Ieo, AI verticale addestrata sulla conoscenza clinica » inno3

L’adozione dell’intelligenza artificiale generativa in sanità è già in una fase nuova. La prima ondata, quella dei modelli linguistici generalisti addestrati su grandi corpus eterogenei, ha mostrato un potenziale evidente ma anche limiti strutturali quando il contesto è clinico: la conoscenza è frammentaria, le terminologie variano, i dati di addestramento non riflettono il linguaggio reale dei referti, delle linee guida e della pratica clinica. Per le organizzazioni sanitarie il salto non sta nell’aggiungere un altro modello generalista, ma nel disporre di modelli verticali, addestrati sulla conoscenza specifica dell’istituzione, dei suoi processi e del suo patrimonio informativo.
È un cambio di paradigma che ridefinisce anche le condizioni di adozione: governance dei dati, qualità delle sorgenti, controllo sui processi di addestramento e sulla messa in esercizio diventano elementi tanto importanti quanto le prestazioni del modello in sé. La sfida non è più tecnologica nel senso stretto del termine, ma riguarda la capacità di valorizzare la conoscenza clinica accumulata in oltre vent’anni di attività e di tradurla in strumenti operativi al servizio di prevenzione, diagnosi e cura.

Il contesto e il bisogno

L’Istituto Europeo di Oncologia (Ieo) è un Istituto di Ricovero e Cura a Carattere Scientifico (Irccs) e un centro di riferimento internazionale nel campo dell’oncologia. Il suo modello di cura – costruito intorno alla centralità del paziente, alla piena integrazione tra ricerca e attività clinica, all’anticipazione diagnostica e alla prevenzione – poggia da anni su una strategia data-driven che oggi consente lo sviluppo rapido di algoritmi di intelligenza artificiale a supporto dei tempi di diagnosi e dell’efficienza dei percorsi terapeutici.

Su questa base, l’Istituto sta da tempo lavorando con Laife Reply (gruppo Reply) specializzata in AI e big data per la sanità — su iniziative diverse: dalla piattaforma Value Based Medicine per la medicina personalizzata al progetto Bianca, la prima biobanca digitale italiana basata su AI in ambito di anatomia patologica oncologica. La nuova si inserisce in questo percorso, ma alza l’asticella tecnologica: non si tratta più di applicare algoritmi a flussi diagnostici esistenti, bensì di co-sviluppare e addestrare Large Language Model verticali sul patrimonio clinico e informativo dell’Istituto.

Il bisogno che muove il progetto è duplice. Da un lato, c’è la necessità clinica di disporre di strumenti capaci di leggere la complessità del cancro attraverso l’analisi sistematica di grandi quantità di dati clinici e scientifici, accelerando le decisioni e personalizzando le terapie. Dall’altro, c’è l’esigenza organizzativa di mantenere il pieno controllo sul ciclo di vita del modello: quali use case affrontare, quali dati utilizzare per l’addestramento, come integrare i risultati nei processi clinici reali. Come spiega Annarosa Farina, direttrice dei Sistemi Informativi del gruppo Ieo Monzino, “l’intelligenza artificiale non è soltanto una tecnologia, ma un valido alleato della medicina: uno strumento che accelera ricerca, diagnosi e cura, aiutandoci a leggere la complessità del cancro attraverso l’analisi di grandi quantità di dati clinici e scientifici, per rendere più rapide le decisioni, più personalizzate le terapie e aprire nuove possibilità di cura per i pazienti”.

Il metodo e le soluzioni

Il metodo scelto da Ieo è quello del co-sviluppo strutturato con un partner tecnologico specializzato. Sul fronte clinico e informativo opera l’Istituto, che mette a disposizione le competenze mediche e il patrimonio di dati; sul fronte tecnologico opera un team multidisciplinare di Reply, con competenze specialistiche nel settore healthcare e nella specializzazione sugli Llm. L’integrazione tra i due gruppi è il presupposto stesso del progetto: la conoscenza clinica indirizza la scelta degli use case, la competenza tecnica li traduce in dataset coerenti e in scelte di addestramento.

Il primo passo operativo è la definizione e prioritizzazione degli use case. I team clinici e i Sistemi Informativi dell’Ieo stanno lavorando con il team Reply per mappare il patrimonio informativo disponibile e individuare i dataset più idonei a supportare l’addestramento del modello. Tre i primi ambiti su cui si concentra il confronto: senologia, urologia e prevenzione. La scelta non è solo clinica ma anche metodologica: si tratta di ambiti in cui la rilevanza dell’AI è alta e il patrimonio informativo disponibile – per qualità, volume e accessibilità – è sufficiente a sostenere l’addestramento di modelli verticali.

In questa fase di mappatura, referti clinici, immagini diagnostiche, dati strutturati e altre informazioni cliniche disponibili vengono analizzati per tipologia, volume, qualità e accessibilità, così da definire dataset coerenti con i casi d’uso individuati e orientare le scelte di sviluppo successive. Sulla base di queste valutazioni, il programma proseguirà con una fase dedicata all’addestramento dei large language model sui casi d’uso selezionati, cui seguiranno lo sviluppo e la messa in esercizio delle relative soluzioni in ambito clinico, valorizzando il patrimonio informativo dell’Istituto a supporto delle attività di prevenzione, diagnosi e trattamento.

Sul piano tecnologico, il progetto è uno dei primi realizzati nell’ambito di Reply Model Factory, la piattaforma di Reply per la costruzione di modelli generativi di frontiera fondati sulla conoscenza enterprise e progettati per alimentare sistemi e agenti AI coerenti con il contesto operativo di ciascuna organizzazione. All’interno di questo perimetro, definizione degli use case, qualificazione delle sorgenti dati, preparazione dei dataset e addestramento del modello fanno parte di un processo integrato pensato per garantire pieno controllo su dati, processi e risultati. È un’impostazione che, come osserva Carlo Malgieri, partner di Laife Reply, riflette una convinzione: “Con la progressiva integrazione della Generative AI nei processi decisionali e operativi, il vero valore deriverà da modelli costruiti sulla conoscenza, sui dati e sull’expertise propri di ciascuna organizzazione”.

I vantaggi attesi e la roadmap

I benefici attesi del progetto si articolano su tre piani. Il primo è la rilevanza clinica: modelli verticali addestrati sulla conoscenza specifica dell’Istituto sono potenzialmente in grado di supportare i clinici con un livello di pertinenza che i modelli generalisti non possono garantire — in particolare in scenari ad alta complessità come quelli oncologici, dove la qualità dell’analisi dipende dalla capacità di interpretare il linguaggio reale dei referti e di mettere in relazione informazioni eterogenee.

Il secondo piano è la governance del dato: il processo integrato di Reply Model Factory consente all’Ieo di mantenere il controllo su quali dati entrano nell’addestramento, su come vengono qualificati e su come i risultati del modello vengono messi in esercizio. È un punto particolarmente rilevante per un’organizzazione che gestisce informazioni cliniche sensibili e che opera sotto vincoli regolatori stringenti.

Il terzo piano è la scalabilità del modello collaborativo: l’avvio del progetto su tre ambiti — senologia, urologia, prevenzione — non è un punto di arrivo ma una base operativa. Una volta consolidato il metodo, le stesse logiche di mappatura dati, addestramento e messa in esercizio possono essere estese ad altri ambiti oncologici, costruendo nel tempo un ecosistema di modelli verticali a supporto delle diverse aree dell’Istituto. La roadmap, ancora da definire nei dettagli, procederà per fasi successive: dalla qualificazione dei dataset all’addestramento, dallo sviluppo applicativo alla messa in esercizio nei percorsi clinici. Il caso indica come l’AI generativa in sanità si stia spostando da una fase di sperimentazione esplorativa a una di industrializzazione governata, in cui il valore dipende meno dalla potenza del modello e più dalla capacità dell’organizzazione di portare al suo interno conoscenza, dati e processi clinici reali.

© RIPRODUZIONE RISERVATA