Cesare Giuseppe Cerri è professore ordinario senior di Medicina Riabilitativa all’Università Milano Bicocca. I suoi interessi di ricerca si estendono fino ai problemi etici ed epistemologici legati alla riabilitazione
L’IA rappresenta sicuramente il futuro, anche in ambito medico e riabilitativo. Si dovranno però affrontare alcuni problemi di base, dalle fonti dei dati alla contestualizzazione delle informazioni a livello locale
L’intelligenza di un sistema è valutata metodologicamente, ma anche riduzionisticamente, sulla base della sua capacità di produrre risposte appropriate, a prescindere dalla modalità con cui vengano generate. Quella umana è una facoltà relativa alla persona nella sua integrità (per approfondimenti vedi numeri 10 e 11 dell’enciclica Magnifica Humanitas), incluse emozioni, creatività, senso estetico, morale e religioso.
Quando analizziamo come funzioni il meccanismo generativo comunemente usato, estremizzando la semplificazione, possiamo constatare che la base dell’attività dell’intelligenza artificiale (IA) è basata sul calcolo probabilistico.
Per definire una probabilità occorre conoscere la distribuzione dei parametri di interesse, conoscenza che dipende, in misura variabile a seconda delle situazioni, dalle caratteristiche ontologiche dei parametri. Ad esempio se il parametro è una grandezza fisica come la massa, possiamo prevederne in comportamento sulla base delle leggi della fisica; se invece il parametro è culturale come il numero di rapporti fra persone, dovremo raccoglierne le modificazioni nel corso del tempo stimando la popolazione di interesse.
La fonte dei dati in ambito riabilitativo
Nel caso dei parametri di interesse riabilitativo (ad esempio correlazioni tra segni e dati strumentali con diagnosi, prognosi riabilitativa, efficacia organizzativa dell’attività riabilitativa ecc.), non potendo ricorrere solo a modelli interpretativi basati sulle “leggi della natura” o a principi patologici, ma anche a fattori psicosociali e talora economici, il sistema deve obbligatoriamente basarsi quasi esclusivamente sulla raccolta dei dati empirici.
Questo pone due grossi problemi: il criterio di verità delle fonti e, in subordine, la disponibilità delle stesse.
Il primo fattore è critico perché generatore di bias non facilmente rilevabili: è noto a tutti il fenomeno della sottorappresentazione in letteratura dei risultati negativi, la possibilità che la smentita di dati falsificati non venga recepita (esempio clamoroso il lavoro sui rapporti tra vaccinazione e autismo), la minor probabilità che uno studio rilevante condotto da un gruppo poco conosciuto o di una nazione emergente venga accettato da una rivista ad alto impatto e di conseguenza l’autocensura che spinge a presentarlo su riviste meno impattanti.
Quest’ultimo aspetto si lega al secondo problema: ciò che non viene redatto in formato elettronico difficilmente verrà recepito in fase di raccolta dati e non tutte le fonti elettroniche consentono ai vari “programmi” di IA di addestrarsi usando i loro dati. Non va inoltre trascurato l’aspetto legato al tempo: più trascorre, meno è probabile che il dato venga “intercettato dal sistema”. Ad esempio talune affermazioni sono date per assodate e non vengono più riportate dalla letteratura scientifica: essere decapitati non è compatibile con la vita, l’estate in media ha temperature e luce solare maggiori che l’inverno, il neonato non è in grado di mantenere la stazione eretta, ecc.
Ultimo problema, proprio perché non esiste un controllo puntuale della modalità di generazione delle risposte, la probabilità di risultati “falsi” non è infrequente: si veda ad esempio i programmi di verifica di plagio, che talvolta segnalano come tale delle frasi fatte o frasi contenute in lavori dello stesso autore (non esistono molti modi di descrivere lo stesso metodo di raccolta dati o analisi statistica).
Mancano grandi set di dati
In ambito clinico e in particolare riabilitativo la variabilità individuale è molto ampia, inoltre oltre agli aspetti sanitari e funzionali anche aspetti sociali e psicologici possono influenzare la costruzione del progetto riabilitativo e i suoi esiti. Questo comporta che sia estremamente difficoltoso utilizzare tecniche statistiche che diano luogo a risultati caratterizzate da stime con varianze non ampie. L’elevata diversità delle situazioni richiede inoltre che l’addestramento dell’IA sia effettuato su un grandissimo set di dati: difficilmente in ambito riabilitativo è possibile trovare lavori con numerosità paragonabile a quelle riscontrabili ad esempio negli studi sull’ipertensione; spessissimo le casistiche sono costituite da poche decine di persone. Inoltre, come riscontrabile dalle conclusioni di molte analisi Cochrane riguardanti problemi di interesse riabilitativo, spesso gli articoli scientifici non sono sufficientemente robusti per offrire una soluzione realmente affidabile rispetto al problema preso in esame.
Applicabilità locale
Data la presenza di diversità organizzative fra servizi sanitari dei vari stati, molto più rilevanti rispetto alle altre specializzazioni cliniche, compare un nuovo problema nell’analisi dei dati: non solo l’organizzazione, e le risorse, delle attività riabilitative possono produrre limitazioni o facilitazioni rispetto al progetto riabilitativo, ma di fatto nazioni con maggiori risorse, economiche e sociali, avranno un maggior numero di pubblicazioni e quindi dati, rispetto a nazioni meno “ricche”. Questo si associa al bias di pubblicazione, cosicché non è detto che un suggerimento IA derivante dai dati di letteratura possa essere effettivamente valido ovunque. Se non è noto con quali banche dati sia stato addestrato il programma, si corre il rischio di utilizzare suggerimenti non confacenti alla situazione locale.
Scenari con le interfacce cervello-computer
Un aspetto particolarmente rilevante infine è lo sviluppo delle interfacce cervello-computer (BCI), di cui la punta avanzata è sicuramente Neuralink. I dati relativi al recupero di funzioni motorie e, in misura minore, sensoriali, riportati nei volontari sottoposti a impianti evidenziano una notevole ripresa funzionale e vengono anche segnalati significativi aumenti dell’autonomia di queste persone.
Uno dei cardini epistemologici della riabilitazione è che l’attività riabilitativa si rivolge alla persona nel suo insieme, il cosiddetto principio olistico, e non semplicemente al recupero funzionale: come integrare nel progetto riabilitativo la BCI? L’analogia con ortesi e protesi vale fino a un certo punto; qui siamo di fronte alla potenziale possibilità di far svolgere da circuiti elettronici attività del sistema nervoso centrale.
Un gruppo di ricercatori di Stanford ha pubblicato agli inizi di agosto 2026 su Science i risultati di uno studio in cui due modelli di intelligenza artificiale hanno “costruito” da zero il genoma completo di un virus batteriofago, aprendo la strada alla possibilità di utilizzo di questo tipo di fagi per contrastare l’antibiotico resistenza. Non è fantascienza pensare alla possibilità di applicare modelli IA alla ripresa del cammino in paraplegici o al riconoscimento di oggetti (fino alla lettura) mediante BCI in persone con cecità.
Nel caso di Stanford gli autori hanno adottato tutte le precauzioni onde evitare la creazione di un virus che si rivelasse letale o comunque patogeno e siamo in ambito preclinico; ma le precauzioni sono state una scelta volontaria, probabilmente occorrerà riflettere sulla necessità di regole generali applicabili anche ad aspetti BCI.
Citando l’enciclica Magnifica Humanitas, occorre mettere al centro dell’utilizzo IA le risposte a due domande: chi risponde delle conseguenze e al servizio di chi (o cosa) viene messa.
Proposte
Chiaramente l’IA può dare un ottimo contributo anche in ambito riabilitativo, a condizione che se ne considerino i limiti e la si utilizzi razionalmente (un vecchio clinico segnalava ai propri specializzandi di non “vendere i propri occhi al radiologo” nel considerare i referti della diagnostica per immagini, il suggerimento credo valga anche per l’IA).
In generale l’uso potrebbe accelerare le tempistiche delle review stile Cochrane, facilitare la selezione dei lavori rilevanti per uno specifico problema riabilitativo sia diagnostico che terapeutico, facilitare gli aspetti documentativi, nonché predisporre la stesura, cartacea o elettronica, di progetti riabilitativi, semplificando parte del processo ma mantenendo le decisioni finali in capo al clinico.
Un altro aspetto degno di esplorazione è quello relativo alla non punibilità dei comportamenti conformi a linee guida: in caso di assenza delle stesse è ipotizzabile una copertura legata a una particolare forma di richiesta all’IA? Similmente, in caso di scostamento dalla linea guida, un “parere” IA la può giustificare?
Infine, quando è possibili/utile ricorrere alla IA nel caso della riabilitazione strumentale (ad esempio Lokomat, biofeedback, terapie fisiche) e quanto ci potrebbe aiutare a sviluppare protesi “intelligenti”?
Un’ultima osservazione relativa ad aspetti legati all’approccio “personalistico” della riabilitazione: non sempre le persone accolgono senza problemi l’utilizzo di un arto artificiale o un ausilio (talvolta assistiamo al rifiuto dell’utilizzo di una carrozzina!), dobbiamo quindi considerare quanto possa essere accettabile avere a che fare con qualcosa dotato di una, sia pure parziale, “autonomia decisionale” per la funzione cui è destinato. Sulla stessa linea possiamo considerare l’atteggiamento di chi si veda offrire una soluzione ai propri problemi rigidamente generata da un computer “superintelligente”, che non ammetta obiezioni o modifiche.
Cesare Cerri
