A Scoping Review of Vibe Coding in Healthcare Across Clinical, Administrative, and Research Domains

Per decenni, le persone che sanno di più su come funzionano realmente gli ospedali e le cliniche — medici, infermieri e amministratori — non sono state in grado di costruire gli strumenti software di cui hanno bisogno. Possono individuare un processo interrotto o una funzione mancante in un piano di cura del paziente, ma mancano delle competenze tecniche per scrivere il codice che lo risolverebbe. Nel frattempo, gli ingegneri del software che sanno scrivere quel codice spesso non comprendono le realtà quotidiane di un reparto ospedaliero. Questo divario ha lasciato i sistemi sanitari dipendenti da fornitori esterni e da cicli di sviluppo lenti ed costosi. Recentemente, è emerso un nuovo tipo di intelligenza artificiale che promette di colmare questo divario. Questi sistemi, noti come modelli linguistici di grandi dimensioni (large language models), possono comprendere istruzioni in linguaggio naturale e trasformarle in codice informatico funzionante. Un nuovo termine, "vibe coding", è stato coniato per descrivere un flusso di lavoro in cui l'utente agisce meno come un programmatore tradizionale e più come un regista, guidando l'intelligenza artificiale con prompt in linguaggio naturale per costruire software, mentre la macchina si occupa della scrittura tecnica.

Un team di ricercatori della Oregon Health & Science University e del Kaiser Permanente Oakland Medical Center si è posto l'obiettivo di mappare il primo panorama di questa tecnologia all'interno dell'assistenza sanitaria. Hanno condotto una vasta revisione della letteratura scientifica pubblicata tra gennaio 2023 e dicembre 2025, cercando ogni istanza in cui questi strumenti di IA siano stati utilizzati per costruire software per l'educazione medica, la ricerca o l'amministrazione ospedaliera. Il loro obiettivo non era testare il software in sé, ma capire dove veniva utilizzato, che tipo di strumenti venivano costruiti e quali rischi potrebbero essere nascosti in questo rapido cambiamento. Hanno scoperto che il campo è ai suoi primissimi passi, con i primi articoli sottoposti a revisione paritaria (peer-reviewed) apparsi solo a metà del 2025. Le prove raccolte suggeriscono che, sebbene i clinici possano ora costruire software funzionali senza una formazione formale, i quadri di sicurezza e regolamentazione per gestire questi strumenti non sono ancora pronti.

I ricercatori hanno identificato quattro aree principali in cui questo nuovo approccio sta prendendo piede. La prima e più attiva area è l'educazione medica. In questo dominio, medici ed educatori utilizzano l'IA per creare strumenti di formazione interattivi, come simulazioni per la diagnosi di malattie o piattaforme web per l'insegnamento della cura renale. Uno studio ha descritto un team di medici che ha costruito quattro diverse applicazioni educative in un breve periodo, usando solo il linguaggio naturale per guidare l'IA. Questi strumenti includevano una guida per l'analisi dei campioni di urine e un assistente diagnostico per problemi renali. Un altro esempio evidenziato nella revisione è un'applicazione web chiamata DebriefMD, costruita da un otorinolaringoiatra per aiutare i medici specializzandi in chirurgia a migliorare le proprie competenze. Il creatore non aveva una formazione formale in ingegneria del software, ma ha utilizzato uno strumento di IA per generare il codice, dando vita a un sistema che consente ai residenti di caricare note vocali di feedback dai loro supervisori e ricevere report automatizzati sulle loro prestazioni. Questi progetti dimostrano che la barriera all'ingresso si è abbassata significativamente, permettendo agli esperti di trasformare le loro idee in software funzionante quasi immediatamente.

Nel campo della ricerca biomedica, la tecnologia sta agendo come una forza che apre l'analisi dei dati a un numero maggiore di persone. Tradizionalmente, l'analisi di complessi dataset medici richiedeva un team dedicato di scienziati dei dati e programmatori. Ora, i ricercatori utilizzano assistenti di IA per scrivere il codice necessario a pulire i dati, eseguire modelli statistici e visualizzare i risultati. La revisione ha notato che questo cambiamento permette agli investigatori di concentrarsi sulle domande scientifiche piuttosto che sui dettagli tecnici di implementazione. Alcuni ricercatori hanno persino utilizzato questi strumenti per costruire calcolatori personalizzati per studi clinici, come uno strumento per predire gli esiti dopo un intervento oculare specifico. Gli autori della revisione suggeriscono che ciò potrebbe democratizzare l'accesso all'informatica biomedica, permettendo a più clinici di guidare i propri progetti di ricerca senza dover attendere il supporto tecnico.

La terza area riguarda l'infrastruttura complessa che mantiene attivi gli ospedali, specificamente i sistemi che permettono a diversi programmi informatici di comunicare tra loro. Gli ospedali utilizzano molti sistemi software differenti per le cartelle cliniche, i risultati di laboratorio e le immagini, e connetterli ha storicamente richiesto ingegneri specializzati. La revisione ha riportato un caso in cui un esperto architetto di integrazione ha utilizzato istruzioni in linguaggio naturale per costruire pipeline di dati che normalmente avrebbero richiesto settimane di codifica manuale. Ciò suggerisce che, anche per compiti infrastrutturali altamente tecnici, l'IA può agire come un amplificatore dell'esperienza esistente, accelerando la creazione di strumenti che spostano i dati dei pazienti tra i sistemi. Infine, la revisione ha esaminato i compiti amministrativi, come la fatturazione e la pianificazione. Poiché queste aree comportano un rischio minore per la sicurezza del paziente, sono viste come un punto di partenza naturale per questa tecnologia. I clinici stanno iniziando a costruire script personalizzati per automatizzare la documentazione, tracciare i referral o gestire la conformità, compiti che precedentemente richiedevano l'impiego di un intero dipartimento di informatica.

Tuttavia, la revisione chiarisce che la capacità di costruire software rapidamente non significa che il software sia sicuro o pronto per un uso diffuso. I ricercatori hanno identificato lacune significative in termini di sicurezza e regolamentazione. Una preoccupazione principale è la sicurezza del codice. Gli studi sul codice generato da strumenti di IA simili hanno rilevato che quasi la metà dell'output contiene vulnerabilità di sicurezza, il che potrebbe essere pericoloso in un contesto sanitario dove i dati dei pazienti devono essere protetti. Esiste anche il rischio che, quando i medici inseriscono le loro istruzioni in questi strumenti di IA, possano accidentalmente includere informazioni sensibili sui pazienti, che potrebbero poi essere inviate a server esterni. Inoltre, il panorama legale e normativo è incerto. Non è ancora definito chi sia responsabile se uno strumento scritto dall'IA commette un errore che danneggia un paziente. Le regole attuali per il software medico sono state scritte per programmatori umani, ed è incerto come si applichino a strumenti costruiti attraverso una conversazione con una macchina.

Per affrontare questi rischi, gli autori propongono un nuovo quadro per gestire questi strumenti basato sul livello di rischio che comportano. Suggeriscono che gli strumenti a basso rischio, come le simulazioni educative o i calcolatori di pianificazione che non gestiscono dati privati dei pazienti, potrebbero essere implementati con una supervisione minima. Gli strumenti che gestiscono dati de-identificati o supportano flussi di lavoro amministrativi richiederebbero un processo di revisione strutturato per garantire che siano sicuri e conformi alle leggi sulla privacy. Il massimo livello di scrutinio sarebbe riservato agli strumenti che influenzano direttamente le decisioni cliniche o accedono a informazioni identificabili dei pazienti. Queste applicazioni ad alto rischio dovrebbero sottoporti agli stessi rigorosi test e validazioni di qualsiasi altro dispositivo medico prima di poter essere utilizzate. I ricercatori sottolineano che il metodo di creazione — che sia un essere umano o un'IA — non dovrebbe cambiare i requisiti di sicurezza per il prodotto finale.

La revisione conclude che, sebbene il potenziale di questa tecnologia per trasformare l'assistenza sanitaria sia reale, le prove attuali sono limitate a esperimenti precoci e progetti su piccola scala. Non esistono studi su larga scala che dimostrino che questi strumenti migliorino i risultati dei pazienti, e molti degli esempi di successo provengono da pionieri motivati che potrebbero non rappresentare l'utente medio. Gli autori sostengono che il passo successivo non sia affrettare l'adozione diffusa, ma costruire le necessarie protezioni (guardrails). Ciò include la creazione di modi standardizzati per testare il codice generato dall'IA, l'aggiornamento dei programmi accademici delle scuole di medicina per insegnare ai clinici come utilizzare questi strumenti in modo sicuro e lo sviluppo di regole chiare su chi sia responsabile quando qualcosa va storto. La promessa del "vibe coding" è che permette alle persone che ne sanno di più sull'assistenza sanitaria di costruire gli strumenti di cui hanno bisogno, ma realizzare questa promessa richiederà lo stesso rigore, la stessa pazienza e lo stesso focus sulla sicurezza che definiscono la buona pratica medica.