Artificial Intelligence in Healthcare: 2025 Year in Review

Il rapporto del 2025 evidenzia una significativa maturazione della ricerca sull'intelligenza artificiale in sanità, caratterizzata da un raddoppio delle pubblicazioni, un declino dei modelli di machine learning classici a favore di modelli fondazionali multimodali e una transizione verso applicazioni cliniche più complesse che riflettono la diversità dei dati reali.

L'essenziale

Immagina il mondo della ricerca medica come una cucina gigantesca e in continua espansione. Ogni anno, gli chef (i ricercatori) preparano nuovi piatti (studi scientifici) per vedere se l'intelligenza artificiale (AI) può aiutare a cucinare meglio, più velocemente o in modo più sicuro.

Ecco cosa è successo nella "cucina" del 2025, secondo questo rapporto:

1. La Festa è Cresciuta (I Numeri)

Nel 2025, il numero di ricette pubblicate è quasi raddoppiato rispetto all'anno prima. Se nel 2024 c'erano circa 28.000 studi, nel 2025 ne abbiamo quasi 50.000!
È come se da un piccolo banchetto si fosse passati a un enorme festival gastronomico. Tuttavia, non tutti i piatti sono pronti per essere serviti agli ospiti (i pazienti). Gli autori hanno usato un "sommelier robot" (un algoritmo intelligente) per assaggiare le ricette e scegliere solo quelle mature, cioè quelle che funzionano davvero e potrebbero aiutare i medici nella vita reale. Di tutte quelle pubblicate, ne hanno selezionate circa 3.000 di alta qualità.

2. Il Cambio di Chef: Da "Cuciniere" a "Maestro Poliedrico"

Fino a poco tempo fa, l'AI in medicina era come un cuciniere specializzato in un solo ingrediente:

• Se dovevi leggere un referto, usava solo la testa (testo).
• Se dovevi guardare una radiografia, usava solo gli occhi (immagini).

Nel 2025, però, è arrivato il Maestro Poliedrico (i Modelli Multimodali). Questo nuovo chef non si limita a leggere o guardare: vede, ascolta e legge tutto insieme.

• Prima: L'AI leggeva solo le cartelle cliniche (testo).
• Ora: L'AI può guardare una radiografia, ascoltare il battito cardiaco e leggere la storia del paziente contemporaneamente, proprio come farebbe un medico esperto.

È un po' come passare da un telefono che faceva solo chiamate (vecchia AI) a uno smartphone che fa videochiamate, ascolta musica e legge i messaggi tutto insieme (nuova AI).

3. Chi sta cucinando di più? (Le Specialità)

Non tutti i reparti della cucina stanno lavorando allo stesso ritmo:

• Radiologia e Imaging: Sono i capi chef indiscussi. Hanno prodotto quasi 1.000 studi. È come se avessero la cucina più grande e gli strumenti più moderni, quindi usano l'AI per analizzare le immagini (come le radiografie) in modo incredibile.
• Amministrazione e Formazione: Sono i secondi in classifica. L'AI sta aiutando a scrivere documenti, organizzare gli orari e creare materiale educativo per gli studenti di medicina.
• Altri reparti: Chirurgia, Oncologia (tumori) e Oculistica stanno seguendo a ruota, iniziando a usare questi "Maestri Poliedrici" per diagnosi più precise.

4. Cosa sta succedendo alle vecchie ricette?

C'è una notizia curiosa: le ricette "classiche" (i vecchi modelli di Machine Learning) stanno venendo usate un po' meno. È come se gli chef avessero smesso di usare il coltellino arrugginito per passare a un robot da cucina di ultima generazione.
I modelli vecchi funzionavano ancora, ma i nuovi Modelli di Base (Foundation Models) sono così potenti e versatili che stanno prendendo il sopravvento.

5. Il Futuro: Verso la "Cucina Reale"

Il messaggio principale di questo rapporto è che l'AI in medicina sta uscendo dalla fase di "sperimentazione in laboratorio" per entrare nella cucina reale.

• Non si tratta più solo di dire "guarda, questo algoritmo funziona su carta".
• Si tratta di dire "questo algoritmo sta aiutando il medico a prendere decisioni migliori oggi".

In sintesi:
Nel 2025, l'AI medica è diventata più intelligente, più completa (guarda e ascolta tutto insieme) e molto più numerosa. Sta passando dall'essere un "assistente che legge" a un "collega che comprende", pronto ad aiutare i medici a curare i pazienti in modo più preciso e umano.

È come se la medicina avesse appena ricevuto un aggiornamento software che le permette di vedere il mondo con occhi più chiari e orecchie più attente.

Sommario tecnico

Titolo: Intelligenza Artificiale in Sanità: Revisione dell'Anno 2025

1. Il Problema e il Contesto

Il campo della ricerca sull'Intelligenza Artificiale (AI) in ambito sanitario sta attraversando una fase di trasformazione esponenziale. Sebbene l'entusiasmo iniziale fosse focalizzato sull'uso esplorativo di modelli basati sul testo (come i Large Language Models o LLM), il settore sta maturando verso applicazioni reali, guidate da casi d'uso specifici e da una maggiore complessità dei dati.
Il problema centrale affrontato da questo studio è la necessità di tracciare l'evoluzione della ricerca scientifica nel 2025, identificando il passaggio da modelli di sviluppo esplorativo a valutazioni di implementazione nel mondo reale. In particolare, si osserva un cambiamento strutturale: il passaggio dai modelli unimodali (principalmente testo) ai Modelli Fondamentali Multimodali (Multimodal Foundation Models), che riflettono meglio la natura intrinsecamente diversificata dei dati clinici (immagini, testo, audio).

2. Metodologia

Lo studio ha adottato un approccio sistematico e rigoroso per analizzare la letteratura scientifica pubblicata nel 2025:

• Ricerca Bibliografica: È stata effettuata una ricerca nel database PubMed utilizzando i termini "machine learning" o "artificial intelligence" combinati con "2025". I criteri di inclusione hanno limitato i risultati a ricerche in lingua inglese su soggetti umani, con data di chiusura al 31 dicembre 2025.
• Criteri di Esclusione: Sono stati esclusi preprint non revisionati, studi su animali, ricerche puramente robotiche senza AI, studi senza abstract e pubblicazioni non in inglese.
• Classificazione della Maturità: Per filtrare la vasta quantità di dati, è stato utilizzato un classificatore deep learning basato su BERT, pre-addestrato e validato su dati etichettati manualmente. Questo modello ha valutato la "maturità" di ogni pubblicazione rispondendo alla domanda: "L'output del modello proposto ha un impatto diretto e azionabile sull'assistenza al paziente fornendo informazioni ai fornitori di cure o ai sistemi automatizzati?".
• Revisione Manuale: Le pubblicazioni classificate come "mature" sono state sottoposte a una revisione manuale da parte di cinque revisori. Questi hanno annotato:
  • Specialità Sanitaria: 25 categorie (22 specialità mediche + Generali, Amministrative, Educative).
  • Tipo di Dati: Immagini, testo, tabelle, voce (le onde sono classificate come immagini).
  • Tipo di Modello: Deep Learning (DL), Machine Learning (ML) classico, AI Generale, Statistico, NLP, LLM, Large Vision Model (FM-LVM), Modello Multimodale (FM-MM).
• Focus sui Modelli Fondamentali: Un'analisi specifica è stata condotta sulle pubblicazioni che utilizzano modelli fondamentaliali (LLM, FM-LVM, FM-MM).

3. Risultati Chiave

L'analisi ha processato 49.394 pubblicazioni totali (un raddoppio rispetto alle 28.180 del 2024), di cui 3.366 sono state classificate come mature. Dopo le esclusioni, 2.966 pubblicazioni sono state incluse nell'analisi finale.

• Specialità Dominanti:

  • Imaging/Radiologia rimane la specialità leader con 976 pubblicazioni mature.
  • Seguono le categorie Amministrative (277), Generali (251), Testa e Collo (185) e Educazione (181).
  • Altre specialità rilevanti includono Oftalmologia, Patologia, Chirurgia, Oncologia e Gastroenterologia.

• Evoluzione dei Modelli:

  • I LLM tradizionali rimangono i più utilizzati (1.019 pubblicazioni).
  • Si registra un aumento esponenziale dei Modelli Multimodali (FM-MM), passati da 25 pubblicazioni nel 2024 a 144 nel 2025.
  • Anche i modelli Deep Learning sono aumentati significativamente (910).
  • Per la prima volta, si osserva un declino nell'uso dei modelli di Machine Learning Classico (173 pubblicazioni), segnando un cambio di paradigma verso modelli ad alta capacità.

• Tipologie di Dati:

  • Le immagini restano il dato predominante (53,9%), seguite dal testo (38,2%).
  • Si nota un aumento dei dati audio (1,2%), correlato all'adozione di modelli multimodali.
  • Il 3,1% delle pubblicazioni mature (94 studi) ha combinato più tipi di dati (principalmente immagine e testo), evidenziando la crescita dell'approccio multimodale.

• Applicazioni dei Modelli Fondamentali:

  • Le aree amministrative, educative e generali dominano l'uso dei modelli fondamentaliali, guidate principalmente dagli LLM.
  • Tra le specialità cliniche, le applicazioni di modelli fondamentaliali sono cresciute in Imaging (110), Testa e Collo (92), Chirurgia (64), Oncologia (55) e Oftalmologia (49).

4. Contributi Principali

• Mappatura del Cambiamento di Paradigma: Il documento documenta quantitativamente il passaggio dai modelli unimodali a quelli multimodali nel 2025, identificando l'anno come un punto di svolta verso sistemi che rispecchiano la complessità della pratica clinica reale.
• Validazione della Maturità: L'uso combinato di un classificatore BERT e revisione manuale fornisce una metrica robusta per distinguere la ricerca esplorativa da quella con impatto clinico diretto.
• Analisi Comparativa Temporale: Fornisce una serie storica coerente dal 2019 al 2025, permettendo di tracciare trend a lungo termine nell'adozione di diverse architetture di AI.
• Identificazione di Nuove Frontiere: Evidenzia l'emergere di aree come l'uso di dati audio e l'integrazione di dati multimodali, suggerendo direzioni future per la ricerca e l'implementazione clinica.

5. Significato e Implicazioni

Questo studio segnala una maturazione significativa del campo dell'AI in sanità. Il raddoppio delle pubblicazioni mature e il declino dei modelli ML classici indicano che la ricerca sta superando la fase di sperimentazione iniziale per entrare in una fase di validazione e implementazione pratica.
Il passaggio verso i Modelli Fondamentali Multimodali suggerisce che i sistemi di AI stanno diventando capaci di gestire la complessità dei dati clinici reali (combinando immagini, cartelle cliniche e suoni), avvicinandosi a una vera assistenza decisionale integrata. Tuttavia, lo studio nota anche una carenza di pubblicazioni su valutazioni prospective, validazione e analisi costo-efficacia, specialmente per strumenti come gli "AI scribes" e le nuove architetture "Agentic AI", indicando che queste sono le aree prioritarie per la ricerca futura.

In sintesi, il 2025 rappresenta l'anno in cui l'AI sanitaria ha iniziato a integrare attivamente la multimodalità, spostandosi dalla generazione di testo alla comprensione olistica del paziente, con l'Imaging che continua a guidare l'innovazione tecnologica.