Gli Annali AMD mostrano che l’intelligenza artificiale può aiutare a prevedere complicanze e personalizzare le terapie. Ma l’algoritmo, senza dati clinici affidabili, resta soltanto una carrozza senza cavalli.
Abstract
Nel diabete il vero petrolio dell’intelligenza artificiale non è costituito dai dati raccolti sui social, ma dalle informazioni cliniche registrate ogni giorno negli ambulatori. Gli Annali AMD dimostrano quanto una raccolta strutturata, continua e di qualità possa trasformarsi in conoscenza utile per prevenire complicanze e scegliere cure più appropriate.
L’intelligenza artificiale medica viene spesso raccontata come una creatura quasi autonoma, una mente elettronica capace di scoprire malattie, suggerire terapie e prevedere il futuro clinico di una persona.
In realtà, anche l’algoritmo più raffinato ha un appetito molto terreno. Ha bisogno di dati. Non dati qualsiasi, raccolti alla rinfusa come fotografie dimenticate nel telefono, ma informazioni cliniche complete, confrontabili, aggiornate e correttamente interpretate.
Nel diabete, dunque, il vero petrolio dell’intelligenza artificiale non sono i clic, i like o le preferenze annotate dalle piattaforme digitali. Sono le glicemie, i valori di emoglobina glicata, la pressione arteriosa, la funzione renale, il colesterolo, il peso, le terapie prescritte e la comparsa delle complicanze, registrati ogni giorno nei centri diabetologici.
È un patrimonio meno appariscente di un chatbot che conversa con voce suadente. Eppure è proprio lì, nel lavoro paziente e ripetuto degli ambulatori, che si prepara una parte importante della medicina del futuro.
Gli Annali AMD, una memoria collettiva della diabetologia italiana
Non si tratta di una banca dati costruita in laboratorio o alimentata esclusivamente da persone selezionate per partecipare a una sperimentazione. Le informazioni provengono dalle cartelle cliniche elettroniche utilizzate nella normale attività dei servizi diabetologici.
Per gli Annali 2022, 295 centri italiani hanno estratto, attraverso un sistema standardizzato, i dati relativi a 502.747 persone con diabete di tipo 2. La rete coinvolge approssimativamente un terzo dei centri diabetologici italiani e consente di osservare ciò che avviene nella pratica clinica quotidiana, comprese le distanze tra le raccomandazioni scientifiche e l’assistenza realmente erogata.
L’Organizzazione Mondiale della Sanità ha riconosciuto gli Annali AMD tra le fonti utilizzabili per valutare in Italia il raggiungimento degli obiettivi globali sul diabete. L’iniziativa raccoglie annualmente dati provenienti dalle cartelle elettroniche di un campione di ambulatori specialistici.
Questa continuità è decisiva. Una fotografia isolata può descrivere il presente. Una sequenza di fotografie, scattate negli anni con criteri comuni, può raccontare la direzione nella quale si sta muovendo la salute di una persona.
Dal dato che descrive al dato che prevede
Per molto tempo i database sanitari sono serviti soprattutto a contare: quante persone raggiungono il target glicemico, quante controllano la pressione, quante ricevono determinati farmaci.
Il machine learning permette di compiere un passo ulteriore. Può cercare, all’interno di migliaia di combinazioni, schemi che l’occhio umano difficilmente riuscirebbe a riconoscere nello stesso tempo.
Uno studio italiano pubblicato nel 2022 ha utilizzato i dati delle cartelle elettroniche di 147.664 persone seguite per quindici anni in 23 centri diabetologici. I modelli sono stati poi sottoposti a validazione esterna in altri cinque centri.
L’obiettivo era prevedere entro cinque anni sei gruppi di complicanze: oculari, cardiovascolari, cerebrovascolari, vascolari periferiche, renali e neurologiche. I modelli hanno raggiunto un’accuratezza superiore al 70 per cento e valori di capacità discriminativa particolarmente elevati, con un’AUC fino a 0,97 per la nefropatia.
Tradotto dal linguaggio statistico, significa che l’algoritmo può contribuire a riconoscere in anticipo le persone sulle quali concentrare controlli, educazione terapeutica e interventi farmacologici.
Non possiede una sfera di cristallo. Offre piuttosto una lente di ingrandimento.
Quando la previsione entra davvero nell’ambulatorio
Il passaggio più delicato avviene quando l’algoritmo smette di essere un esercizio accademico ed entra nella cartella clinica utilizzata dal diabetologo.
Uno studio pubblicato nel 2025 ha valutato l’integrazione di un sistema capace di stimare il rischio a cinque anni di sei importanti complicanze del diabete di tipo 2. Lo strumento è stato inserito nelle cartelle elettroniche di 38 centri italiani.
Tra 138.558 persone potenzialmente valutabili, per 20.314 è stato generato almeno un punteggio di rischio. Dopo dodici mesi, il gruppo sottoposto alla valutazione algoritmica ha mostrato miglioramenti maggiori in diversi indicatori, tra cui il raggiungimento di HbA1c pari o inferiore al 7 per cento, colesterolo LDL sotto 70 mg/dL e riduzione della quota di persone con HbA1c superiore all’8 per cento. Sono aumentate anche alcune prescrizioni di trattamenti antipertensivi, ipolipemizzanti e di farmaci con protezione cardiovascolare e renale.
Il dato interessante non è che la macchina abbia curato qualcuno. La macchina non visita, non ascolta e non condivide una decisione terapeutica.
Ha però acceso una lampadina nel momento giusto, aiutando il professionista a vedere un rischio che avrebbe potuto restare sullo sfondo. In altre parole, l’IA può contrastare l’inerzia clinica, quella tendenza comprensibile ma pericolosa a rimandare un cambiamento terapeutico nonostante i segnali suggeriscano di intervenire.
Perché la qualità conta più della quantità
Un milione di dati incompleti non vale necessariamente più di centomila dati accurati.
Un algoritmo impara da ciò che gli viene consegnato. Se le diagnosi non sono registrate in modo uniforme, se mancano gli esami renali, se una terapia viene sospesa senza annotarne il motivo o se alcune categorie di persone sono scarsamente rappresentate, la previsione può diventare imprecisa o distorta.
La qualità dei database medici deve quindi essere valutata in rapporto allo scopo per cui saranno utilizzati. Completezza, accuratezza, rappresentatività, aggiornamento, standardizzazione e provenienza delle informazioni sono componenti essenziali per costruire sistemi affidabili. Un quadro metodologico pubblicato su npj Digital Medicine ha individuato quindici dimensioni da considerare nella valutazione dei dati destinati all’addestramento dell’IA medica.
Anche l’Organizzazione Mondiale della Sanità ricorda che dati limitati, inaccurati o di bassa qualità possono produrre conclusioni viziate. L’IA sanitaria deve essere progettata e utilizzata mettendo al centro sicurezza, diritti umani, responsabilità e controllo delle persone.
Insomma, vale ancora il vecchio principio informatico: se si mette spazzatura dentro, difficilmente uscirà medicina di precisione. Al massimo uscirà spazzatura con un grafico elegante.
Il valore nascosto del lavoro quotidiano
Quando un diabetologo registra correttamente un valore, aggiorna una terapia o documenta una complicanza, non sta soltanto compilando una cartella. Sta aggiungendo una tessera a un grande mosaico collettivo.
Questo, tuttavia, non significa trasformare l’ambulatorio in un ufficio statistico. La raccolta dei dati dovrebbe essere semplice, integrata nel lavoro clinico e possibilmente automatizzata, senza sottrarre tempo al dialogo con la persona.
Occorrono inoltre sistemi interoperabili, definizioni comuni e controlli periodici. Un valore scritto in dieci modi differenti può essere comprensibile a un essere umano, ma diventare un piccolo incubo per una macchina. Il futuro digitale della sanità dipende anche da questioni apparentemente modeste, come l’uso degli stessi codici, delle stesse unità di misura e degli stessi criteri diagnostici.
La vera innovazione, spesso, comincia da una casella compilata bene.
Un’IA trasparente, non un oracolo misterioso
In medicina non basta ricevere una percentuale di rischio. Il medico deve poter comprendere quali elementi abbiano contribuito alla previsione.
Età, durata del diabete, andamento dell’HbA1c, funzione renale, pressione, colesterolo e terapie non possono essere mescolati in una scatola nera che si limita a pronunciare il verdetto.
AMD sta lavorando anche su modelli di machine learning trasparente e su strumenti dedicati al rischio renale. Il progetto AMD Kidney Digital Twin, descritto nel 2026, prevede sistemi interpretabili per stimare il rischio di malattia renale cronica e simulazioni “what if”, con le quali il clinico può esplorare differenti scenari terapeutici. Il documento precisa che questi strumenti non sostituiscono il giudizio medico, ma devono offrire un supporto decisionale quantitativo e comprensibile.
È questa la distinzione fondamentale: supportare, non comandare.
E il paziente, in tutto questo?
La persona con diabete non dovrebbe diventare una semplice fila all’interno di un foglio elettronico.
I dati sanitari appartengono alla sua storia, alle sue fatiche, ai suoi progressi e talvolta alle sue paure. Devono essere protetti, pseudonimizzati quando necessario, utilizzati con regole chiare e difesi da accessi impropri.
Ma il coinvolgimento non riguarda soltanto la privacy. Il rischio previsto dall’algoritmo deve essere spiegato in modo comprensibile. Dire a qualcuno che ha un rischio elevato senza chiarire che cosa possa fare per modificarlo rischia di produrre ansia, non prevenzione.
La previsione ha valore soltanto quando diventa una decisione condivisa.
Le domande più frequenti
L’intelligenza artificiale può prevedere con certezza le complicanze?
No. Può stimare una probabilità sulla base di persone con caratteristiche simili e dell’andamento dei dati clinici. La previsione non è una sentenza e deve essere interpretata dal medico nel contesto individuale.
L’algoritmo sceglierà autonomamente la terapia?
Gli strumenti attualmente sviluppati sono destinati al supporto decisionale. La prescrizione resta responsabilità del professionista sanitario e deve essere discussa con il paziente.
Più dati significano automaticamente risultati migliori?
No. Servono dati corretti, completi, rappresentativi e raccolti con criteri omogenei. La quantità amplifica ciò che contiene: se la base è buona, può produrre conoscenza; se è fragile, può moltiplicare gli errori.
In conclusione
I grandi database clinici rappresentano uno dei principali carburanti dell’intelligenza artificiale medica.
L’esperienza degli Annali AMD dimostra che le informazioni raccolte nella normale attività diabetologica possono essere utilizzate per misurare la qualità dell’assistenza, identificare le persone più esposte alle complicanze e supportare una maggiore personalizzazione delle cure.
Il progresso, però, non dipende soltanto dalla potenza degli algoritmi. Dipende dalla qualità dei dati, dalla loro rappresentatività, dalla trasparenza dei modelli, dalla tutela della privacy e dalla capacità dei professionisti di trasformare una previsione in una scelta clinica sensata.
Il futuro non nasce nel momento in cui una macchina comincia a pensare. Nasce quando noi impariamo a raccogliere, custodire e interpretare meglio ciò che già sappiamo.
Nel diabete, il petrolio dell’IA non scorre nei social network. Scorre silenziosamente nelle cartelle cliniche, visita dopo visita, dato dopo dato.
