Log in

Ops! Per usare il Centro di Lettura devi prima effettuare il log in!

Password dimenticata?

Non hai un account? Registrati

Registrazione

Sei un essere umano?

Hai già un account? Log in

Cerca nel sito…

Reset

Guardando al futuro, una delle domande decisive riguarda le strategie culturali, professionali e istituzionali capaci di favorire una reale crescita e riqualificazione dei professionisti sanitari che utilizzano l’intelligenza artificiale come strumento di lavoro o come assistente. Quali competenze dovrebbero entrare nei curricula universitari? E quali nella formazione continua?

Affronto questi interrogativi con un doppio cappello: da un lato come studioso e osservatore di questi processi, dall’altro come responsabile della Formazione in un’Azienda sanitaria, quindi con responsabilità molto concrete su cosa e come si fa formazione continua. È una posizione che obbliga a tenere insieme visione e praticabilità.

Il punto di partenza è un problema: il rischio di deskilling dei professionisti sanitari. Se formiamo medici che crescono affidandosi sistematicamente agli algoritmi senza aver prima sviluppato un robusto giudizio clinico autonomo, creiamo una dipendenza strutturale. È come insegnare a guidare solo con cruise control e assistenti automatici: funziona finché la tecnologia funziona, ma quando serve riprendere il controllo manuale – e prima o poi serve sempre – mancano i riflessi, l’esperienza incarnata, la capacità, mi si consenta, di improvvisare.

Il nodo, però, non è “formare senza IA” o, peggio, ritardare l’introduzione della tecnologia. Sarebbe anacronistico e controproducente. La vera questione è come integrare l’IA nei percorsi formativi, in modo che potenzi le competenze umane invece di atrofizzarle. Per questo propongo di ragionare su tre livelli intrecciati: curricula universitari, formazione continua e cultura organizzativa.

Curricula universitari: fondamenta solide prima di inserire gli assistenti IA

La mia proposta è netta: nei primi anni della formazione medica, l’IA non dovrebbe essere utilizzata come strumento diagnostico-decisionale. Prima va costruito il ragionamento clinico “puro” – anamnesi, esame obiettivo, diagnosi differenziale, interpretazione degli esami – e solo successivamente l’IA può essere introdotta come consulente esperto da interrogare criticamente.

Così come in informatica si studia prima la matematica e solo dopo si usano linguaggi che risparmiano il lavoro manuale, in medicina occorre prima sviluppare l’occhio clinico, il ragionamento abduttivo, la capacità di formulare ipotesi in condizioni di incertezza. Solo quando queste competenze sono consolidate ha senso mostrare dove l’IA eccelle, dove fallisce, come interrogarla e quando, invece, è opportuno non fidarsi.

Concretamente, gli studenti e gli specializzandi dei primi anni dovrebbero discutere casi complessi senza accesso a database algoritmici, esercitarsi a costruire diagnosi differenziali partendo dalla sola clinica, imparare a tollerare l’incertezza e a prendere decisioni con informazioni incomplete. Perché questa, al netto di ogni retorica tecnologica, è la condizione normale della medicina reale.

A queste basi vanno poi affiancate competenze nuove, finora scarsamente presenti nei curricula.

La prima è una vera literacy algoritmica. Non serve che tutti diventino data scientist, ma tutti devono capire cosa può e cosa non può fare un modello predittivo. Cosa significa un’accuracy del 95% in contesti con prevalenze diverse. Cos’è un falso positivo e quando pesa più di un falso negativo. Come viene addestrato un algoritmo e quali bias può incorporare.

Su questo punto registro troppe banalizzazioni: qualche corsetto, un master di poche settimane sull’IA. Non basta. La consapevolezza algoritmica richiede un training prolungato. L’università può e deve gettare le basi, ma resta responsabilità del professionista rimanere aggiornato sulle tecnologie che utilizza.

Un esempio classico: algoritmi addestrati prevalentemente su popolazioni caucasiche che performano peggio su pazienti con carnagioni scure in dermatologia o nell’imaging. Se il medico non lo sa – e spesso nei corsi introduttivi queste cose non vengono spiegate – userà lo strumento in modo acritico, contribuendo a perpetuare disuguaglianze.

La seconda competenza riguarda l’etica della decisione in contesti algoritmici. Quando è giusto seguire l’IA? Quando è legittimo disallinearsi? Come si documenta e si giustifica una scelta che va contro il suggerimento algoritmico? Come si comunica al paziente una decisione presa con il supporto dell’IA? Non sono tecnicismi: sono questioni etiche fondamentali che richiedono spazi strutturati di riflessione.

Questo vuoto verrà riempito comunque. O da giudici che sanno poco di medicina e di informatica, chiamati loro malgrado a decidere in cause di malpractice dove compare l’IA, oppure dalla classe medica stessa, attraverso le sue rappresentanze professionali. Mi auguro che non siano i primi ad arrivare per primi.

La terza area riguarda le competenze relazionali, che paradossalmente diventano sempre più centrali proprio perché l’IA assorbe molte funzioni tecniche. Costruire alleanze terapeutiche, comunicare l’incertezza, negoziare priorità con il paziente, leggere il non detto, gestire emozioni proprie e altrui in situazioni critiche: queste non sono più “soft skill”, ma vere hard skill, da insegnare esplicitamente.

Infine, serve rafforzare la capacità di sintesi interdisciplinare. L’IA eccelle nei domini specifici; il valore umano sta nell’integrare domini diversi. La medicina del futuro ha bisogno di professionisti capaci di muoversi tra fisiologia, psicologia, sociologia, economia sanitaria, antropologia medica, pensando il paziente come sistema bio-psico-sociale complesso e non come semplice insieme di parametri ottimizzabili.

Formazione continua: aggiornare le competenze e prevenire il deskilling nel tempo

È nella formazione continua che il rischio di deskilling diventa massimo, perché riguarda professionisti già formati che, poco alla volta, delegano all’IA e perdono esercizio. Una proposta concreta è introdurre spazi di pratica deliberata senza IA, analogamente a quanto fanno i piloti, che continuano a fare ore di simulatore con autopilota spento. A questo vanno affiancati audit clinici strutturati: casi in cui “ho seguito l’IA e ho avuto ragione o torto”, e casi in cui “mi sono disallineato e ho avuto ragione o torto”. L’obiettivo è costruire una memoria istituzionale delle situazioni in cui il giudizio umano ha fatto la differenza, o in cui l’affidamento acritico all’algoritmo ha creato problemi. Infine, la formazione continua deve includere aggiornamenti sugli strumenti stessi. L’IA evolve rapidamente: un sistema che oggi performa bene può diventare obsoleto in pochi anni. I professionisti devono essere aggiornati non solo sulle evidenze cliniche, ma anche sulle capacità e sui limiti degli strumenti che usano quotidianamente.

Cultura organizzativa: il contesto fa la differenza

Il terzo livello, forse il più difficile ma anche il più decisivo, è quello della cultura organizzativa. Possiamo formare medici eccellenti, ma se poi li inseriamo in contesti che premiano solo velocità, standardizzazione e adesione acritica ai protocolli “per non rischiare”, tutto il lavoro formativo si dissolve.  Servono organizzazioni che valorizzino esplicitamente il disallineamento motivato, non come eccezione da giustificare, ma come parte integrante della buona pratica clinica. Che riconoscano che un medico che riflette, dubita e si prende tempo per decisioni complesse non sta perdendo tempo, ma sta facendo bene il proprio lavoro.

Servono meccanismi di peer review non punitivi, spazi in cui si possa dire: “Ho avuto un caso difficile, non sapevo cosa fare, ho scelto così per questi motivi”, senza che ogni incertezza venga letta come incompetenza.

Servono anche indicatori di qualità che non misurino solo efficienza e aderenza ai protocolli, ma anche capacità di personalizzazione, gestione della complessità, costruzione di relazioni terapeutiche nel tempo. E, infine, è necessario che le piattaforme e gli strumenti algoritmici siano scelti e governati anche dai professionisti, non imposti dall’alto per sole logiche economiche o amministrative. I medici devono avere voce nella selezione, implementazione e valutazione continua dell’IA che utilizzano.

In sintesi: evitare i “vassalli digitali”

In sintesi, evitare di formare “vassalli digitali” significa investire su professionisti che abbiano solide competenze cliniche di base sviluppate prima e indipendentemente dall’IA; che sappiano interrogare criticamente gli algoritmi e riconoscerne limiti e bias; che mantengano vivo l’esercizio del ragionamento autonomo; che abbiano competenze relazionali ed etiche rafforzate; e che lavorino in organizzazioni capaci di valorizzare il giudizio critico, non solo la compliance. Il nuovo patto formativo non può più essere “studia queste nozioni e avrai un posto”, perché le nozioni sono ormai una commodity. Deve diventare: sviluppa capacità di giudizio, sintesi, relazione e responsabilità, e saprai governare la tecnologia invece di esserne governato. Alla domanda finale – “in quale categoria ti trovi oggi e in quale si troveranno i tuoi figli domani?” – la risposta passa anche, e forse soprattutto, da qui: da come scegliamo di investire oggi nella formazione dei professionisti di domani.

Giuseppe Zanini
Direttore dell’Unità operativa semplice a valenza dipartimentale Formazione
Aulss 7 Pedemontana
Bassano del Grappa (Vicenza)

I 4 PILASTRI PER GOVERNARE L’IA IN MEDICINA
La risposta operativa alla minaccia del deskilling e del conformismo algoritmico
1. Cambio di paradigma formativo. L’intelligenza artificiale non deve essere considerata come la “risposta giusta”, ma come un consulente esperto da interrogare criticamente. Gli specializzandi devono imparare a formulare il proprio ragionamento clinico autonomo prima di consultare l’algoritmo.
2. Pratica deliberata “offline”. È necessario creare spazi di esercitazione senza l’IA, similmente a quanto avviene per i piloti d’aereo con l’autopilota. Questo si realizza attraverso discussioni di casi complessi e audit clinici per esercitare il ragionamento puro.
3. Monitoraggio delle competenze. L’introduzione di strumenti tecnologici deve essere accompagnata da una misurazione costante dell’evoluzione delle capacità diagnostiche del medico. Bisogna verificare se, nel tempo, restano stabili o subiscono un degrado dovuto alla delega tecnologica.
4. Inversione degli incentivi legali. Occorre modificare il quadro giuridico affinché il “disallineamento motivato” (l’override umano) non sia più rischioso del seguire acriticamente l’algoritmo. L’obiettivo è evitare che il timore di ripercussioni legali spinga i professionisti verso un conformismo algoritmico acritico, che finirebbe per indebolire il giudizio clinico e l’autonomia professionale.

 


Leggi anche

medico intelligenza artificiale margine

Il medico e il margine del valore umano con l’IA

Decidere nell’incertezza e governare l’algoritmo: intervista a Giuseppe Zanini

AI medico sindrome sostituzione

La sindrome da sostituzione algoritmica

Quando l’IA minaccia l’identità del medico: Giuseppe Zanini

Condividi

Condividi questo articolo:

Ultimi articoli

I fatti di Ravenna e la FNOMCeO a tutela dell’autonomia clinica

Il Consiglio nazionale della FNOMCeO sulla distinzione tra funzione sanitaria e funzione di sicurezza

I commenti sono chiusi.