Far avanzare la governance dell’intelligenza artificiale sanitaria attraverso un modello di maturità completo basato su una revisione sistematica

Perché servono regole più intelligenti per l’IA medica

Gli ospedali si affrettano a usare l’intelligenza artificiale per individuare le malattie prima, ridurre la burocrazia e rendere l’assistenza più efficiente. Ma se questi strumenti vengono scelti o gestiti in modo inadeguato, possono commettere errori silenziosi, approfondire le disuguaglianze o sprecare risorse preziose. Questo articolo spiega come un gruppo di ricercatori abbia analizzato decine di linee guida esistenti per l’IA medica e costruito una tabella di marcia pratica che qualsiasi organizzazione sanitaria — da una piccola clinica a un grande ospedale universitario — può usare per mettere l’IA al servizio della cura in modo sicuro ed equo.

Orientarsi in un paesaggio di consigli affollato

Negli ultimi anni, esperti di tutto il mondo hanno proposto checklist, linee guida e strutture di supervisione su come l’IA dovrebbe essere usata in ambito sanitario. Gli autori hanno esaminato sistematicamente 35 di questi framework pubblicati tra il 2019 e il 2024, restringendo il campo a 29 che offrivano indicazioni concrete e articolate in più fasi, invece di concentrarsi su un unico tema come l’etica. Hanno constatato che, mentre molti documenti trattavano lo sviluppo di un algoritmo o il suo monitoraggio nel tempo, molto meno affrontavano le realtà organizzative: chi dovrebbe essere responsabile? Come dovrebbero gli ospedali scegliere tra prodotti concorrenti? E come possono i sistemi sanitari con meno risorse tenere il passo? Questo mosaico di consigli, spesso pensato per grandi centri accademici, lasciava le realtà più piccole senza un percorso chiaro.

Sette elementi fondamentali per una buona supervisione dell’IA

Dalla loro revisione i ricercatori hanno distillato sette aree essenziali che vanno affrontate perché l’IA possa essere integrata nella cura dei pazienti in modo responsabile. Tra queste figurano una struttura di leadership chiara, la definizione attenta del problema clinico prima di ricorrere alla tecnologia, la comprensione di come l’algoritmo è costruito e addestrato, la valutazione di prodotti esterni prima dell’acquisto, il test delle prestazioni su popolazioni locali di pazienti, l’integrazione ponderata nei flussi di lavoro clinici quotidiani e il monitoraggio continuo delle prestazioni una volta che lo strumento è in uso. Nella letteratura c’era forte enfasi su compiti come la formulazione del problema, lo sviluppo del modello e il monitoraggio continuo. Tuttavia, gli autori hanno rilevato una copertura più debole su come valutare prodotti esterni e su come progettare organi di governance che riflettano le prospettive di clinici, esperti tecnici, pazienti e professionisti legali ed etici.

Dalla teoria a una tabella di marcia per fasi

Per trasformare queste indicazioni sparse in qualcosa di più utilizzabile, il team ha creato il Healthcare AI Governance Readiness Assessment, o HAIRA — un “modello di maturità” su cinque livelli che descrive come appare una governance capace a stadi crescenti di sofisticazione. Al Livello 1, un’organizzazione ha solo una consapevolezza di base e si affida soprattutto alle garanzie del fornitore per strumenti pronti all’uso, con test interni e integrazione minimi. Al Livello 2, ci sono procedure documentate, un comitato di supervisione semplice, una selezione più strutturata degli strumenti e un monitoraggio di base delle prestazioni. Il Livello 3 descrive sistemi regionali o comunitari in grado di convalidare i modelli in modo indipendente, valutare rischi come il bias, integrare l’IA con programmi di miglioramento della qualità e gestire il cambiamento in modo sistematico quando gli strumenti entrano nella pratica clinica.

Crescere verso pratiche avanzate e d’eccellenza

I Livelli 4 e 5 rappresentano ciò che gli autori considerano governance avanzata e di punta. Al Livello 4, tipico dei principali centri medici accademici, le organizzazioni hanno dirigenti esecutivi dedicati all’IA, strutture etiche robuste, infrastrutture dati avanzate e solide capacità interne di sviluppo e valutazione, incluso il monitoraggio in tempo reale. Il Livello 5 rappresenta istituzioni che non solo gestiscono l’IA in modo efficace ma contribuiscono anche a definire gli standard del settore. Queste organizzazioni conducono studi multi-sito per dimostrare sicurezza e benefici, sperimentano nuovi tipi di applicazioni IA e condividono le conoscenze attraverso centri di eccellenza e collaborazioni. È importante: il modello applica la regola del “collegamento più debole”: il livello complessivo di un’organizzazione è limitato dall’area meno sviluppata tra le sette, riflettendo la realtà per cui una singola salvaguardia mancante — come un monitoraggio carente — può compromettere sforzi altrimenti sofisticati.

Cosa significa per pazienti e operatori

Per i pazienti, il modello HAIRA è pensato per assicurare che gli strumenti di IA vengano introdotti in modo da migliorare davvero l’assistenza e non aggiungere rischi nascosti. Per i clinici e i dirigenti dei sistemi sanitari, offre una scala realistica: una piccola pratica potrebbe puntare inizialmente al Livello 2 documentando come sceglie e verifica gli strumenti dei fornitori, mentre un sistema più grande potrebbe lavorare per livelli superiori investendo in team di dati, metodi di valutazione equi e monitoraggio continuo. Gli autori sottolineano che non tutti gli ospedali hanno bisogno di capacità all’avanguardia, ma tutti dovrebbero rispettare standard di base di sicurezza, equità e responsabilità. Adattando le aspettative di governance alle risorse disponibili, il loro framework mira a rendere l’IA medica affidabile raggiungibile in contesti sanitari diversi, invece di limitarsi alle istituzioni meglio finanziate.

Citazione: Hussein, R., Zink, A., Ramadan, B. et al. Advancing healthcare AI governance through a comprehensive maturity model based on systematic review. npj Digit. Med. 9, 236 (2026). https://doi.org/10.1038/s41746-026-02418-7

Parole chiave: intelligenza artificiale sanitaria, governance dell'IA, supporto alle decisioni cliniche, politica della salute digitale, equità algoritmica