiettivo di tradurre la ricerca in raccomandazioni strutturate. Tuttavia, la crescente quantità di letteratura biomedica, in continua espansione, rende complessa la gestione delle evidenze. I processi di sintesi e validazione richiedono tempi prolungati, spesso nell’ordine degli anni.
Il Ruolo dell’Intelligenza Artificiale Generativa
In questo contesto, l’intelligenza artificiale generativa non funge solo da strumento di automazione, ma come tecnologia chiave per ristrutturare il ciclo dell’evidenza. Essa opera su due fronti: l’accelerazione nella produzione di sintesi e la facilitazione dell’accesso ai dati al momento decisionale. L’AI si sta sviluppando in due aree specifiche: la produzione di sintesi dell’evidenza e l’accesso a dati già esistenti al punto di cura.
Produzione e Accesso all’Evidenza
Per quanto riguarda la produzione di sintesi dell’evidenza, l’intelligenza artificiale aiuta i ricercatori nella realizzazione di revisioni sistematiche e meta-analisi. Strumenti basati su machine learning sono già utilizzati per automatizzare compiti ad alta intensità di lavoro, come lo screening iniziale degli abstract. Tuttavia, come dimostrano le esperienze di realtà come Cochrane, il processo di revisione sistematica richiede sempre il giudizio di esperti per valutare l’importanza degli studi e interpretare le implicazioni cliniche.
Sistema di Retrieval-Augmented Generation (RAG)
Il secondo ambito riguarda l’accesso all’evidenza al momento della decisione. Sistemi basati su architetture di Retrieval-Augmented Generation (RAG) interrogano in tempo reale un corpus di documenti, recuperando le informazioni più pertinenti rispetto alla richiesta. Questo approccio permette agli operatori sanitari di avere accesso a evidenze aggiornate e verificabili, fornendo risposte in un linguaggio fruibile e clinicamente utile.
Valutazione dell’Affidabilità degli Strumenti di AI
La valutazione degli strumenti di AI per la sintesi dell’evidenza deve essere robusta e includere vari criteri, come accuratezza fattuale, validità delle citazioni e aggiornamento delle fonti. È fondamentale che il clinico estenda la sua vigilanza critica sulle fonti, tenendo conto che l’intera catena dell’evidenza può influenzare la qualità delle informazioni utilizzate.
Riflessioni sul Futuro dell’Utilizzo dell’Evidenza
Nella pratica clinica, il medico deve agire rapidamente di fronte a un paziente, avendo a disposizione evidenze che, pur essendo frammentate, non sono immediatamente accessibili. L’AI ha il potenziale di colmare il divario tra conoscenza e azione, accelerando la produzione di sintesi e rendendole disponibili tempestivamente. La vera sfida rimane nell’assicurare che questo supporto non sostituisca, ma piuttosto migliori il giudizio clinico, così da garantire migliori decisioni per i pazienti.