Durante SaniDays 2026, il talk “Governare l’AI nella Diagnosi” ha affrontato il ruolo dell’intelligenza artificiale nella diagnostica per immagini da una prospettiva di sistema.
Il confronto, moderato da Alex Dell’Era, di Canon Medical, ha coinvolto la Prof.ssa Felicia Pelagalli, esperta di Health Data Governance, il Prof. Eugenio Di Brino, Coordinatore Health Policy Forum di SIHTA, l’Ing. Giulio Iachetti, Coordinatore del Gruppo Project Management di AIIC, e il Dr. Riccardo Ferrari, Presidente della Sezione di Studio “Radiologia Informatica e Intelligenza Artificiale” di SIRM.
Al centro del dialogo non c’era soltanto ciò che l’AI può fare, ma il modo in cui può essere valutata, integrata e governata all’interno dei processi sanitari. Perché in sanità una tecnologia non è mai solo una tecnologia: entra nei dati, nelle decisioni, nelle responsabilità cliniche, nell’organizzazione del lavoro e nella sostenibilità del Servizio Sanitario Nazionale.
Questa pagina raccoglie i principali spunti emersi dal talk, per continuare a riflettere su una domanda centrale: come possiamo adottare l’intelligenza artificiale in diagnostica in modo utile, sicuro e responsabile?
Il primo punto emerso dal confronto riguarda i dati. Parlare di intelligenza artificiale in sanità significa partire dalla qualità, dall’accessibilità, dall’interoperabilità e dalla governance dei dati sanitari.
Come ha spiegato la Prof.ssa Felicia Pelagalli, senza dati affidabili e condivisibili non esistono algoritmi realmente utili. I sistemi di AI hanno bisogno di dataset ampi, rappresentativi e di qualità, soprattutto in un ambito delicato come quello sanitario, dove le decisioni possono incidere direttamente sulla salute delle persone.
Il tema, però, non riguarda solo la tecnologia, riguarda anche la fiducia. I dati sanitari sono un patrimonio importante, ma spesso frammentato tra sistemi, strutture, istituti di ricerca, aziende e territori diversi. Perché possano essere usati in modo responsabile, servono regole, infrastrutture e una cultura della condivisione capace di tenere insieme tutela della persona, ricerca, innovazione e beneficio collettivo.
In questa prospettiva si inserisce anche lo Spazio Europeo dei Dati Sanitari, pensato per costruire nei prossimi anni un ecosistema più interoperabile, in grado di rendere i dati sanitari più accessibili, sicuri e utili per la cura, la ricerca e lo sviluppo di tecnologie basate su AI.
Se il dato è la base, il passaggio successivo riguarda il valore. Una soluzione di intelligenza artificiale può promettere maggiore accuratezza, velocità o supporto decisionale, ma il suo valore reale dipende dal contesto in cui viene introdotta.
Il Prof. Eugenio Di Brino ha richiamato il ruolo dell’Health Technology Assessment, l’HTA, come metodologia di riferimento per valutare le tecnologie sanitarie. L’AI, però, introduce una complessità nuova: non è una tecnologia statica, perché cambia nel tempo, si integra nei processi, modifica i flussi organizzativi e può produrre valore in modo progressivo.
Per questo diventa importante distinguere tra performance teorica e impatto reale. Un algoritmo può funzionare bene in uno studio controllato, ma generare risultati diversi quando entra in una struttura sanitaria con specifici volumi, competenze, processi e risorse.
La valutazione, quindi, non può fermarsi al momento dell’adozione. Deve accompagnare tutto il ciclo di vita della tecnologia, attraverso studi real world, monitoraggio continuo e capacità di correggere o rivedere le scelte quando il valore atteso non si realizza.
La governance dell’AI passa anche dalla sua integrazione concreta nei sistemi ospedalieri. Nell’imaging diagnostico, l’intelligenza artificiale deve dialogare con infrastrutture già esistenti, come PACS, RIS, dispositivi medici, piattaforme IT e workflow clinici consolidati.
L’Ing. Giulio Iachetti, Direttore UOC Coordinamento Investimento e Progetti Dell’Ospedale Isola Tiberina – Gemelli Isola ha evidenziato che l’AI può presentarsi in forme diverse. Può essere incorporata direttamente in un dispositivo medico, può agire come applicativo verticale dedicato a una specifica patologia o a uno specifico processo diagnostico, oppure può operare come strumento orizzontale di supporto alla produttività e all’organizzazione.
Ogni livello porta con sé opportunità e rischi diversi. Un algoritmo integrato in una macchina diagnostica può migliorare la qualità delle immagini o ridurre i tempi di acquisizione, ma resta parte di un dispositivo medico e richiede sorveglianza, vigilanza e gestione del rischio. Un applicativo verticale può essere utile su un compito specifico, ma rischia di frammentare il lavoro se non dialoga con gli altri sistemi. Uno strumento orizzontale, pensato per migliorare il workflow, può finire per influenzare anche le decisioni cliniche, ad esempio quando contribuisce a prioritizzare casi o segnalare urgenze.
Per questo l’interoperabilità diventa un criterio essenziale. Le strutture sanitarie hanno bisogno di soluzioni capaci di integrarsi nei processi, ridurre il rischio di obsolescenza e sostenere scelte tecnologiche più flessibili nel tempo.
La radiologia è uno degli ambiti in cui l’intelligenza artificiale ha trovato terreno più fertile. È una disciplina già fortemente digitalizzata e oggi produce una quantità crescente di immagini e dati per ogni paziente.
Il Dr. Riccardo Ferrari ha riportato il discorso alla pratica clinica. Il radiologo contemporaneo non legge più poche immagini statiche: deve gestire migliaia di immagini, informazioni cliniche, dati quantitativi, contesto anamnestico e supporti tecnologici sempre più evoluti.
In questo scenario, le automazioni possono diventare una necessità. Possono aiutare a ridurre il carico ripetitivo, velocizzare alcune attività e supportare il professionista nei passaggi più standardizzabili. Il loro valore, però, deve essere letto correttamente: l’obiettivo dell’AI non è sostituire il medico, ma restituirgli tempo per i casi complessi, il ragionamento clinico e il rapporto con il paziente.
La medicina resta una disciplina fatta di sfumature, probabilità, eccezioni e contesto. Per questo il rapporto medico-paziente, l’anamnesi e l’esperienza clinica continuano ad avere un ruolo centrale anche in presenza di strumenti avanzati.
Un passaggio particolarmente importante del talk ha riguardato la comprensione degli algoritmi da parte dei professionisti sanitari.
Per utilizzare una soluzione di AI in modo corretto, il medico deve sapere come è stata addestrata, su quali dati, con quali limiti, in quali contesti funziona meglio e quali performance produce in termini di falsi positivi e falsi negativi. È quello che durante il confronto è stato definito, in modo molto efficace, il “libretto di istruzioni” dell’algoritmo.
Senza queste informazioni, il rischio è duplice. Da un lato, il professionista può affidarsi troppo alla macchina. Dall’altro, può rifiutare lo strumento per mancanza di fiducia o per scarsa comprensione del suo funzionamento.
La formazione diventa quindi parte integrante dell’adozione dell’AI. Introdurre una tecnologia complessa senza accompagnare i professionisti significa aumentare incertezza, stress decisionale e difficoltà operative.
Quando l’intelligenza artificiale entra nei processi diagnostici, il tema della responsabilità diventa centrale.
Se un algoritmo suggerisce una diagnosi errata, se prioritizza un caso in modo scorretto o se orienta indirettamente una decisione clinica, la domanda diventa inevitabile: chi risponde di quella scelta? Il medico, l’azienda che ha sviluppato il sistema, la struttura sanitaria, chi ha autorizzato l’uso della tecnologia o chi ha governato i dati?
Il talk ha evidenziato che i sistemi di AI applicati alla salute non possono essere considerati strumenti neutri. Quando incidono sulle decisioni cliniche, entrano in un’area ad alto rischio e richiedono trasparenza, explainability, controllo, monitoraggio e responsabilità definite.
Questo vale anche per i sistemi apparentemente organizzativi. Se uno strumento serve a migliorare la produttività, ma di fatto interviene sulla priorità degli esami o sull’attenzione del medico, allora sta già entrando nel processo decisionale. Riconoscere questo passaggio è fondamentale per governare l’innovazione in modo consapevole.
Dal confronto è emersa una posizione comune: l’intelligenza artificiale può offrire opportunità importanti, ma richiede una governance solida.
Dati di qualità, interoperabilità, valutazione continua, formazione, trasparenza, responsabilità e rappresentatività dei dataset non sono aspetti accessori, ma le condizioni che permettono all’AI di diventare una risorsa utile nella diagnostica per immagini.
Il tema della rappresentatività dei dati, in particolare, porta la discussione anche sul piano dell’equità. Se gli algoritmi vengono addestrati su popolazioni, territori o sistemi sanitari non abbastanza rappresentativi, possono produrre risultati meno affidabili per alcuni gruppi di pazienti. La qualità del dato, quindi, è anche una questione di giustizia e accesso alle cure.
Governare l’AI significa evitare che l’innovazione entri nei processi sanitari senza un disegno chiaro, e chiedersi chi valuta le tecnologie, con quali criteri, con quali responsabilità e con quale capacità di monitorare gli effetti nel tempo.
Il talk promosso da Canon Medical ha mostrato che il futuro dell’intelligenza artificiale in sanità non dipenderà solo dalla precisione degli algoritmi, ma dalla qualità delle scelte con cui il sistema sanitario saprà adottarli.
La vera sfida è passare dall’entusiasmo per la tecnologia alla capacità di governarla: costruire infrastrutture solide, valutare il valore reale, integrare le soluzioni nei processi clinici, formare i professionisti e definire responsabilità chiare.
L’AI può aiutare la diagnostica per immagini a diventare più efficiente, sostenibile e orientata al valore, ma perché questo accada, deve restare dentro una cornice di decisioni consapevoli, competenze condivise e attenzione alla persona.
Perché quando cambia il modo in cui si decide, cambia anche la responsabilità di chi quelle decisioni è chiamato a prenderle.