Attualità
Claudio Maria Marciano di Scala
Abstract
La convergenza tra metodiche di diagnostica per immagini non invasiva e modelli computazionali di intelligenza artificiale apre scenari inediti nella pratica biomedica contemporanea, con un impatto particolarmente incisivo in ambito dermatologico. Il dibattito pubblico e scientifico, tuttavia, oscilla tra un catastrofismo paralizzante e un'adesione tecno- ottimistica priva di riserve critiche: il saggio propone di spostare la domanda da «se» a «come» fidarsi dell'algoritmo, nel segno di una fiducia calibrata. L'analisi della transizione tecnologica procede attraverso un parallelismo con la Rivoluzione Industriale, esaminando la riconfigurazione del dato clinico come risorsa primaria estrattiva e il rischio di riproduzione di nuove asimmetrie globali.
Il saggio ricostruisce inoltre una possibile genealogia della delega clinica: il progressivo ridimensionamento della centralità dell'esame obiettivo e della semeiotica, pur tuttora presenti nella formazione medica, offre una chiave interpretativa dell'attuale affidamento agli strumenti algoritmici. Attraverso il sapere tacito di Michael Polanyi e il pensiero di Giambattista Vico, si sostiene che il giudizio clinico non possa essere ridotto al solo calcolo probabilistico. Il caso della dermatologia mostra come dataset non sufficientemente rappresentativi dei diversi fototipi cutanei possano produrre disparità di prestazione e aggravare disuguaglianze sanitarie. La conclusione propone una supervisione umana effettiva, commisurata al rischio e al contesto d'impiego: l'IA deve sostenere il medico, non indebolire la responsabilità, l'alleanza terapeutica e il tempo della cura.
1. Il dibattito contemporaneo: oltre apocalittici e integrati
Il presente saggio sviluppa e rielabora, in forma autonoma, un intervento presentato dallo stesso autore al Workshop «Non-invasive Diagnostics and Artificial Intelligence in Medicine: Focus on Dermatology» (Sapienza Università di Roma, 21 settembre 2026). Una riflessione sull'etica dell'intelligenza artificiale in medicina rischia sempre di scivolare nell'ennesimo monito o, peggio, in un'omelia accademica. Eppure la precisione dei modelli, la capacità computazionale di decifrare immagini e la potenza del dato clinico applicato alla dermatologia sono sotto gli occhi di tutti. Queste pagine intendono offrire spunti da approfondire non solo sul terreno del calcolo, ma sul terreno del senso, e lo fanno da un triplice osservatorio: quello della medicina, di cui l'autore è esponente; quello delle scienze politiche, in cui è laureato; e quello delle iniziative di riflessione internazionale sull'etica dell'intelligenza artificiale cui prende parte.
Il dibattito attuale si svolge in una fase di transizione segnata da notizie contrapposte, che dividono l'opinione pubblica. Da un lato, la stampa restituisce toni apocalittici: «Presto l'AI potrebbe ucciderci tutti. Lascia un ricercatore di Anthropic» (Iacoboni, 2026); «Apocalisse IA: ora l'allarme divide il mondo» (Cicinelli, 2026); «La rivolta dei dipendenti che ha frenato Big Tech: "Rischiamo l'apocalisse"» (Pisa, 2026); fino al monito di Mattarella sui rischi per gli esseri umani e sull'allargamento delle disuguaglianze (La Stampa, 2026).
Dall'altro, la stessa stampa dà conto di traguardi diagnostici di straordinaria portata: «Un sostegno per la ricerca medica: l'IA può predire l'efficacia dell'immunoterapia sui pazienti con cancro ai polmoni» (TGCOM24, 2026); «V2P: la prima intelligenza artificiale che prevede le malattie a partire dal DNA» (Da Rold, 2026). Questi titoli trovano riscontro nella letteratura scientifica: modelli multimodali che integrano dati clinici, immagini, patologia digitale e genomica per anticipare la risposta all'immunoterapia nel carcinoma polmonare non a piccole cellule (Prelaj et al., 2026) e sistemi capaci di ricondurre le varianti genetiche a categorie di malattia (Stein et al., 2025).
Traslata nella pratica medica quotidiana, questa contrapposizione genera due derive cognitive ed epistemologiche parimenti insidiose, che sono gli estremi opposti di uno stesso spettro di atteggiamenti:
• L'over-reliance (eccesso di fiducia):l'atteggiamento mediante il quale il professionista abdica alla propria saggezza clinica, delegando l'atto valutativo all'autorità formale e quantitativa della macchina. In tale scenario, l'output probabilistico viene assunto come verità dogmatica, disattivando il dubbio metodico indispensabile alla diagnosi differenziale.
• L'algorithmaversion (rifiuto preconcetto): la resistenza psicologica e corporativa che rifiuta in blocco l'evidenza computazionale in virtù di un pregiudizio tecnofobico. Questo rigetto preconcetto rischia di privare il paziente del potenziale predittivo e salvavita di sistemi capaci di cogliere dettagli microscopici e pattern complessi invisibili all'occhio umano.
Tra questi due estremi non c'è un compromesso tiepido, ma un'altra domanda: non se fidarsi dell'algoritmo, bensì quanto, per quale compito e con quali verifiche. La letteratura sull'automationbias indica che l'affidamento eccessivo diminuisce quando l'utente è formato, quando la responsabilità resta chiaramente in capo a lui e quando il sistema espone il proprio grado di incertezza (Goddard et al., 2012); quella sull'algorithmaversion mostra che la diffidenza si attenua quando il clinico può intervenire sul risultato (Dietvorst et al., 2018). Questa fiducia calibrata, proporzionata all'affidabilità dimostrata dello strumento e rivista nel tempo, come si fa con un collega, è la forma operativa di ciò che più avanti viene indicato come Human-in-Command.
I dati disponibili sul lavoro congiunto di medico e algoritmo vanno in questa direzione. Nello studio I3LUNG, venti medici - dieci specialisti del polmone e dieci di altre discipline - hanno rivalutato cento casi reali prima e dopo il supporto dello strumento: la capacità di individuare i pazienti responder è passata da un'AUC di 0,72 a 0,87, con i maggiori benefici per i non specialisti, e la concordanza tra i medici è aumentata (Prelaj et al., 2026).
Si tratta della fase retrospettiva di uno studio ancora in corso, e come tale va letta; ma indica che il valore dell'algoritmo non sta nel sostituire il giudizio, bensì nel renderlo più accurato e più omogeneo.
Uscire da questa contrapposizione significa comprendere che l'intelligenza artificiale non è né buona né cattiva in sé (Ruggeri, 2026), ma non è mai neutra: riflette i dati con cui viene addestrata, le finalità operative per cui viene impiegata e il modello di governance etica in cui viene inscritta. La sua valenza dipende dunque da scelte umane, il che la rende una responsabilità prima ancora che un destino.
In questa prospettiva si colloca anche l'interesse per un governo etico dell'intelligenza artificiale sviluppato nelle attività accademiche e istituzionali dell'autore. Il punto decisivo non è contrapporre fautori e oppositori dell'innovazione, ma definire criteri pubblici di affidabilità, controllo e responsabilità.
2. Dalla macchina a vapore al calcolo cognitivo: la seconda transizione industriale
Per decifrare la portata trasformativa dell'IA è necessario ricorrere a una prospettiva storico- economica. La prima Rivoluzione Industriale si caratterizzò per la sostituzione e l'amplificazione della forza muscolare umana per mezzo della termodinamica e della meccanica. L'odierna transizione computazionale agisce invece su una sfera radicalmente diversa: non interviene sulla motricità, bensì automatizza, estende ed elabora le funzioni cognitive, analitiche e decisionali.
Tale parallelismo disvela tre nodi strutturali:
1. Dall'estrazione mineraria al dato clinico: laddove lo sviluppo ottocentesco era alimentato dall'estrazione di carbone e minerali, l'economia algoritmica ha un nuovo combustibile: i dati. Immagini ad altissima risoluzione, tracciati dermatoscopici, referti istopatologici e cartelle cliniche elettroniche fanno del dato sanitario la materia prima attorno a cui si concentrano investimenti e asimmetrie industriali.
2. Le nuove geografie della dipendenza: la rivoluzione industriale determinò una frattura tra i paesi industrializzati, che accumularono potere, tecnologia e benessere, e i territori colonizzati, relegati al ruolo di meri fornitori di materie prime. Allo stesso modo, i modelli di IA più potenti rischiano di essere governati da un gruppo ristretto di nazioni e corporazioni, espropriando i sistemi sanitari periferici della sovranità sui propri percorsi diagnostici.
3. La riconfigurazione del lavoro e della competizione: la rivoluzione industriale suscitò forti tensioni sociali e il timore della disoccupazione di massa, ma col tempo il lavoro non scomparve: si trasformò. Oggi l'IA inquieta tutte le professioni, comprese quelle sanitarie, e ci si chiede se l'algoritmo sostituirà il medico. La storia suggerisce che il punto non è fermare la macchina, ma ridefinirne l'uso: non sarà l'IA a sostituire il medico, bensì il medico che la usa con coscienza etica a sostituire chi non la usa o chi la usa ciecamente. L'attenzione quotidiana si concentra più su come l'IA sostituirà l'uomo che sulla concorrenza di chi lo sostituirà usandola meglio: la vera competizione non è tra l'uomo e la macchina, ma tra i modi e capacità diverse di utilizzo.
3. La genealogia della delega clinica: dalla semeiotica all'algoritmo
L'inclinazione del medico contemporaneo a delegare il giudizio clinico alla computazione non nasce nel vuoto; affonda le radici in una mutazione epistemologica consumatasi nell'arco degli ultimi decenni. Vi fu un tempo in cui la semeiotica medica rappresentava il cuore pulsante dell'arte sanitaria: l'ispezione, la palpazione, la percussione e l'ascoltazione costituivano il ponte fenomenologico e relazionale primario tra il curante e il corpo sofferente. Attraverso l'uso sapiente dei cinque sensi e l'anamnesi biografica, il clinico decodificava i segni organici trasformandoli in senso patologico.
L'avvento della diagnostica strumentale ad alta definizione ha modificato profondamente la pratica clinica. Ecografie, tomografie computerizzate, risonanze magnetiche e biomarcatori hanno accresciuto le possibilità di osservazione e verifica, ma possono anche favorire, quando impiegati senza un adeguato inquadramento clinico, un'eccessiva dipendenza dal referto.
Il medico può così trovarsi a incontrare l'immagine del paziente prima del paziente stesso (Verghese et al., 2011). Anche la medicina difensiva può contribuire alla moltiplicazione degli accertamenti, sebbene il suo peso vari a seconda dei contesti. Non si può parlare di scomparsa della semeiotica dagli studi medici: l'esame obiettivo resta parte della formazione. È però legittimo interrogarsi sul rischio che la crescente centralità delle tecnologie ne riduca, nella pratica, il valore formativo e relazionale.
L'intelligenza artificiale si inserisce in questa trasformazione. Collegata ai sistemi di acquisizione e interpretazione delle immagini, dalla dermatoscopia digitale alla radiologia, può produrre valutazioni probabilistiche già sintetizzate. Il rischio non consiste nell'uso della tecnologia, ma nel confondere il risultato di un modello con una diagnosi autosufficiente: senza anamnesi, esame obiettivo e verifica critica, il supporto decisionale può trasformarsi in delega del giudizio.
In questa dinamica risiede il richiamo alla scientia tacita teorizzata da Michael Polanyi («sappiamo più di quanto possiamo dire»). La semeiotica era l'espressione più pura di questo sapere tacito: una perizia incorporata nell'esperienza viva, in cui il sintomo non è mai un pixel isolato, bensì un frammento armonico situato nella biografia, nel tono della voce e nella vulnerabilità del malato. La macchina calcola correlazioni statistiche tra pixel; il clinico interpreta i segni all'interno di una biografia, di una storia e di una relazione con il malato.
L'atto medico è un atto empatico fondato sul sapere tacito, irriducibile a qualsiasi sequenza di bit.
La natura opaca della black box algoritmica rischia, invece, di dissolvere questo legame originario:
· La dissoluzione del patto di fiducia: quando la macchina emette un verdetto sintetico e inaccessibile, il rischio non è soltanto l'errore diagnostico. Il malato non incontra più un terapeuta che assume su di sé la responsabilità dell'interpretazione, ma un esito che nessuno è in grado di spiegargli: a dissolversi è il patto di fiducia e di responsabilità tra due esseri umani.
· L'assenza di imputabilità morale: la macchina calcola il rischio, ma non può farsi carico dell'angoscia del malato. Non trema di fronte alla scelta del medico, non conosce il peso della pietas e non risponde davanti alla propria coscienza.
Una chiave di lettura di questa opacità si trova in Giambattista Vico. Nel De antiquissima Italorum sapientia il filosofo napoletano formula il principio del verum ipsum factum: si conosce davvero ciò che si è fatto, perché di ciò che si fa si conoscono le cause (Vico, 1710). Un algoritmo è un artefatto umano, ma quando i suoi meccanismi interni sfuggono persino a chi lo impiega il legame tra il fare e il conoscere si incrina, e il medico finisce per rispondere di un risultato che non è in grado di ricostruire. A Vico risale anche la critica al criterio cartesiano come unica via al vero, a cui la Scienza nuova oppone il «senso comune», un giudizio senza riflessione condiviso da un'intera comunità (Vico, 1744). In questa prospettiva il sapere tacito descritto da Polanyi trova un antecedente nella tradizione italiana: l'esperienza clinica non è un residuo da superare, ma una forma di conoscenza che precede e orienta il calcolo.
Recuperare la radice semeiotica all'interno dell'era algoritmica non significa negare la tecnologia, ma restituire al medico il dovere e la facoltà di guardare e comprendere il malato prima di interrogare il software.
Non si tratta, tuttavia, di rimpiangere un'età dell'oro. Anche l'occhio clinico ha i suoi limiti: lo mostra proprio la dermatologia, dove, come si vedrà, anche gli specialisti diagnosticano con maggiore difficoltà sulle pelli scure (Daneshjou et al., 2022); e in compiti circoscritti i sistemi computazionali possono raggiungere prestazioni paragonabili a quelle degli specialisti. La questione, allora, non è chi veda meglio, ma chi risponda di ciò che vede: la tecnologia amplia lo sguardo, la responsabilità del giudizio resta al medico.
4. Il caso della dermatologia: il bias dei fototipi e la giustizia distributiva
La dermatologia costituisce il terreno elettivo in cui questa dialettica si manifesta con massima crudezza. Facendo eco alla celebre formula di Paul Valéry («la cosa più profonda nell'uomo è la pelle»), l'involucro cutaneo si configura contemporaneamente come confine anatomico, specchio delle patologie interne e luogo primario della visibilità sociale e identitaria.
Quando sistemi di apprendimento automatico vengono applicati alle immagini dermatologiche, le loro prestazioni dipendono non soltanto dall'architettura del modello, ma anche dalla qualità dei dati, dalle modalità di acquisizione, dalle etichette diagnostiche e dalla rappresentatività della popolazione su cui sono stati sviluppati e validati.
La realtà empirica rivela tuttavia una distorsione sistemica:
· Rappresentatività dei dati: diversi archivi dermatologici impiegati nella ricerca presentano una prevalenza di immagini relative a pelli chiare. Questo squilibrio può limitare la capacità di generalizzare i risultati a popolazioni e condizioni cliniche meno rappresentate.
· Differenze di prestazione: studi su insiemi di immagini cliniche diversificati hanno documentato criticità per alcuni modelli nell'identificazione delle patologie su tonalità cutanee più scure. L'entità del divario varia secondo il modello, la patologia, il dataset e la metrica utilizzata; non è corretto attribuire indistintamente a tutti i sistemi una medesima riduzione di sensibilità e specificità (Daneshjou et al., 2022).
Questa disfunzione computazionale trascende la pura criticità tecnica e diviene un problema di giustizia distributiva globale, contravvenendo allo spirito degli Obiettivi di Sviluppo Sostenibile dell'ONU (United Nations, 2015), in particolare il Goal 3 (salute), il Goal 10 (riduzione delle disuguaglianze) e il Goal 17 (partenariato globale). Un algoritmo non è mai eticamente neutro: riflette i dati con cui viene nutrito. Un algoritmo che performa con efficacia solo sui corpi di una minoranza geografica ed etnica privilegiata non costituisce autentico progresso scientifico, ma cristallizza una discriminazione tecnologica strutturale che aggrava il divario sanitario su scala planetaria.
Il problema, segnalato anche da Adamson e Smith (2018), riguarda in primo luogo i dati e la validazione, oltre alle scelte progettuali. Daneshjou et al. (2022) hanno mostrato che modelli precedentemente valutati su dati meno diversificati possono perdere prestazioni su raccolte cliniche più eterogenee e che interventi mirati sui dati possono ridurre alcuni divari. Non si tratta di una correzione automatica né definitivamente risolta: occorrono campioni rappresentativi, verifiche indipendenti e monitoraggio dopo l'adozione. L'innovazione è progresso autentico quando i suoi benefici sono accessibili e verificabili anche nelle popolazioni storicamente sottorappresentate.
5. Il paradigma Human-in-Command come fondamento di governance
La bioetica clinica e le linee guida internazionali richiamano l'esigenza di una supervisione umana significativa dei sistemi di IA in sanità (AI HLEG, 2019; CNB, 2020; WHO, 2021). Il principio Human-in-Command è qui assunto come orientamento etico e organizzativo: le forme concrete del controllo, le responsabilità e gli obblighi giuridici dipendono dall'impiego specifico, dal rischio e dalla normativa applicabile. Quando un algoritmo si interpone tra lo sguardo del medico e la pelle del paziente, non si ottimizza soltanto un processo: si ridefiniscono le condizioni del giudizio clinico.
Tale principio stabilisce coordinate irrinunciabili:
1. Responsabilità clinica e supervisione proporzionata: nei sistemi impiegati a supporto delle decisioni diagnostiche e terapeutiche, il professionista deve poter comprendere finalità e limiti dello strumento, contestualizzarne gli esiti e, quando necessario, discostarsene. La ripartizione delle responsabilità tra clinici, strutture, sviluppatori e produttori va definita secondo le funzioni effettive del sistema e il quadro normativo, senza presumere che ogni applicazione abbia lo stesso livello di autonomia.
2. Equità dei dati e validazione: i sistemi di IA destinati all'uso clinico richiedono valutazioni robuste sulle popolazioni cui saranno applicati, con attenzione alle differenze di fototipo, alle condizioni di acquisizione delle immagini e alle possibili disparità di prestazione. Audit e aggiornamenti devono essere commisurati ai rischi e all'evoluzione delle evidenze.
3. Liberare tempo per la relazione di cura: l'accelerazione dei processi diagnostici consentita dalla tecnologia non deve essere cooptata da logiche di efficientamento economico tese a ridurre il minutaggio della visita clinica. Al contrario, il tempo sottratto alla burocrazia e all'elaborazione d'immagine deve essere integralmente restituito alla dimensione relazionale, all'ascolto e alla presenza viva accanto al paziente.
4. Formazione e fiducia calibrata: il principio vive solo se il clinico sa riconoscere i limiti dello strumento e conserva l'esercizio dello sguardo semeiotico. La formazione medica dovrebbe affiancare all'alfabetizzazione algoritmica il recupero dell'esame obiettivo, perché una fiducia proporzionata all'affidabilità dimostrata del sistema presuppone un giudizio clinico ancora allenato a dubitare.
Conclusioni
L'intelligenza artificiale applicata alla diagnostica non invasiva non implica il tramonto del giudizio medico. Può anzi rafforzarlo, a condizione che la comunità scientifica non scambi la velocità del calcolo per la completezza della comprensione clinica. La storia della semeiotica invita a una vigilanza concreta: ogni innovazione deve ampliare le possibilità di osservazione senza impoverire l'incontro con il paziente. Non si tratta di respingere il futuro, ma di dargli una direzione morale, mediante validazione, supervisione proporzionata, trasparenza sui limiti e responsabilità chiaramente attribuite. Il richiamo vichiano alla «barbarie della riflessione» (Vico, 1744) ricorda che il ragionamento astratto può perdere il contatto con l'esperienza che pretende di spiegare. L'intelligenza artificiale sia dunque una lente che amplifica la capacità diagnostica del medico e gli restituisce il tempo per la relazione con il paziente: l'innovazione tecnologica non deve mai sostituire lo sguardo del medico, ma renderlo più acuto, più equo e, soprattutto, più umano.
Note e Riferimenti Bibliografici
1. Adamson, A. S., & Smith, A. (2018), «Machine Learning and Health Care
Disparities in Dermatology», JAMA Dermatology, 154(11), pp. 1247-1248.
2. Cicinelli, G. (2026), «Apocalisse IA: ora l'allarme divide il mondo. Trump e la Cina: vietato rallentare, il Quirinale: l'Uomo resti centrale», l'AltraVoce, 15 settembre 2026.
3. Comitato Nazionale per la Bioetica (CNB) (2020), Intelligenza artificiale e medicina: aspetti etici, Presidenza del Consiglio dei Ministri, Roma.
4. Da Rold, C. (2026), «V2P: la prima intelligenza artificiale che prevede le malattie a partire dal DNA», Il Sole 24 Ore, 12 gennaio 2026.
5. Daneshjou, R., Vodrahalli, K., Novoa, R. A., et al. (2022), «Disparities in dermatology AI performance on a diverse, curated clinical image set», Science Advances, 8(32), eabq6147.
6. Dietvorst, B. J., Simmons, J. P., & Massey, C. (2018), «Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them», Management Science, 64(3), pp. 1155-1170.
7. Fitzpatrick, T. B. (1988), «The validity and practicality of sun-reactive skin types I through VI», Archives of Dermatology, 124(6), pp. 869-871.
8. Goddard, K., Roudsari, A., & Wyatt, J. C. (2012), «Automation bias: a systematic review of frequency, effect mediators, and mitigators», Journal of the American Medical Informatics Association, 19(1), pp. 121-127.
9. High-Level Expert Group on AI (AI HLEG) (2019), Ethics Guidelines for Trustworthy AI, European Commission, Brussels.
10. Iacoboni, J. (2026), «Presto l'AI potrebbe ucciderci tutti. Lascia un ricercatore di Anthropic», La Stampa, luglio 2026.
11. La Stampa (2026), «Ai, il monito di Mattarella: "Rischi per gli esseri umani. Allarga le disuguaglianze"», La Stampa, 15 settembre 2026.
12. Pisa, P. L. (2026), «La rivolta dei dipendenti che ha frenato Big Tech: "Rischiamo l'apocalisse"», La Repubblica, 14 settembre 2026.
13. Polanyi, M. (1966), The Tacit Dimension, Doubleday & Company, Garden City, NY.
14. Prelaj, A., Miskovic, V., Sacco, M., et al., on behalf of the I3LUNG Consortium (2026), «Clinical usability of an explainable AI decision support tool and evaluation of multimodal models in NSCLC», Nature Medicine, doi:10.1038/s41591-026-04488- 2.
15. Ruggeri, R. (2026), «L'IA non è né buona né cattiva», ItaliaOggi, 12 settembre 2026.
16. Stein, D., Kars, M. E., Milisavljevic, B., et al. (2025), «Expanding the utility of variant effect predictions with phenotype-specific models», Nature Communications, 16, 11113, doi:10.1038/s41467-025-66607-w.
17. TGCOM24 (2026), «Un sostegno per la ricerca medica: l'IA può predire l'efficacia dell'immunoterapia sui pazienti con cancro ai polmoni. Il progetto di ricerca I3LUNG ha dimostrato che un algoritmo è in grado di aiutare a scegliere le terapie più efficaci contro il tumore polmonare», TGCOM24, 15 settembre 2026.
18. United Nations (2015), Transforming our world: the 2030 Agenda for Sustainable Development (SDG 3, 10 e 17), UN Publishing.
19. Valéry, P. (1932), L'Idée
fixe, Éditions du Sagittaire, Paris.
20. Verghese, A., Brady, E., Kapur, C. C., & Horwitz, R. I. (2011),
«The bedside
evaluation: ritual and reason», Annals of Internal Medicine, 155(8), pp. 550-553. 21. Vico, G. (1710), De antiquissima Italorum sapientia ex linguae latinae originibus
eruenda, Napoli.
22. Vico, G. (1744), Principj di Scienza nuova d'intorno alla comune
natura delle
nazioni, Napoli.
23. World Health Organization (WHO) (2021), Ethics and governance of artificial intelligence for health, WHO Guidance, Geneva.