Gli autori dello studio: - Eliana Russo, Lean Management and Six Sigma Expert - Matteo Sartori, PhD - Clinical Expert - Fabio Di Bello, Laboratorio CAST (Center for Advanced Studies & Technology) - Neurologia Molecolare e ITAB Cognitive Behavioural Neurology - Università di Chieti - Milko Zanini, PhD - Professore Associato Dipartimento di Scienze della Salute Università di Genova
L’Intelligenza Artificiale ha modificato, spesso ampliando, le capacità degli esseri umani in numerosi settori, dalla medicina all’ingegneria, fino alle applicazioni quotidiane. Tuttavia, l’integrazione dell’AI nei flussi di lavoro ha sollevato interrogativi critici sulle differenze tra le attività tradizionalmente Human-Driven (HD) e quelle AI-Driven (AID). Nelle attività HD l’essere umano è il principale decisore e operatore, con il supporto di strumenti non autonomi. Al contrario, nell’attività AID l’Intelligenza Artificiale ha il ruolo predominante nel processo decisionale o operativo, con o senza supervisione umana.
In ambito Healthcare si assiste alla sempre più evidente dicotomia che contrappone strumenti AI-Professional e strumenti AI-Consumer. Le attività AI-Professional (ad esempio, algoritmi di diagnostica medica, CAD avanzato, etc.) evidenziano un incremento significativo in efficienza e precisione. Tuttavia, l’interazione HD rimane essenziale per decisioni critiche e per la validazione dei risultati. Ad esempio, nell’ambito della radiologia, l’AI riduce il tempo necessario per l’analisi delle immagini, ma la supervisione umana è indispensabile per confermare le diagnosi differenziali. Gli strumenti AI-Consumer, come gli assistenti virtuali o le App di editing di immagini, hanno democratizzato l’accesso a tecnologie avanzate, ma spesso mancano della sofisticazione necessaria per applicazioni professionali. Gli utenti riportano una soddisfazione elevata per la semplicità d’uso, eppure esistono limitazioni nell’adattabilità a casi complessi. Tra gi strumenti AI-Consumer, sicuramente i Large Language Model (LLM) come ChatGPT hanno determinato un reshaping dello scenario.
Le applicazioni di ChatGPT
ChatGPT-3.5, ChatGPT-4o a pagamento e i custom ChatGPT-bots sono oggi quotidianamente impiegati per la formazione e didattica rivolta agli studenti e ai pazienti, per la gestione delle biblioteche mediche, per la diagnosi, per le decisioni di trattamento (Lund 2024), (Rao 2024), nonché si distinguono per il loro impatto su medical writing e publishing per le capacità nell’information retrieval (IR) (Li 2024), (Hersch 2024). ChatGPT viene utilizzato per produrre letteratura scientifica e in alcuni articoli è stato inserito nell’elenco degli autori: successivamente, dopo l’intervento di Nature e Science ChatGPT, è stato rimosso dagli autori, perché si è definito che un chatbot non può essere “Autore” in quanto non è possibile affidare la responsabilità di questo ruolo all’AI. ChatGPT diventa oggetto di analisi da parte della letteratura scientifica: attualmente il motore di ricerca professionale Embase® di Elsevier ha inserito ChatGPT tra i suoi Emtree Term del thesaurus controllato, mentre non compare tra i MeSH Term del thesaurus di Pubmed e Cochrane. Ancor di più, ChatGPT viene utilizzato come strumento per effettuare la ricerca di evidenze scientifiche, per l’analisi delle stesse e dei dati in esse contenuti fornendone una sintesi e, non da ultimo, viene inserito in processi di peer review(Li 2023).
La ricerca tradizionale
La ricerca bibliografica rappresenta una fase cruciale del processo scientifico, in particolare in ambito medico, dove l’accesso a letteratura affidabile e aggiornata può influenzare decisioni cliniche e politiche sanitarie. Tradizionalmente dominata da attività HD, anche questa pratica è ora sempre più supportata o addirittura sostituita da strumenti AID. Comprendere come le tecnologie HD e AID si sovrappongono, si integrano o si sostituiscono è essenziale per ottimizzare i processi e garantirne un uso responsabile. In questo contesto, gli Autori presentano un focus specifico sulla ricerca di letteratura scientifica eseguita paragonando il metodo tradizionale con il metodo AI supportato con strumenti AI-Consumer. Il confronto tra i due metodi è stato condotto scegliendo come topic il ruolo che hanno gli Oral Nutritional Supplements (ONS) nella gestione della malnutrizione proteico energetica (MPE) dei pazienti fragili nei differenti setting di cura. Si tratta di un tema attuale sul quale non vi è tuttora sufficiente sensibilità e consapevolezza sia in ambito medico-specialistico che in ambito di assistenza domiciliare familiare. Interessa trasversalmente condizioni cliniche patologiche eterogenee come lo sono le popolazioni di pazienti colpite. Diversi e numerosi, infatti, sono gli stakeholder coinvolti nell’identificazione e gestione della malnutrizione, quali Healthcare Professionals (HCPs) come i General Practitioners (GPs), Community-Based Nurses (CNs), Pharmacists e Speech and Language Therapists (SLTs) (Browne et al., 2021). Questo porta a un interesse di ampio spettro per realtà impiegate nella produzione di integratori alimentari, dispositivi medici e farmaci correlati alla terapia di trattamento della malnutrizione.
Le informazioni, le evidenze e i dati disponibili in letteratura scientifica sull’utilizzo degli ONS sono stati ricercati e raccolti tanto con i motori di ricerca quali ad esempio Pubmed, Embase®, CINHAL® quanto con strumenti AI-Consumer come ChatGPT-4o, Consensus attraverso ChatGPT e Consensus App nativa. La ricerca in parallelo ha avuto lo scopo di analizzare vantaggi e limiti di entrambi i metodi in termini di accuratezza, affidabilità e tempo di esecuzione e dunque valutare se e quanto siano fruibili per definire uno stato dell’arte sull’argomento di interesse.
