The potential roles and risks of Artificial Intelligence in public health: A scoping review

Sintesi Tecnica: I Potenziali Ruoli e i Rischi dell'Intelligenza Artificiale nella Sanità Pubblica

Problema
I sistemi di sanità pubblica affrontano croniche limitazioni di risorse pur sforzandosi di proteggere e migliorare la salute della popolazione a livello locale, regionale e globale. L'Intelligenza Artificiale (IA), che comprende tecniche come l'apprendimento automatico (ML), l'elaborazione del linguaggio naturale (NLP) e l'IA generativa, offre potenziali vie per migliorare l'efficienza e l'efficacia degli interventi di sanità pubblica. Tuttavia, la rapida adozione dell'IA solleva preoccupazioni significative riguardanti l'equità, l'etica e la fiducia. Sebbene esistano quadri normativi per i dispositivi medici clinici, si riconosce una lacuna nella comprensione di come l'implementazione dell'IA in contesti di sanità pubblica più ampi possa involontariamente amplificare le disuguaglianze sanitarie, ridurre la fiducia del pubblico o causare danni involontari. Il problema specifico affrontato è la mancanza di una mappatura completa sia dei potenziali ruoli che l'IA potrebbe ricoprire nella sanità pubblica, sia dei rischi associati, in particolare nei contesti dei paesi ad alto reddito.

Metodologia
Questo studio è una revisione sistematica (scoping review) condotta in conformità con l'estensione PRISMA per le revisioni di scoping (PRISMA-ScR). Gli autori hanno cercato in quattro banche dati bibliografiche (Medline, Embase, Web of Science e Scopus) rapporti pubblicati tra il 1° gennaio 2020 e l'8 settembre 2025.

• Criteri di Eleggibilità: I rapporti inclusi erano studi primari, revisioni, opinioni, commenti ed editoriali pubblicati in lingua inglese. L'ambito era limitato ai paesi ad alto reddito (definizione della Banca Mondiale) e focalizzato su contesti di sanità pubblica (organizzazioni finanziate dal governo che erogano interventi o politiche). La revisione escludeva esplicitamente i contesti pandemici, gli ambienti clinici (ad esempio, l'uso delle risorse del NHS), il monitoraggio ambientale, la sicurezza delle infrastrutture e la previsione del rischio a livello individuale in ambito clinico.
• Coinvolgimento degli Stakeholder: Il protocollo e i risultati iniziali sono stati perfezionati attraverso la consultazione con due comunità di pratica: nove professionisti delle Collaborazioni di Ricerca sui Determinanti della Salute (HDRC) finanziate dal NIHR e nove direttori strategici di istituti di scienza dei dati, agenzie di sanità pubblica e reti di amministrazione locale.
• Sintesi dei Dati: Due revisori hanno esaminato indipendentemente titoli, abstract e testi completi. I dati sono stati estratti da un revisore e controllati da un secondo. La sintesi ha comportato la sintesi narrativa delle evidenze per contesto di sanità pubblica, combinando ruoli potenziali e rischi sostanzialmente simili in categorie tematiche.

Contributi Chiave e Risultati
La revisione ha esaminato 1.805 record e 320 testi completi, includendone infine 67 rapporti. Questi rapporti hanno identificato 44 potenziali ruoli per l'IA in otto contesti di sanità pubblica:

1. Comunicazione in Sanità Pubblica: Utilizzare ML e IA generativa per creare messaggi mirati, generare immagini, migliorare la chiarezza, monitorare il sentiment pubblico in tempo reale e smentire la disinformazione.
2. Educazione in Sanità Pubblica: Automatizzare il feedback per i compiti, creare moduli di apprendimento dinamici e fornire formazione personalizzata per i professionisti.
3. Emergenze di Sanità Pubblica (non legate a focolai): Allocare risorse (letti, personale), gestire la logistica (evacuazioni, instradamento), effettuare il triage delle vittime e facilitare la comunicazione tra gli stakeholder.
4. Revisioni delle Evidenze: Automatizzare la ricerca delle citazioni, la valutazione del rischio di bias, l'estrazione dei dati e la stesura di rapporti per ridurre l'onere dello screening.
5. Previsioni (Forecasting): Migliorare l'accuratezza dei modelli per esiti a livello di popolazione come obesità, demenza, mortalità cardiovascolare e malattie legate all'alcol.
6. Interventi di Sanità Pubblica: Sviluppare interventi su misura a livello di popolazione, prevedere l'impatto delle politiche e lo screening per rischi comportamentali (ad esempio, obesità, overdose da oppioidi).
7. Organizzazioni di Sanità Pubblica: Analizzare grandi dataset per il processo decisionale, organizzare i dati, riassumere compiti di routine e scrivere domande di sovvenzione (grant).
8. Sorveglianza: Monitorare la conformità a misure come l'uso della mascherina e il distanziamento sociale tramite classificazione di immagini e rilevamento di oggetti.

Rischi Identificati
La revisione ha identificato una serie di rischi, molti dei quali sono trasversali piuttosto che specifici del contesto:

• Bias e Generalizzabilità: Il rischio più frequentemente citato, in cui l'IA potrebbe perpetuare o rafforzare le disuguaglianze sanitarie, la discriminazione e le previsioni imprecise a causa di dati di addestramento distorti.
• Trasparenza ed Etica: Preoccupazioni riguardanti la privacy dei dati, la sicurezza, la riservatezza e la natura "black box" (scatola nera) degli output dell'IA.
• Esacerbazione delle Disuguaglianze: Rischi derivanti dalla mancanza di capacità della forza lavoro, di infrastrutture o dall'esclusione digitale delle popolazioni vulnerabili.
• Integrità dei Contenuti: Il potenziale dell'IA generativa di produrre contenuti inaccurati, plagio o "allucinazioni".
• De-professionalizzazione (Deskilling): Il rischio che un eccessivo affidamento all'IA possa portare a un eccesso di fiducia o a una riduzione del pensiero critico professionale.
• Rischi Specifici del Contesto: Questi includevano studenti che sabotano il proprio apprendimento nell'educazione, la perdita di articoli rilevanti nelle revisioni delle evidenze e una riduzione della fiducia del pubblico dovuta a comunicazioni non autentiche.

Significatività e Rivendicazioni
Gli autori pongono questa revisione come un passo fondamentale per bilanciare l'innovazione con la responsabilità. Affermano che, sebbene l'IA detenga una promessa teorica di efficienza, l'attuale base di evidenze sulla sua efficacia nella sanità pubblica è limitata e contrastante.

L'articolo sostiene che:

• È necessaria la cautela: I potenziali ruoli identificati dovrebbero essere trattati con cautela e bilanciati rispetto ai rischi sostanziali, in particolare riguardo all'equità e alla fiducia.
• Esistono lacune normative: A differenza degli ambienti clinici, la sanità pubblica manca di quadri normativi specifici per l'IA. Gli autori sostengono la necessità di una conformità specifica per la sanità pubblica che metta al centro i valori della sanità pubblica.
• La generazione di evidenze è critica: C'è un urgente bisogno di ricerche future per valutare l'efficacia e l'efficacia in termini di costi degli interventi di IA, con un focus specifico sulla valutazione degli impatti che generano disuguaglianza.
• Strategia di Implementazione: L'adozione dell'IA richiede una pianificazione strategica, la formazione della forza lavoro e un coinvolgimento significativo della comunità con gruppi diversi e sottorappresentati per mitigare l'inequità. Gli autori suggeriscono un processo strutturato e iterativo per l'adozione (dalla scoperta alla sostenibilità) piuttosto che una diffusione caotica.

La revisione conclude che, senza una considerazione attenta dei rischi e di prove robuste, interventi di IA inefficaci o distorti potrebbero erodere la fiducia del pubblico nei sistemi di sanità pubblica. Pertanto, l'implementazione futura deve essere guidata da principi di affidabilità, equità e rigore metodologico.