Vuoi collaborare con noi?
Con un impegno crescente:
- Iscriviti come Fellow
- Iscriviti alle Aree di EcoCardioChirurgia®
Vuoi collaborare con noi?
Con un impegno crescente:
Autore/Autori: Alfredo Posteraro, Bruno Passaretti, Cosimo Greco, Daniela Prastraller, Giovanni Corrado, Guido Giordano, Viola Dadone
Desidero condividere con voi l’esperienza di transizione digitale che abbiamo vissuto all’Ospedale di Vigata, dove abbiamo integrato l’intelligenza artificiale (IA) nella pratica clinica quotidiana.
Attraverso casi reali – come la diagnosi precoce di una cardiomiopatia da varianti della titina o l’intercettazione di una fibrillazione atriale parossistica asintomatica – vi mostrerò come l’IA possa potenziare l’autonomia diagnostica del medico di pronto soccorso.
Non parliamo di magia, ma di capacità computazionale: grazie a modelli avanzati di analisi ECG e sistemi ecocardiografici guidati, l’IA decodifica quello che definisco il “linguaggio segreto” della medicina. Operando nel cosiddetto “spazio delle features”, questo approccio matematico ci permette di identificare micro-impronte elettriche e cluster patologici altrimenti invisibili all’occhio umano.
Infine, vi proporrò una riflessione su come questi indicatori oggettivi di validità clinica possano abbattere l’asimmetria informativa nella sanità, aprendo la strada a una nuova disciplina formativa per i medici di domani.
Guido Giordano
English
I would like to share with you the digital transition journey we experienced at Vigata Hospital, where we pioneered the clinical integration of Artificial Intelligence (AI) into daily practice.
Through real-world clinical cases—such as the early detection of titin-variant cardiomyopathy and asymptomatic paroxysmal atrial fibrillation—I will demonstrate how AI expands the diagnostic autonomy of emergency physicians. By leveraging advanced ECG analysis and AI-guided echocardiography, we are now able to decode what I consider the “hidden language” of medicine.
Operating within a multi-dimensional “feature space”, this mathematical framework allows us to isolate sub-visual electrical micro-signatures and pathological clusters invisible to the naked eye.
Finally, I will address how generating objective clinical validity indicators helps us mitigate healthcare’s classic information asymmetry, paving the way for a necessary, new educational discipline.
Guido Giordano
| Autore | Alfredo Posteraro, Bruno Passaretti, Cosimo Greco, Daniela Prastraller, Giovanni Corrado, Guido Giordano, Viola Dadone |
|---|---|
| Anno | |
| Super Tag |
Introduzione
L’Integrazione dell’Intelligenza Artificiale nella Cardiologia Clinica: Dal Deep Learning alla Riduzione dell’Asimmetria Informativa.
Contesto ed Obiettivi
Nella nostra pratica cardiologica, l’elettrocardiografia ed ecocardiografia tradizionali mostrano limiti intrinseci legati all’analisi sequenziale e alla variabilità dell’operatore. Il mio obiettivo è presentarvi i risultati sul campo dell’Ospedale di Vigata, dove abbiamo adottato algoritmi di intelligenza artificiale per ottimizzare lo screening cardiovascolare d’urgenza e ambulatoriale, espandendo le nostre capacità di intercettare la patologia prima che si manifesti macroscopicamente.
Metodi e Discussione
Vi guiderò nell’analisi dei risvolti clinici di sistemi predittivi applicati a tracciati ECG morfologicamente normali. Sfruttando la logica computazionale dello “spazio delle features”, l’algoritmo mappa vettorialmente milioni di datapoint per isolare cluster predittivi di FA e disfunzione ventricolare sinistra. Per superare il problema della “black box” e garantirci il pieno controllo del dato, utilizziamo mappe di salienza (Explainable AI) per visualizzare termograficamente i segmenti decisionali. Discuterò inoltre l’integrazione dei Large Language Models e di co-thinker verticali (come Open Evidence) nel supporto decisionale basato sulle evidenze scientifiche.
Conclusioni
Vi invito a considerare l’IA non come un sostituto della nostra intuizione clinica, ma come un amplificatore dell’autonomia diagnostica. Introducendo indicatori oggettivi di validità, possiamo ridefinire il classico triangolo della sanità (medico, paziente, amministratore) e superare l’asimmetria informativa di Arrow. Dobbiamo essere consapevoli che governare questa rivoluzione richiede l’istituzione immediata di una nuova disciplina curriculare nei nostri percorsi formativi.
Integrating Artificial Intelligence into Clinical Cardiology: From Deep Learning to the Mitigation of Information Asymmetry.
Background and Objectives: In our cardiology practice, traditional electrocardiography and echocardiography possess inherent limitations tied to sequential human analysis and operator dependency. My objective is to present our field experience at Vigata Hospital, where we deployed AI algorithms to optimize emergency and outpatient cardiovascular screening, enhancing our capacity to intercept disease early.
Methods and Discussion: I will walk you through the clinical utility of predictive analysis applied to morphologically normal ECG tracings. By leveraging the computational architecture of “feature spaces”, the algorithm vectorially maps millions of data points to isolate distinct clusters predictive of future AF and left ventricular dysfunction. To solve the “black box” dilemma and maintain full clinical oversight, we utilize Explainable Artificial Intelligence (XAI) via saliency maps to thermographically highlight the segments driving algorithmic decisions. Furthermore, I will discuss the role of specialized Large Language Models and co-thinkers (e.g., Open Evidence) in providing real-time, evidence-based literature support.
Conclusions: I urge you to view AI not as a replacement for our clinical intuition, but as a catalyst for expanded diagnostic autonomy. By introducing objective validity indicators, we can redefine the classic healthcare triad (physician, patient, administrator) and successfully bridge Arrow’s information asymmetry. To govern this paradigm shift, we must formally integrate AI literacy into modern medical curricula.
Hai mai utilizzato uno strumento di intelligenza artificiale nella tua pratica clinica? Intelligenza artificiale in medicina: la consideri prevalentemente un rischio o un’opportunità?
Mi chiamo Mario, ho 33 anni e vivo a Vigata. Era una domenica pomeriggio tranquilla quando all’improvviso sentii il cuore in gola. Una sensazione mai provata prima, che mi riempì d’ansia. Corsi al pronto soccorso di Vigata.
Iniziò la mia storia. Sono Lucia, medica del pronto soccorso di Vigata. Ricordo bene quella domenica. Mario era in fibrillazione atriale, appena insorta, il primo episodio della sua vita. Dopo due ore di terapia con amiodarone, il ritmo cardiaco si normalizzò. L’ECG tornò apparentemente normale, la pressione stabile. Ma poi feci qualcosa di impensabile fino a pochi mesi fa. Sottoposi il tracciato al nostro nuovo sistema di analisi ECG con intelligenza artificiale. La risposta fu sorprendente: alta probabilità di insorgenza di fibrillazione atriale e di disfunzione ventricolare sinistra. Eseguii subito un ecocardiogramma focus con il nostro nuovo ecografo assistito da IA, uno strumento che mi guida passo dopo passo anche se non sono cardiologa esperta.
Sono Giorgio, cardiologo presso l’ospedale di Vigata. Visitai Mario il martedì successivo. L’ecocardiogramma confermò la disfunzione ventricolare sinistra. Le indagini successive rivelarono una cardiomiopatia da varianti della titina.
Ma la storia di Mario non è un caso isolato. Poche settimane prima, una donna di 41 anni era arrivata in pronto soccorso per deficit motori transitori, probabilmente un mini ictus. ECG ed ecocardiogramma erano perfettamente normali. Eppure, l’intelligenza artificiale segnalò alta probabilità di fibrillazione atriale. Decidemmo di approfondire con un HOLTER e scoprimmo episodi ricorrenti di fibrillazione atriale parossistica, completamente asintomatici.
Sono Teresa, la direttrice sanitaria dell’ospedale di Vigata. Chi lavora in provincia conosce le difficoltà: carenza di specialisti, risorse limitate, la sensazione di essere sempre un passo indietro. Eppure, oggi posso dire che stiamo scrivendo una storia diversa. Un anno fa prendemmo una decisione coraggiosa: essere tra i primi ospedali in Italia ad aprire le porte all’intelligenza artificiale nella pratica clinica quotidiana. Oggi i risultati parlano chiaro. I nostri medici del pronto soccorso hanno ampliato la loro autonomia diagnostica, non sostituiti dalla tecnologia ma potenziati da essa. Hanno maggiori garanzie di validità del loro operato. Sono consapevoli dei limiti di questi strumenti e sanno come averne il pieno controllo senza esserne sopraffatti. Si sentono più sicuri, più capaci, orgogliosi di poter offrire ai nostri pazienti il livello di cura che si aspettano.
Sono Costanza, ricercatrice al Policlinico Universitario di Montelusa. Il nostro scopo non è fare pubblicità, ma spiegare come funzionano questi strumenti rivoluzionari. L’elettrocardiogramma sembrava avere esaurito le capacità diagnostiche ancora ignote. Ed invece è iniziata una nuova stagione: nuove capacità diagnostiche, impensabili fino a pochi anni fa. L’intelligenza artificiale vede negli ECG ciò che l’occhio umano non può vedere. Il medico lo analizza in modo sequenziale: misura intervalli, esamina onde e componenti macroscopiche, cerca pattern noti. L’intelligenza artificiale, al contrario, analizza l’intero tracciato come se fosse un’orchestra sinfonica. Coglie simultaneamente la complessa armonia delle 12 derivazioni, individuando microscopici dettagli e relazioni statistiche complesse che sfuggono all’occhio e alla mente dell’uomo. Addestrata con milioni di ECG e con le relative notizie cliniche archiviati in modalità digitale da decenni nei grandi centri, l’IA ha imparato a riconoscere microimpronte elettriche. Così identifica pazienti con ECG apparentemente normale che svilupperanno fibrillazione atriale, oppure che già hanno disfunzione ventricolare sinistra. Questa nuova modalità diagnostica ha mostrato di avere sensibilità, specificità e accuratezza diagnostica sorprendentemente elevate.
Passiamo all’ecocardiografia. Determinare volumi e frazione d’eiezione del ventricolo sinistro richiede esperienza tecnica e competenze mediche. Questi strumenti di intelligenza artificiale sono stati addestrati da operatori esperti per guidare medici non specialisti ad acquisire immagini di qualità sufficiente per misure attendibili. Il sistema riconosce le immagini, applica le regolazioni necessarie e fornisce risultati validi e verificabili, facilitando l’acquisizione di specifiche competenze ed ampliando l’autonomia diagnostica di medici non specialisti della disciplina.
Sono Edoardo, responsabile dei sistemi informativi dell’ASL di Vigata. È appena iniziata la transizione digitale della sanità, che inizia anche l’innovazione seguita dalla trasformazione con intelligenza artificiale. Non si tratta solo di tecnologia: stiamo trasformando le radici culturali del modo di acquisire conoscenze, di concepire e di attuare l’attività medica e l’assistenza sanitaria. È un radicale cambiamento di paradigma che ridefinisce la formazione e l’aggiornamento di medici, operatori sanitari e di noi ingegneri della sanità. I medici affrontano questa rivoluzione culturale e scientifica imparando nuovi linguaggi, abbracciando paradigmi che fino a pochi anni fa sembravano fantascienza. Si interrogano ogni giorno su come l’intelligenza artificiale possa non sostituire ma integrare l’intuizione clinica maturata in decenni di esperienza. Solo cooperando insieme riusciremo a produrre vera innovazione e progresso. Questa è solo l’alba di una rivoluzione che ridefinirà cosa significa essere medico, curare, guarire. E noi di Vigata vogliamo essere protagonisti, non spettatori, di questo cambiamento epocale.
Nel 1972 Kenneth Arrow vinceva il Nobel parlando di asimmetria informativa, anche nella sanità. A fine settembre un aereo ha un problema grave dopo il decollo da Catania. Si scopre una lacuna nel software che viene prontamente corretta. A fine ottobre un altro inconveniente su un volo tra Cancun e New York. Vengono richiamati 6.000 aerei per riparazioni urgenti, persino quello che trasportava il Papa. Eppure nessuno si è fatto male, nessun danno materiale. Quando prendiamo un aereo, ci aspettiamo di arrivare sani e salvi. E questo succede praticamente sempre. I rarissimi incidenti aerei fanno notizia in tutto il mondo. Se l’aviazione perdesse questa affidabilità, l’intero sistema crollerebbe. Tutti possono verificare se un volo è andato a buon fine o arrivi a destinazione o no. L’informazione è chiara, trasparente, simmetrica. Nella sanità le cose funzionano diversamente. Esiste quello che gli esperti chiamano asimmetria informativa. Il medico sa moltissimo, il paziente molto poco. Questa disparità di conoscenze impedisce al paziente di giudicare oggettivamente se il medico sta facendo bene il suo lavoro. È una caratteristica inevitabile dei sistemi sanitari moderni: la medicina è complessa, richiede anni di studio e non può essere altrimenti. Ma questo crea un paradosso difficile da risolvere. Come facciamo a sapere se una prestazione medica, una diagnosi, una cura è valida? Attenzione: validità non significa necessariamente guarigione. Una cura può essere perfettamente corretta anche se il paziente non guarisce. Una prestazione è valida quando segue le procedure corrette, si basa sulle evidenze e le conoscenze scientifiche disponibili, rispetta i confini tra la naturale variabilità dei risultati e l’improvvisazione irresponsabile. Il problema è che è sostanzialmente impossibile valutare la validità di ogni singola prestazione medica. Non possiamo aprire il cofano e verificare se tutto è stato fatto a regola d’arte, come potremmo fare con un motore d’aereo. La situazione si complica ulteriormente: il medico è completamente responsabile della validità delle cure che fornisce e deve rispondere degli errori. Eppure, nella maggior parte dei casi, non ha il potere di controllare le condizioni organizzative che gli permetterebbero di garantire quella validità. In sintesi, mancano gli strumenti per misurare davvero la validità delle cure e finora non è stato possibile crearli. Poiché non riusciamo a misurare l’effettiva qualità e appropriatezza delle cure, i sistemi sanitari si sono concentrati su ciò che è più facile da misurare: costi, tempi e velocità. Quanto costa un intervento? Quanto tempo richiede? Quanti pazienti possiamo trattare al giorno? Sono indicatori di efficienza economica, non di validità medica. È come se valutassimo un aereo solo in base a quanto velocemente parte, non se arriva a destinazione. L’introduzione dell’intelligenza artificiale potrebbe cambiare radicalmente questo schema. L’intelligenza artificiale sembra poter offrire indicatori oggettivi della validità di ogni singola prestazione medica, qualcosa che assomiglia a quegli indicatori chiari e verificabili che l’aviazione usa da decenni. Se questa possibilità si concretizzerà, potremo finalmente costruire nuovi modelli di assistenza sanitaria basati su affidabilità ed efficienza reale, proprio come ha saputo fare il sistema del trasporto aereo. In sintesi, l’aviazione ci insegna che l’affidabilità si costruisce con sistemi di verifica oggettivi e trasparenti. La medicina non ha ancora questi strumenti, ma l’intelligenza artificiale sembra capace di fornirli, trasformando radicalmente il modo di concepire ed attuare l’assistenza sanitaria.
Sono tre, e non due, i poli dell’asimmetria informativa in sanità, creatori isolati ai vertici di un triangolo. Il medico, il vertice della competenza, l’unico in grado di valutare la validità clinica. Il paziente, il vertice del bisogno, che si affida all’empatia e all’esperienza. L’amministratore, il vertice della sostenibilità, focalizzato su budget e produttività. Questi mondi non comunicano. Il medico parla il linguaggio della scienza, il paziente quello dell’emozione, l’amministratore quello della gestione. Senza un minimo comune denominatore, il sistema resta fragile, come diceva Kenneth Arrow. Ma oggi, per la prima volta, abbiamo un possibile traduttore universale: l’intelligenza artificiale. Può diventare un ponte, può offrire indicatori di validità reali e trasparenti per tutti e tre i vertici, che potrebbero finalmente guardare la stessa bussola, convertendo l’asimmetria in sinergia. È questa la direzione intrapresa? I colossi del tech fiutano le opportunità, propongono i loro assistenti clinici concepiti per gli utenti, pronti ad entrare in Europa. Pensate anche a quanto sta avvenendo in Cina. L’argomento è articolato, complesso e coinvolge tutti e tre i vertici del triangolo. Se la comunità medica lo ignora, provvederà qualcun altro.
Sono Cecilia. Dopo aver lavorato alcuni anni come cardiologa all’ospedale di Montelusa, mi sono trasferita in provincia, nella cardiologia ambulatoriale di Fiacca. In ospedale si lavora in team, ci si confronta, ci si consulta a vicenda. In ambulatorio è raro che avvenga e questo mi manca. Pochi anni fa scoprii i Large Language Model, come ChatGPT, e poi anche Claude, Gemini, DeepSeek. Con molta prudenza cominciai a provarli. Poi scoprii Open Evidence, un prodotto riservato ai medici che offre maggiori garanzie sulla validità scientifica dell’addestramento a cui viene sottoposto. Pur con tanta cautela e prudenza, rispettando le norme di tutela dei dati sensibili e sanitari, cominciai a confrontarmi con Open Evidence un po’ come se fosse un mio collega. Lo so, non è un mio collega, non lo è affatto, ma cambia le carte in tavola. Vi mostro un esempio di quello che faccio abitualmente. Quello che vi sto mostrando è il mio dialogo con Open Evidence. Riguarda un uomo di 58 anni, con dislipidemia e molti altri fattori di rischio cardiovascolare, con evidenza ecografica alle carotidi di aterosclerosi coronarica non critica e asintomatica. Discutiamo sull’appropriatezza della terapia farmacologica per la dislipidemia. È un dialogo supportato da riferimenti di letteratura scientifica. Un bel cambiamento di paradigma, fino a pochi anni fa inimmaginabile. Sono consapevole che bisogna essere molto prudenti, non eccedere in entusiasmi né cadere vittima di pregiudizi. So che siamo appena agli inizi di una nuova era della medicina e con spirito di equilibrato buonsenso mi documento, mi informo e provo con mano. Credo che stia nascendo una nuova disciplina che manca nel mio percorso formativo, ma che non mancherà in quello dei giovani medici. Io sono pronta ad adeguarmi.
Cecilia vi ha parlato di Open Evidence dalla prospettiva del clinico. Permettetemi di inquadrare questo strumento in un contesto più ampio. Open Evidence appartiene alla categoria degli assistenti clinici di IA. Questi a loro volta vengono definiti come assistenti all’azione, o copilot, e assistenti al ragionamento, o co-thinker, in base al loro ruolo prevalente. Open Evidence è prevalentemente un co-thinker. Sono entrati in campo i colossi digitali che investono enormi risorse sull’intelligenza artificiale, anche nella sanità. I loro prodotti sono alle porte dell’Unione Europea, dove le regole dell’IA Act e del GDPR ne regolamentano l’accesso. L’IA Act classifica molti di questi assistenti clinici come sistemi ad alto rischio, richiedendo certificazioni rigorose prima dell’impiego in ambito diagnostico-terapeutico. Prodotti come DAX Copilot, Epic, Abridge vengono già utilizzati correntemente nella pratica quotidiana da oltre 600.000 medici d’oltreoceano. Poi ci sono prodotti europei, come Nabla e Tandem Health. Una delle funzioni di copilota clinico è quella definita AI Scribe: l’assistente virtuale che vede, esamina, ascolta e prepara le bozze di documenti, di referti, di sintesi cliniche, di prescrizioni, sobbarcandosi quei compiti ripetitivi, burocratici, mnemonici, ma anche di rilevante carattere intellettivo, che il medico troverà già pronte e quindi verifica, integra o corregge e infine convalida. Insomma, è già iniziata una grande partita. Siamo ancora agli inizi ma si va avanti per grandi passi. Io parlo nel dicembre 2025. Dove saremo nel marzo 2026?
Quelli che trovano nell’ECG informazioni che nessun cardiologo esperto riuscirebbe a fare non sono strumenti magici, ma frutto dell’intelligenza umana. Come si è arrivati a tanto? Sapete cos’è lo spazio delle features? Io l’ho scoperto solo da poco. Ve lo spiegherà Lucia. Mi sono avvalso di strumenti di intelligenza artificiale, anche di quelli che hanno generato Lucia ed il mio gemello digitale, che è quello che vi sta parlando. E se vi dicessi che la medicina nasconde un linguaggio segreto e che oggi abbiamo la chiave per decifrarlo? Ci tufferemo in un concetto che sta letteralmente ridisegnando la diagnosi: lo spazio delle features. Tutto comincia con l’intuizione di quel clinico geniale, con la sua capacità, quasi un sesto senso, di riconoscere degli schemi in mezzo a un mare di rumore. Immaginate la scena: quel medico molto esperto non sta guardando un singolo paziente. Il suo sguardo si allarga a centinaia, a migliaia di casi. A un certo punto nota qualcosa: una strana combinazione di indizi che continua a ripetersi. E capisce subito: questa non è una coincidenza, è un pattern, è l’indizio di una condizione ancora sconosciuta. Per descrivere questa impronta digitale clinica usiamo una metafora bellissima: una costellazione di tracce. Un insieme di segni, di dati, che tutti insieme disegnano il profilo di una potenziale nuova malattia. Quell’ipotesi verrà sottoposta a un rigoroso percorso di validazione scientifica per trasformarla in evidenza, permettendo così in futuro agli altri medici di riconoscerla. Questa è la logica che utilizziamo noi umani. L’intelligenza artificiale fa qualcosa di simile: riconosce pattern e costellazioni di tracce, ma lo fa con una complessa logica matematica. Converte ciascuno di quegli elementi in un vettore da collocare in uno spazio immaginario, uno spazio con innumerevoli dimensioni: lo spazio delle features, o, se preferite, lo spazio delle caratteristiche. Ok, spazio delle features suona astratto, vero? Allora rendiamolo concreto. Stiamo per mappare la malattia in uno spazio virtuale. In questo spazio, i pazienti diventano dei semplici punti. Facciamo un esempio pratico. Prendiamo un cuore. Come si fa a capire se sta bene o male semplicemente guardando quella linea tremolante su un monitor? Per un occhio inesperto, un elettrocardiogramma sembra uno scarabocchio. Ma per il vostro occhio esperto, quello scarabocchio è una miniera d’oro. Analizzate intervalli, forme d’onda, ricorrenze, aggregazioni di caratteristiche che sapete interpretare. L’intelligenza artificiale fa lo stesso. Ma in quello stesso ECG riesce a individuare un numero enorme di micro caratteristiche, impossibili per la mente umana. Facendo così diventa capace di riconoscere condizioni che il cardiologo più esperto non potrebbe mai individuare da solo. Adesso visualizziamo il nostro spazio matematico. Pensiamolo come una stanza virtuale gigantesca con una dimensione per ciascuna di quelle innumerevoli caratteristiche che l’IA ha misurato. Bene, dentro questa stanza, l’ECG di ogni soggetto diventa un singolo, minuscolo punto. Ed è qui che succede la magia dei dati. In questo spazio, i punti dei pazienti sani non sono messi a caso, ma tendono a raggrupparsi: formano una nuvola compatta, una galassia, un cluster. Ma cosa succede se analizzando i dati di migliaia di persone si nota un’altra galassia di punti? Un gruppo compatto, sì, ma situato in un angolo isolato della mappa. Chi sono? Cosa ci sta dicendo quel gruppetto sperduto? È una nuova malattia? Oppure un nuovo modo per riconoscere una patologia già nota? È la prova visiva e matematica che lì c’è qualcosa di diverso. È la sua firma numerica, una combinazione di valori che si ripete e che ci segnala una condizione che fino a un attimo prima non sapevamo nemmeno esistesse. Questi cluster diventano le parole di un linguaggio nuovo. Un linguaggio che le macchine imparano a parlare per noi. Lo usano per riconoscere con più precisione le patologie note. Ma, e questa è la cosa incredibile, lo usano anche per puntare un riflettore su condizioni che fino a oggi erano rimaste nascoste nel silenzio dei dati.
È questo che fa l’IA per riconoscere gli ECG apparentemente normali dei soggetti con alta probabilità di sviluppare fibrillazione atriale. Guardate questo tracciato: morfologicamente perfetto. Il sistema analizza e risponde: probabilità molto bassa per patologie strutturali. Ed ecco l’ecocardiografia del soggetto: un cuore giovane, sano, performante. Ora osservate quest’altro: qui le turbe della conduzione e l’aritmia sono evidenti anche a un occhio inesperto. Ma il sistema va oltre la morfologia e segnala una probabilità significativa di disfunzione ventricolare destra. Questo è il cuore del soggetto.
Dobbiamo fidarci ciecamente di un verdetto senza prove? È la solita scatola nera dell’intelligenza artificiale? La risposta è nella Explainable Artificial Intelligence. Alcuni di questi sistemi utilizzano le mappe di salienza: sovrappongono al tracciato una mappa di calore che evidenzia i segmenti degli ECG che hanno pesato di più sulla sua decisione. Vediamo letteralmente dove la macchina ha puntato gli occhi.
Lo spazio delle features e i suoi cluster non sono magia, ma il frutto dell’intelligenza umana al servizio della medicina. La prima volta che sentii questa espressione, asimmetria informativa, pensai che fosse roba per intellettuali, ma capii presto che la faccenda mi riguarda. Ci riguarda tutti. In fondo, a me è andata bene: pur vivendo in provincia, la mia patologia è stata correttamente riconosciuta, sono state adottate le misure ed iniziate le terapie per evitarmi problematiche ben più gravi. I medici sono stati bravi al punto da aver anche usato bene strumenti di intelligenza artificiale per curarmi. L’analogia con il trasporto aereo e la storia degli indicatori di validità è roba assai concreta ed importante. So che i medici già dispongono di alcuni di questi indicatori di validità di IA e che molti altri arriveranno presto. Ma chi pensa a noi pazienti? In mancanza di soluzioni affidabili è inevitabile che ci rivolgiamo ad Internet, a ChatGPT o ai suoi analoghi. Con quali rischi? Non sono prodotti concepiti per questo scopo. È pericoloso usarli da profani per questi scopi. Ma senza la pressione mediatica, dell’opinione pubblica e la voce dei medici, chi avrà interesse e si impegnerà per sviluppare soluzioni appropriate per noi utenti? Mario ha ragione. Ha capito una cosa importante: questi argomenti che sembrano astratti, asimmetria informativa, indicatori di validità, in realtà riguardano la sua vita. La vita di ognuno di voi.
Io sono un avatar, non ho di questi problemi. Ma voi sì. Mario ha colto un’altra distinzione fondamentale: gli strumenti pensati per i medici non sono gli stessi che servono ai pazienti. E nemmeno quelli che servono a chi deve organizzare la sanità. Sono tre mondi diversi, tre bisogni diversi. Facciamo un gioco. Chiamiamo gli indicatori di tipo A, B e C. Gli indicatori di tipo A sono per voi medici, per chi cura. I tipo B sono per i pazienti, per chi viene curato. I tipo C sono per gli amministratori, per chi deve far funzionare il sistema. La mia intervista risale al dicembre 2025. Voi la vedrete a marzo 2026, chissà quante altre novità ci saranno nel frattempo. Ma oggi? Oggi gli indicatori di tipo A già esistono: assistenti clinici con intelligenza artificiale, strumenti per eseguire o esaminare le ecografie del cuore, sistemi che vi aiutano nella diagnosi. Non sono chiamati ufficialmente indicatori di validità, ma ci sono e di fatto lo sono. E gli altri? Gli indicatori per i pazienti? Per gli amministratori? Praticamente nulla. Ed è qui che nasce il problema che Mario ha capito benissimo: se non diamo alla gente strumenti pensati per loro, strumenti sicuri, regolamentati, affidabili, cosa faranno? Useranno quello che trovano: ChatGPT, Cloud, Google, il primo chatbot che capita. Strumenti magari ottimi per altre cose, ma non pensati per questioni di salute. Non costruiti per essere affidabili quando in gioco c’è la vita di una persona. Ma c’è dell’altro. Sta succedendo qualcosa di più grande.
Pensate al 1800. Arriva il motore termico e il mondo dei trasporti cambia per sempre. C’era il cocchiere, che guidava le carrozze. C’era il maniscalco, che ferrava i cavalli. Figure rispettabili, professionisti del loro tempo. Ora provate a immaginare: prendete quel maniscalco e fategli ascoltare una conversazione tra un controllore di volo e un pilota di oggi. “Tower, richiedo autorizzazione per salire a flight level 350.” Il maniscalco capirebbe? Riuscirebbe anche solo a immaginare che esistono questi problemi? O ancora, un pilota che dice al suo amico: “Domani parto da Catania, volo a Ginevra, poi Milano, poi Roma, e in serata sarò a Frascati a cena con voi amici.” Il maniscalco probabilmente penserebbe che sta scherzando, o che è impazzito. Ecco: forse noi siamo i maniscalchi della medicina. Non perché non siamo bravi, lo siamo. Ma perché il mondo sta cambiando così velocemente che facciamo fatica anche solo a immaginare come sarà tra dieci anni. La differenza è che oggi tutto va molto, molto più veloce. L’intelligenza artificiale in medicina esiste da anni, ma lavorava nell’ombra. Solo gli addetti ai lavori la conoscevano, la usavano. Poi è arrivato quel fatidico giorno, 30 novembre 2022. Da quel giorno chiunque ha potuto toccare con mano l’intelligenza artificiale, parlare con lei in linguaggio normale, come se fosse un’altra persona. Da quel giorno tutto è esploso. E sono passati solo tre anni. Tre anni!
Ed eccoci al terzo punto, quello cruciale. Dobbiamo affrontare questa trasformazione con la testa. Non possiamo lasciarci travolgere. Dobbiamo essere informati, lucidi, consapevoli. Fatevi una domanda: cosa capireste della cardiopatia ischemica se non aveste mai studiato chimica e biochimica? Se non sapeste nulla del ciclo di Krebs, di come il corpo umano produce energia? Niente. Sareste vulnerabili. Se qualcuno vi dicesse che la cellula del miocardio produce energia tramite fissione nucleare, non avreste gli strumenti per riconoscere che è una sciocchezza. Vi mancherebbe il linguaggio, la grammatica di base per capire. Ecco cosa sta succedendo oggi. Sta nascendo una nuova disciplina. Come un tempo è nata la biochimica, oggi sta nascendo qualcosa di altrettanto fondamentale per chi lavora in sanità. Qualcosa che tra dieci anni sarà nei programmi di studio, nei manuali. Qualcosa senza cui non si potrà esercitare la professione medica. Siamo agli albori. È tutto ancora magmatico, informale. Ma piano piano vedremo questa disciplina prendere forma. Nascerà una sua struttura, dei suoi capitoli, dei suoi argomenti fondamentali. Arriveranno i maestri, i professori che la insegneranno. E voi siete qui! Adesso, all’inizio di questo processo. Bene! Questa sessione sta per finire. Tra poco voterete di nuovo, poi ci sarà il dibattito. Il congresso continua fino a mercoledì. Ma prima di chiudere, vi chiedo una cosa: si è accesa una lampadina? Avete una nuova chiave di lettura? Se sì, usatela. Provate ad applicarla a ogni altro momento di questo congresso. Ogni relazione, ogni dibattito, ogni pausa caffè dove parlate con i colleghi. Chiedetevi: qui dove si nasconde l’intelligenza artificiale? Come cambierà questo aspetto della mia professione? Quali strumenti mi servirebbero? Quali rischi corro se non mi adeguo? Perché adesso lo sapete? E non potete far finta di niente.
Ho provato questi strumenti di IA. Intelligenza artificiale in medicina: la consideri prevalentemente un rischio o un’opportunità?
Have you ever used an artificial intelligence tool in your clinical practice? AI in medicine: do you primarily consider it a risk or an opportunity?
My name is Mario, I am 33 years old and I live in Vigata. It was a quiet Sunday afternoon when suddenly I felt my heart in my throat. A sensation I had never felt before, filling me with anxiety. I rushed to the emergency room in Vigata.
That is how my story began. I am Lucia, an emergency physician in Vigata. I remember that Sunday well. Mario had atrial fibrillation, a new onset, his first episode. After two hours of amiodarone therapy, his heart rhythm normalized. The ECG returned to apparent normality, his blood pressure stable. But then I did something unthinkable until a few months ago. I submitted the tracing to our new AI-powered ECG analysis system. The response was astonishing: high probability of developing atrial fibrillation and left ventricular dysfunction. I immediately performed a focused echocardiogram with our new AI-assisted ultrasound, a tool that guides me step by step even though I am not an expert cardiologist.
I am Giorgio, a cardiologist at Vigata Hospital. I saw Mario the following Tuesday. The echocardiogram confirmed left ventricular dysfunction. Subsequent investigations revealed titin variant cardiomyopathy.
But Mario’s story is not an isolated case. A few weeks earlier, a 41-year-old woman came to the emergency room with transient motor deficits, likely a mini-stroke. Her ECG and echocardiogram were perfectly normal. Yet the AI flagged a high probability of atrial fibrillation. We decided to investigate further with a Holter monitor and discovered recurrent episodes of paroxysmal atrial fibrillation, completely asymptomatic.
I am Teresa, the healthcare director of Vigata Hospital. Those who work in rural areas know the difficulties: shortage of specialists, limited resources, the feeling of always being one step behind. Yet today I can say we are writing a different story. A year ago we made a courageous decision: to be among the first hospitals in Italy to open the doors to artificial intelligence in daily clinical practice. Today the results speak for themselves. Our emergency physicians have expanded their diagnostic autonomy, not replaced by technology but empowered by it. They have greater guarantees of the validity of their work. They are aware of the limitations of these tools and know how to maintain full control without being overwhelmed. They feel more confident, more capable, proud to offer our patients the level of care they expect.
I am Costanza, a researcher at the University Hospital of Montelusa. Our goal is not advertising, but to explain how these revolutionary tools work. The electrocardiogram seemed to have exhausted its diagnostic potential, but a new season has begun: new diagnostic capabilities, unthinkable until a few years ago. AI sees in ECGs what the human eye cannot see. The doctor analyzes it sequentially: measures intervals, examines waves and macroscopic components, looks for known patterns. AI, on the other hand, analyzes the entire tracing as if it were a symphony orchestra. It simultaneously captures the complex harmony of the 12 leads, identifying microscopic details and complex statistical relationships that escape the human eye and mind. Trained on millions of ECGs and their clinical data, digitally stored for decades in large centers, AI has learned to recognize electrical micro-prints. Thus it identifies patients with apparently normal ECGs who will develop atrial fibrillation, or who already have left ventricular dysfunction. This new diagnostic modality has shown surprisingly high sensitivity, specificity, and diagnostic accuracy.
Moving to echocardiography. Determining left ventricular volumes and ejection fraction requires technical expertise and medical skills. These AI tools have been trained by experienced operators to guide non-specialist physicians in acquiring images of sufficient quality for reliable measurements. The system recognizes images, applies necessary adjustments, and provides valid, verifiable results, facilitating the acquisition of specific skills and expanding the diagnostic autonomy of non-specialist physicians.
I am Edoardo, head of information systems for the Vigata Health Authority. The digital transition in healthcare has just begun, and with it comes innovation followed by transformation through AI. It is not just about technology: we are transforming the cultural roots of how we acquire knowledge, conceive and implement medical practice and healthcare. This is a radical paradigm shift that redefines the training and continuing education of doctors, healthcare workers, and us healthcare engineers. Doctors face this cultural and scientific revolution by learning new languages, embracing paradigms that seemed like science fiction just a few years ago. They question every day how AI can, not replace, but integrate the clinical intuition developed over decades of experience. Only by working together will we produce true innovation and progress. This is just the dawn of a revolution that will redefine what it means to be a doctor, to cure, to heal. And we at Vigata want to be protagonists, not spectators, of this epochal change.
In 1972, Kenneth Arrow won the Nobel Prize for discussing information asymmetry, including in healthcare. In late September, a plane had a serious problem after takeoff from Catania. A software flaw was discovered and promptly fixed. In late October, another incident on a flight between Cancun and New York. Six thousand planes were recalled for urgent repairs, even the one carrying the Pope. Yet no one was hurt, no material damage. When we board a plane, we expect to arrive safely. And this happens almost always. Rare plane crashes make news worldwide. If aviation lost this reliability, the entire system would collapse. Everyone can verify whether a flight went well or if you arrive at your destination. The information is clear, transparent, symmetric. In healthcare, things work differently. There is what experts call information asymmetry. The doctor knows a lot, the patient very little. This knowledge gap prevents the patient from objectively judging whether the doctor is doing a good job. It is an inevitable characteristic of modern healthcare systems: medicine is complex, requires years of study, and cannot be otherwise. But this creates a difficult paradox. How do we know if a medical procedure, a diagnosis, or a treatment is valid? Attention: validity does not necessarily mean cure. A treatment can be perfectly correct even if the patient does not recover. A procedure is valid when it follows correct protocols, is based on available evidence and scientific knowledge, and respects the boundary between natural variability of outcomes and irresponsible improvisation. The problem is that it is essentially impossible to evaluate the validity of every single medical procedure. We cannot open the hood and check if everything was done properly, as we could with an aircraft engine. The situation gets even more complicated: the doctor is fully responsible for the validity of the care provided and must answer for errors. Yet, in most cases, they do not have the power to control the organizational conditions that would allow them to guarantee that validity. In short, we lack the tools to truly measure the validity of care, and so far it has not been possible to create them. Since we cannot measure actual quality and appropriateness of care, healthcare systems have focused on what is easier to measure: costs, time, speed. How much does a procedure cost? How long does it take? How many patients can we treat per day? These are indicators of economic efficiency, not medical validity. It is like evaluating a plane only by how fast it takes off, not whether it arrives at its destination. The introduction of AI could radically change this pattern. AI seems capable of offering objective indicators of the validity of each individual medical procedure, something similar to those clear, verifiable indicators that aviation has used for decades. If this possibility materializes, we could finally build new healthcare models based on real reliability and efficiency, just as the air transport system has done. In short, aviation teaches us that reliability is built with objective and transparent verification systems. Medicine does not yet have these tools, but AI seems capable of providing them, radically transforming the way we conceive and implement healthcare.
There are three, not two, poles of information asymmetry in healthcare, isolated at the vertices of a triangle. The doctor, the vertex of competence, the only one able to evaluate clinical validity. The patient, the vertex of need, who relies on empathy and experience. The administrator, the vertex of sustainability, focused on budget and productivity. These worlds do not communicate. The doctor speaks the language of science, the patient speaks the language of emotion, the administrator speaks the language of management. Without a common denominator, the system remains fragile, as Kenneth Arrow said. But today, for the first time, we have a possible universal translator: AI. It can become a bridge, offering real and transparent validity indicators for all three vertices, which could finally look at the same compass, converting asymmetry into synergy. Is this the direction we are taking? The tech giants smell opportunities, proposing their clinical assistants designed for users, ready to enter Europe. Think also about what is happening in China. The topic is complex, articulated, and involves all three vertices of the triangle. If the medical community ignores it, someone else will step in.
I am Cecilia. After working a few years as a cardiologist at Montelusa Hospital, I moved to the province, to the outpatient cardiology clinic in Fiacca. In the hospital, you work in a team, you exchange ideas, you consult each other. In an outpatient setting, this rarely happens, and I miss it. A few years ago I discovered Large Language Models, like ChatGPT, and then also Claude, Gemini, DeepSeek. With great caution, I started trying them. Then I discovered Open Evidence, a product reserved for doctors, offering greater guarantees on the scientific validity of the training it undergoes. With caution and prudence, respecting the rules for protecting sensitive and health data, I began interacting with Open Evidence as if it were a colleague. I know, it is not a colleague, not at all, but it changes the game. Let me show you an example of what I usually do. What I am showing you is my dialogue with Open Evidence. It concerns a 58-year-old man with dyslipidemia and many other cardiovascular risk factors, with ultrasound evidence of non-critical, asymptomatic coronary atherosclerosis in the carotid arteries. We discuss the appropriateness of drug therapy for dyslipidemia. It is a dialogue supported by scientific literature references. A real paradigm shift, unimaginable just a few years ago. I am aware that we must be very cautious, neither overenthusiastic nor victim of prejudice. I know we are just at the beginning of a new era in medicine, and with a spirit of balanced common sense, I read up, inform myself, and try things hands-on. I believe a new discipline is emerging, missing from my training but not from that of young doctors. I am ready to adapt.
Cecilia spoke to you about Open Evidence from the clinician’s perspective. Let me frame this tool in a broader context. Open Evidence belongs to the category of AI clinical assistants. These are further defined as action assistants, or copilots, and reasoning assistants, or co-thinkers, based on their primary role. Open Evidence is mainly a co-thinker. Digital giants have entered the field, investing enormous resources in AI, including healthcare. Their products are at the doors of the European Union, where AI Act and GDPR rules regulate their access. The AI Act classifies many of these clinical assistants as high-risk systems, requiring rigorous certifications before use in diagnostic-therapeutic settings. Products like DAX Copilot, Epic, and Abridge are already commonly used in daily practice by over 600,000 physicians overseas. Then there are European products like Nabla and Tandem Health. One of the clinical copilot functions is called AI Scribe: a virtual assistant that sees, examines, listens, and prepares drafts of documents, reports, clinical summaries, and prescriptions, taking on those repetitive, bureaucratic, mnemonic tasks, but also intellectually significant ones, which the doctor will find ready and then verify, integrate, or correct and finally validate. In short, a big game has already begun. We are still at the start but moving forward in leaps and bounds. I am speaking in December 2025. Where will we be in March 2026?
Those who find information in an ECG that no expert cardiologist could are not magic tools, but the result of human intelligence. How did we get this far? Do you know what feature space is? I only discovered it recently. Lucia will explain it. I used AI tools, including those that generated Lucia and my digital twin, which is speaking to you now. What if I told you that medicine hides a secret language, and today we have the key to decipher it? We will dive into a concept that is literally redesigning diagnosis: feature space. It all begins with the intuition of a brilliant clinician, with their ability, almost a sixth sense, to recognize patterns amidst a sea of noise. Imagine the scene: that very experienced doctor is not looking at a single patient. Their gaze widens to hundreds, thousands of cases. At some point, they notice something: a strange combination of clues that keeps recurring. And they immediately realize: this is no coincidence, it is a pattern, the clue to an unknown condition. To describe this clinical digital footprint, we use a beautiful metaphor: a constellation of traces. A set of signs, of data, that together outline the profile of a potential new disease. That hypothesis will undergo a rigorous scientific validation process to turn it into evidence, allowing other doctors to recognize it in the future. This is the logic we humans use. AI does something similar: it recognizes patterns and constellations of traces, but does so with complex mathematical logic. It converts each of those elements into a vector to be placed in an imaginary space, a space with countless dimensions: feature space. Okay, feature space sounds abstract, right? Let’s make it concrete. We are about to map disease into a virtual space. In this space, patients become simple points. Let’s take a practical example. Let’s take a heart. How can you tell if it is healthy or sick just by looking at that wobbly line on a monitor? To an untrained eye, an electrocardiogram looks like a scribble. But to your trained eye, that scribble is a goldmine. You analyze intervals, waveforms, recurrences, aggregates of features you know how to interpret. AI does the same. But in that same ECG, it can identify a huge number of micro-features, impossible for the human mind. In doing so, it becomes capable of recognizing conditions that the most experienced cardiologist could never detect alone. Now let’s visualize our mathematical space. Think of it as a giant virtual room with one dimension for each of those countless features that AI has measured. Well, inside this room, each subject’s ECG becomes a single, tiny point. And here is where the data magic happens. In this space, the points of healthy patients are not random, but tend to cluster: they form a compact cloud, a galaxy, a cluster. But what happens if, analyzing thousands of people’s data, another galaxy of points appears? A compact group, yes, but located in an isolated corner of the map. Who are they? What is that lost little group telling us? Is it a new disease? Or a new way to recognize a known pathology? It is the visual and mathematical proof that there is something different there. It is its numerical signature, a combination of values that repeats and signals a condition we didn’t even know existed until a moment ago. These clusters become the words of a new language. A language that machines learn to speak for us. They use it to recognize known pathologies more precisely. But, and this is the incredible part, they also use it to shine a spotlight on conditions that until now remained hidden in the silence of data.
This is what AI does to recognize apparently normal ECGs in subjects with high probability of developing atrial fibrillation. Look at this tracing: morphologically perfect. The system analyzes and responds: very low probability of structural pathologies. And here is the subject’s echocardiogram: a young, healthy, high-performing heart. Now look at this other one: here, conduction disturbances and arrhythmia are evident even to an untrained eye. But the system goes beyond morphology and signals a significant probability of right ventricular dysfunction. This is the subject’s heart.
Do we have to blindly trust a verdict without proof? Is it the usual AI black box? The answer lies in Explainable Artificial Intelligence. Some of these systems use saliency maps: they overlay a heatmap on the tracing that highlights the ECG segments that weighed most heavily on its decision. We can literally see where the machine focused its eyes.
Feature space and its clusters are not magic, but the fruit of human intelligence at the service of medicine. The first time I heard the term “information asymmetry”, I thought it was something for intellectuals, but I soon understood it concerns me. It concerns all of us. After all, I was lucky: even living in the province, my condition was correctly recognized, measures were taken, and therapies started to prevent far more serious problems. The doctors were good enough to also use AI tools well to treat me. The analogy with air transport and the story of validity indicators is very concrete and important. I know that doctors already have some of these AI validity indicators and many more will arrive soon. But who thinks about us patients? In the absence of reliable solutions, it is inevitable that we turn to the internet, to ChatGPT or its equivalents. At what risk? These are not products designed for that purpose. It is dangerous for non-experts to use them for these purposes. But without media pressure, public opinion, and the voice of doctors, who will have the interest and commitment to develop appropriate solutions for us users? Mario is right. He understood something important: these topics that seem abstract, information asymmetry, validity indicators, actually affect his life. The life of each of you.
I am an avatar, I don’t have these problems. But you do. Mario captured another fundamental distinction: tools designed for doctors are not the same as those needed by patients. Nor are they the same as those needed by those who organize healthcare. These are three different worlds, three different needs. Let’s play a game. Let’s call them type A, B, and C indicators. Type A indicators are for you doctors, for those who treat. Type B are for patients, for those being treated. Type C are for administrators, for those who must make the system work. My interview dates back to December 2025. You will see it in March 2026, who knows how many more novelties there will be in the meantime. But today? Today, type A indicators already exist: AI clinical assistants, tools for performing or examining heart ultrasounds, systems that help you in diagnosis. They are not officially called validity indicators, but they exist and effectively serve that purpose. And the others? Indicators for patients? For administrators? Practically nothing. And this is where the problem lies, which Mario understood perfectly: if we don’t give people tools designed for them, safe, regulated, reliable tools, what will they do? They will use whatever they find: ChatGPT, Cloud, Google, the first chatbot they come across. Tools that may be excellent for other things, but not designed for health matters. Not built to be reliable when a person’s life is at stake. But there is more. Something bigger is happening.
Think about the 1800s. The heat engine arrives and the world of transport changes forever. There was the coachman, who drove carriages. There was the farrier, who shod horses. Respectable figures, professionals of their time. Now try to imagine: take that farrier and make him listen to a conversation between an air traffic controller and a modern pilot. “Tower, request clearance to climb to flight level 350.” Would the farrier understand? Could he even imagine such problems? Or a pilot telling his friend: “Tomorrow I leave Catania, fly to Geneva, then Milan, then Rome, and in the evening I’ll be in Frascati for dinner with you friends.” The farrier would probably think he’s joking, or that he’s gone mad. That’s it: perhaps we are the farriers of medicine. Not because we aren’t good, we are. But because the world is changing so fast that we struggle even to imagine what it will be like in ten years. The difference is that today everything moves much, much faster. AI in medicine has existed for years, but it worked in the shadows. Only insiders knew about it, used it. Then came that fateful day, November 30, 2022. Since that day, anyone has been able to touch AI, talk to it in normal language, as if it were another person. Since that day, everything exploded. And only three years have passed. Three years!
And here is the third point, the crucial one. We must face this transformation with our heads. We cannot let ourselves be overwhelmed. We must be informed, lucid, aware. Ask yourselves: what would you understand about ischemic heart disease if you had never studied chemistry and biochemistry? If you knew nothing about the Krebs cycle, about how the human body produces energy? Nothing. You would be vulnerable. If someone told you that the myocardial cell produces energy through nuclear fission, you would not have the tools to recognize that as nonsense. You would lack the language, the basic grammar to understand. That is what is happening today. A new discipline is being born. Just as biochemistry was born in its time, today something equally fundamental is emerging for those working in healthcare. Something that in ten years will be in curricula, in textbooks. Something without which it will not be possible to practice medicine. We are at the dawn. Everything is still fluid, informal. But little by little, we will see this discipline take shape. Its structure, its chapters, its core topics will emerge. Masters and professors will come to teach it. And you are here! Now, at the beginning of this process. Good! This session is about to end. Soon you will vote again, then there will be the debate. The congress continues until Wednesday. But before closing, I ask you one thing: did a light bulb go on? Do you have a new reading key? If so, use it. Try applying it to every other moment of this congress. Every talk, every debate, every coffee break where you talk with colleagues. Ask yourselves: where is AI hidden here? How will this aspect of my profession change? What tools would I need? What risks do I run if I don’t adapt? Because now you know. And you can’t pretend otherwise.
I have tried these AI tools. Artificial intelligence in medicine: do you primarily consider it a risk or an opportunity?
