L'idea rivoluzionaria: trovare la malattia prima che esista
La medicina tradizionale è reattiva: il paziente sviluppa sintomi, va dal medico, riceve una diagnosi. Anche gli screening preventivi (mammografia, colonscopia, PSA) identificano la malattia quando è già presente — solo più precocemente. L'AI sta rendendo possibile qualcosa di qualitativamente diverso: identificare il rischio di sviluppare una malattia anni prima che compaiano le prime cellule anomale, agendo su fattori modificabili prima che sia troppo tardi.
Imaging diagnostico: dove l'AI supera già il radiologo
Il campo più avanzato è la diagnostica per immagini. Google DeepMind ha sviluppato un sistema che identifica il cancro al seno nelle mammografie con un tasso di falsi negativi inferiore del 9,4% rispetto ai radiologi umani e di falsi positivi inferiore del 5,7%. Non come sostituto — come secondo lettore che lavora in parallelo.
Per il cancro ai polmoni da TAC, sistemi come Lung Cancer Screening di Seer AI identificano noduli sospetti in stadio I con un'accuratezza superiore al 94%, contro il 65-70% degli studi retrospettivi sui radiologi non assistiti. In oftalmologia, l'AI di DeepMind identifica 54 patologie oculari con accuratezza equivalente a specialisti dopo 25 anni di pratica — rilevante perché molte patologie oculari (retinopatia diabetica, glaucoma) sono asintomatiche fino agli stadi avanzati.
In Italia oggi: IDx-DR, il primo dispositivo AI approvato dalla FDA per la diagnosi autonoma di retinopatia diabetica, è in uso in alcuni centri diabetologici italiani. Non richiede un oftalmologo presente — il medico di base gestisce l'esame, l'AI referta. Raggiunge aree e pazienti che non si sarebbero mai sottoposti a screening.
Genomica e rischio predittivo: la medicina personalizzata
Il sequenziamento del genoma completo è sceso da 3 miliardi di dollari nel 2003 a circa 200 euro nel 2026. Questo ha reso praticabile la medicina genomica di massa. Modelli AI addestrati su milioni di genomi associati a outcome clinici calcolano i Polygenic Risk Score (PRS) — punteggi che quantificano il rischio individuale per centinaia di condizioni: cardiopatia ischemica, diabete tipo 2, Alzheimer, cancro al seno, schizofrenia.
Non è determinismo genetico — i PRS sono probabilistici e interagiscono con stile di vita e ambiente. Ma permettono interventi preventivi personalizzati: chi ha un PRS elevato per cardiopatia inizia le statine a 35 anni anziché dopo il primo infarto. Chi ha rischio elevato per diabete riceve un programma di modifica dello stile di vita intensivo prima che i livelli di glucosio diventino patologici.
Dati comportamentali e digitali: lo smartwatch che anticipa la malattia
Apple Watch Series 10 ha già l'approvazione FDA per la rilevazione della fibrillazione atriale e degli episodi di apnea nel sonno — due condizioni frequentemente asintomatiche che aumentano il rischio di ictus e insufficienza cardiaca. Fitbit ha dimostrato di poter identificare COVID-19 e influenza prima della comparsa dei sintomi attraverso variazioni nella frequenza cardiaca a riposo e nella qualità del sonno.
Il potenziale è più ampio: ricercatori di Stanford hanno mostrato che variazioni nei pattern di attività fisica e sonno rilevabili da smartwatch precedono di settimane i sintomi depressivi. Algoritmi addestrati su dati di voce e linguaggio identificano marker precoci di Alzheimer con anni di anticipo. La domanda non è più "questa tecnologia funziona?" — ma "come gestiamo la privacy, il consenso e le implicazioni assicurative di sapere troppo?"
Le implicazioni per il sistema sanitario italiano
Il SSN italiano è strutturato per rispondere alla malattia, non per prevenirla su scala. I fondi per la prevenzione rappresentano meno del 5% della spesa sanitaria totale. L'AI predittiva richiede un cambio di paradigma: investire nella prevenzione è costo-efficace (prevenire un tumore in stadio I costa 10 volte meno che trattarlo in stadio IV), ma il risparmio si realizza in decenni mentre la spesa è immediata.
Le professioni sanitarie più impattate dalla prevenzione AI sono i radiologi (il loro ruolo si trasforma da lettori primari a validatori e casi complessi), i medici di base (diventano il punto di accesso a screening AI-assistiti che prima richiedevano specialisti) e si creano nuove figure come i genetic counselor e i precision medicine coordinator.