Intelligenza artificiale e medicina personalizzata

L'espressione medicina personalizzata circola da anni, spesso come slogan pubblicitario. Dietro c'è però un cambiamento concreto nel modo di costruire una diagnosi, e l'intelligenza artificiale sta accelerando quel passaggio.

In Image Regenerative, nelle sedi di Milano e di St. Moritz, la valutazione di precisione raccoglie esami genetici, metabolici e funzionali in un referto unico, costruito seguendo esattamente questa logica.

Vediamo che cosa significa davvero personalizzare una cura, quale ruolo ha oggi l'intelligenza artificiale, quali dati entrano nel ragionamento e quali rischi vanno governati con attenzione.

Che cos'è la medicina personalizzata

La medicina personalizzata parte da un'osservazione elementare, cioè che persone con la stessa diagnosi rispondono in modo diverso allo stesso trattamento. Le ragioni di questa variabilità stanno nel corredo genetico, nel metabolismo, nella composizione corporea, nell'ambiente e nelle abitudini, e la medicina tradizionale le gestisce per tentativi successivi.

L'approccio personalizzato ribalta la sequenza. Prima si misura il profilo individuale, poi si sceglie l'intervento con la probabilità più alta di funzionare su quel profilo specifico. È un cambiamento di metodo che richiede molti più dati in ingresso e una capacità di leggerli insieme invece che uno alla volta.

Una precisazione terminologica aiuta a orientarsi. Medicina personalizzata e medicina di precisione vengono usate come sinonimi, ma la seconda indica più propriamente la capacità di individuare sottogruppi di pazienti con caratteristiche comuni, mentre la prima richiama l'adattamento al singolo individuo. Nella pratica clinica le due cose convergono.

Vale la pena chiarire anche che cosa questo approccio non è. Personalizzare non significa moltiplicare gli esami fino a riempire un faldone, né proporre a ciascuno un protocollo diverso per principio. Significa scegliere, fra le opzioni disponibili, quella che ha più probabilità di funzionare su quella persona, e saper rinunciare a tutto il resto. La selezione è parte del metodo quanto la raccolta.

Il ruolo dell'intelligenza artificiale in medicina

Il contributo dell'intelligenza artificiale riguarda un problema molto concreto di scala. Un essere umano ragiona bene su una decina di variabili alla volta, mentre un profilo clinico completo ne contiene centinaia, con relazioni reciproche che nessun occhio riesce a tenere insieme. Gli algoritmi di apprendimento automatico individuano schemi dentro quella massa di dati e li rendono utilizzabili.

Le applicazioni più mature oggi sono tre. La prima è il supporto all'interpretazione delle immagini diagnostiche, dove i modelli segnalano aree sospette al radiologo o al dermatologo, che mantiene la decisione finale. La seconda è la stratificazione del rischio, cioè la stima della probabilità che una persona sviluppi una determinata condizione nel tempo. La terza è la lettura integrata di dati eterogenei, dove l'algoritmo mette in relazione risultati di esami che nascono in laboratori e momenti diversi.

Su questo terreno esiste un riferimento istituzionale preciso. La guida dell'Organizzazione Mondiale della Sanità sull'etica e la governance dell'intelligenza artificiale per la salute, pubblicata nel 2021, individua sei principi etici condivisi per l'uso di questi strumenti in ambito sanitario, dalla tutela dell'autonomia della persona alla trasparenza dei modelli, dalla responsabilità per le decisioni all'equità nell'accesso. Il documento insiste su un punto che vale la pena riportare, ovvero che la tecnologia va valutata per il beneficio reale che porta ai pazienti e non per la sua sofisticazione.

Diagnosi e prevenzione basate sui dati

Il passaggio dalla medicina reattiva a quella predittiva dipende dalla qualità e dalla varietà dei dati raccolti. Un emocromo da solo dice poco, mentre lo stesso emocromo letto insieme all'assetto metabolico, alla composizione corporea e alla qualità del sonno comincia a raccontare una traiettoria.

I dati che entrano in una valutazione di questo tipo appartengono a famiglie diverse:

• I dati genetici, che descrivono predisposizioni individuali e aiutano a capire su quali fronti vale la pena investire in prevenzione.
• I dati metabolici e lipidomici, che fotografano il funzionamento attuale dell'organismo e sono i più sensibili alle modifiche dello stile di vita.
• I marcatori di stress ossidativo e di infiammazione, che segnalano processi in corso prima che producano sintomi riconoscibili.
• I parametri funzionali, dalla composizione corporea alla forza alla capacità di recupero, che misurano la riserva fisiologica di una persona.
• I dati comportamentali, in particolare sonno, ritmi circadiani e attività fisica, oggi raccoglibili in modo continuo e non più solo attraverso il racconto del paziente.

Il valore clinico nasce dall'incrocio. Nella nostra esperienza il referto integrato intercetta squilibri precoci che i singoli esami, letti separatamente e magari a distanza di mesi, lasciano passare inosservati, e questo sposta in avanti il momento in cui si può ancora intervenire con misure semplici.

IA e longevità: prevedere per prevenire

La medicina della longevità ha un obiettivo diverso da quello della medicina tradizionale, perché si occupa di persone che stanno bene e vogliono restare tali. Questo cambia il tipo di domanda, che non riguarda più la diagnosi di una malattia presente ma la stima di una traiettoria futura.

In questo ambito gli strumenti predittivi trovano l'applicazione più naturale. Gli orologi epigenetici stimano un'età biologica a partire da schemi di metilazione del DNA, i modelli di rischio cardiometabolico combinano decine di parametri per proiettare un andamento nel tempo, e l'analisi dei dati di sonno e attività individua deterioramenti graduali che nessuno nota vivendoli giorno per giorno.

Serve però onestà sul livello di maturità di questi strumenti. Un'età biologica è un indicatore di percorso utile per misurare se un intervento sta funzionando, non una previsione sulla durata della vita, e va presentata per quello che è. Nei percorsi che seguiamo questi dati servono a stabilire priorità e a verificare i cambiamenti nel tempo, mentre le decisioni cliniche restano in capo al medico che conosce la persona.

C'è poi un vantaggio pratico che si nota soltanto usandoli. Un indicatore che si muove nella direzione giusta sostiene l'aderenza molto più di una raccomandazione generica, perché rende visibile un cambiamento che altrimenti resterebbe astratto per mesi. Chi vede migliorare un parametro misurato tende a mantenere le abitudini che lo hanno prodotto, e questo effetto motivazionale è una parte concreta del risultato clinico.

Opportunità e rischi dell'IA in medicina

Le opportunità sono concrete e già visibili. La diagnosi precoce guadagna sensibilità, la prevenzione diventa mirata invece che generica, il tempo del medico si libera dalle attività ripetitive e la medicina del territorio accede a competenze specialistiche che prima richiedevano un centro di riferimento.

I rischi meritano la stessa attenzione, e vanno nominati con precisione. Ecco i quattro che pesano di più.

• Il bias nei dati di addestramento, perché un modello costruito su popolazioni poco rappresentative funziona peggio su chi non vi somiglia, con un effetto che si scarica sui gruppi già svantaggiati.
• L'opacità dei modelli complessi, che rende difficile capire perché un sistema abbia prodotto una certa indicazione e complica tanto la verifica clinica quanto il consenso informato.
• La protezione dei dati sanitari, fra le informazioni più sensibili che esistano, con la necessità di sapere dove vengono conservati, chi li tratta e per quanto tempo.
• La questione della responsabilità, perché una raccomandazione sbagliata prodotta da un algoritmo ricade comunque sul professionista che l'ha accolta, e questo richiede regole chiare prima dell'adozione.

Esiste un rischio ulteriore, meno discusso e molto pratico. L'accesso facile a strumenti predittivi genera un eccesso di accertamenti e di ansia, con persone sane che inseguono valori senza un progetto clinico dietro. La selezione di quali dati raccogliere, e soprattutto di quali ignorare, fa parte del lavoro medico quanto la loro interpretazione. Un valore fuori range senza rilevanza clinica produce accertamenti a cascata che costano tempo, denaro e preoccupazione, e il compito di chi legge il referto è anche quello di fermare quella catena quando non porta da nessuna parte.

Il futuro della medicina personalizzata

La direzione è ragionevolmente chiara, e riguarda meno l'arrivo di strumenti nuovi e più la loro integrazione. I dati genetici, metabolici, funzionali e comportamentali tenderanno a confluire in un profilo unico aggiornato nel tempo, invece di restare in referti separati che nessuno rilegge mai insieme.

Il secondo cambiamento riguarda la continuità della misura. Il modello attuale fotografa lo stato di salute una o due volte l'anno, mentre i dispositivi indossabili e le analisi ripetute permettono di seguire un andamento, che per la prevenzione è un'informazione molto più utile di un singolo valore. Un dato isolato può dipendere da una notte storta o da un periodo di carico, mentre una serie di misure ripetute distingue la variazione occasionale dalla tendenza reale.

Il terzo riguarda il ruolo delle persone coinvolte. L'intelligenza artificiale è uno strumento di supporto alla decisione e il suo valore dipende da chi la usa, dalla qualità dei dati che riceve e dalla relazione clinica in cui si inserisce. La parte del lavoro medico che consiste nell'ascoltare, nel contestualizzare e nel decidere insieme alla persona resta quella decisiva, ed è anche la ragione per cui un percorso personalizzato comincia sempre con una visita e non con un referto.

Domande frequenti

L'intelligenza artificiale sostituirà il medico?

Nelle applicazioni mature oggi disponibili l'algoritmo svolge un ruolo di supporto, segnalando elementi che meritano attenzione e stimando probabilità, mentre la decisione clinica resta al professionista. Le linee guida internazionali insistono sulla supervisione umana come requisito, proprio perché la responsabilità della scelta terapeutica non è delegabile a un sistema automatico.

Medicina personalizzata e medicina di precisione sono la stessa cosa?

Vengono usate quasi sempre come sinonimi. La medicina di precisione indica in senso stretto la capacità di individuare sottogruppi di pazienti con caratteristiche comuni per indirizzare meglio le terapie, mentre la medicina personalizzata richiama l'adattamento al singolo individuo. Nella pratica clinica quotidiana le due prospettive si sovrappongono.

Che fine fanno i dati raccolti in una valutazione di questo tipo?

I dati sanitari rientrano nelle categorie particolari tutelate dal regolamento europeo sulla protezione dei dati, e il loro trattamento richiede un consenso informato specifico. È corretto chiedere alla struttura dove vengono conservati, per quanto tempo, chi vi accede e se vengono condivisi con terze parti, e ricevere risposte verificabili prima di iniziare.

Serve l'intelligenza artificiale per un percorso di longevità?

Non è un requisito. Quello che conta davvero è la qualità dei dati raccolti e la loro lettura integrata da parte di un medico, che può avvenire anche senza strumenti algoritmici. Il contributo della tecnologia diventa rilevante quando le variabili da mettere in relazione sono molte e vanno seguite nel tempo.

Contenuto rivisto dal comitato medico-scientifico di Image Regenerative. Le informazioni riportate hanno finalità divulgativa e non sostituiscono la visita specialistica.