Salta al menu principale di navigazione Salta al contenuto principale Salta al piè di pagina del sito
FrancoAngeli Journals

Materiali per la ricerca e l'approfondimento

N. 135 (2025)

L’intelligenza artificiale dalla ricerca clinica all’implementazione nei processi: le sfide nel caso della Cardiologia Universitaria dell’AOU Città della Salute e della Scienza di Torino

DOI
https://doi.org/10.3280/mesa2025-135oa23434
Inviata
agosto 3, 2026
Pubblicato
2026-10-01

Abstract

L’intelligenza artificiale (IA) rappresenta una delle principali leve di innovazione per la sanità, ma il trasferimento delle applicazioni dalla ricerca alla pratica clinica rimane un processo complesso. Attraverso un caso di studio qualitativo sulla Cardiologia Universitaria dell’AOU Città della Salute e della Scienza di Torino, il contributo analizza lo sviluppo di applicazioni di IA in diversi ambiti cardiologici e approfondisce le principali sfide che ne condizionano l’implementazione.
L’analisi evidenzia come la disponibilità di algoritmi accurati costituisca una condizione necessaria ma non sufficiente. Emergono sei fattori abilitanti: leadership clinica, collaborazione interdisciplinare, qualità dei dati, governance organizzativa, trasferimento tecnologico e contesto regolatorio.
Il lavoro propone un framework interpretativo utile a comprendere le condizioni clinico-scientifiche, organizzative e istituzionali necessarie per tradurre l’innovazione tecnologica in valore per le aziende sanitarie e i pazienti.

Riferimenti bibliografici

  1. Antoniadi A.M., Du Y., Guendouz Y., Wei L., Mazo C., Becker B.A., & Mooney C. (2021). Current challenges and future opportunities for XAI in machine learning-based clinical decision support systems: a systematic review. Applied Sciences, 11(11), 5088. DOI: 10.3390/app11115088.
  2. Arrieta A.B., Díaz-Rodríguez N., Del Ser J., Bennetot A., Tabik S., Barbado A., García S., Gil-López S., Molina D., & Benjamins R. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58: 82-115. DOI: 10.1016/j.inffus.2019.12.012.
  3. Boucher P. (2019). How artificial intelligence works. EPRS-European Parliamentary Research Service. Europarl. Europa, 2.
  4. D’Ascenzo F., De Filippo O., Gallone G., Mittone G., Deriu M.A., Iannaccone M., Ariza-Solé A., Liebetrau C., Manzano-Fernández S., &
  5. Quadri G. (2021). Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets. The Lancet, 397(10270): 199-207.
  6. Eguia H., Sánchez-Bocanegra C.L., Vinciarelli F., Alvarez-Lopez F., & Saigí-Rubió F. (2024). Clinical decision support and natural language processing in medicine: systematic literature review. Journal of Medical Internet Research, 26, e55315. DOI: 10.2196/55315.
  7. Fernandez-Granero M.A., Sanchez-Morillo D., & Leon-Jimenez A. (2018). An artificial intelligence approach to early predict symptom-based exacerbations of COPD. Biotechnology & Biotechnological Equipment, 32(3): 778-784. DOI: 10.1080/13102818.2018.1437568.
  8. Garcia-Chimeno Y., & Garcia-Zapirain B. (2015). HClass: Automatic classification tool for health pathologies using artificial intelligence techniques. Bio-Medical Materials and Engineering, 26(1_suppl): S1821-S1828. DOI: 10.3233/BME-151484.
  9. Holzinger A., Langs G., Denk H., Zatloukal K., & Müller H. (2019). Causability and explainability of artificial intelligence in medicine. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 9(4), e1312. DOI: 10.1002/widm.1312.
  10. Hwang E.J., Park S., Jin K.-N., Kim J.I., Choi S.Y., Lee J.H., Goo J.M., Aum J., Yim J.-J., & Cohen J.G. (2019). Development and validation of a deep learning-based automated detection algorithm for major thoracic diseases on chest radiographs. JAMA Network Open, 2(3), e191095. DOI: 10.1001/jamanetworkopen.2019.1095.
  11. Iansiti M., & Lakhani K.R. (2017). The truth about blockchain. Harvard Business Review, 95(1): 118-127.
  12. Kassem K., Sperti M., Cavallo A., Vergani A.M., Fassino D., Moz M., Liscio A., Banali R., Dahlweid M., & Benetti L. (2024). An innovative artificial intelligence-based method to compress complex models into explainable, model-agnostic and reduced decision support systems with application to healthcare (NEAR). Artificial Intelligence in Medicine, 151, 102841. DOI: 10.1016/j.artmed.2024.102841.
  13. LeCun Y., Bengio Y., & Hinton G. (2015). Deep learning. Nature, 521(7553): 436-444. DOI: 10.1038/nature14539.
  14. Magrabi F., Ammenwerth E., McNair J.B., De Keizer N.F., Hyppönen H., Nykänen P., Rigby M., Scott P.J., Vehko T., & Wong Z.S.-Y. (2019). Artificial intelligence in clinical decision support: challenges for evaluating AI and practical implications. Yearbook of Medical Informatics, 28(01): 128-134. DOI: 10.1055/s-0039-1677903.
  15. Mauro M., Noto G., Prenestini A., & Sarto F. (2024). Digital transformation in healthcare: Assessing the role of digital technologies for managerial support processes. Technological Forecasting and Social Change, 209, 123781. DOI: 10.1016/j.techfore.2024.123781.
  16. Mireshghallah F., Taram M., Vepakomma P., Singh A., Raskar R., & Esmaeilzadeh H. (2020). Privacy in deep learning: A survey. ArXiv Preprint ArXiv, 2004.12254. DOI: 10.48550/arXiv.2004.12254.
  17. Noto G., Prenestini A., Sarto F., & Mauro M. (2026). Le nuove tecnologie digitali per il management e la performance in sanità. Stato dell’arte, impatti e prospettive per le aziende e i sistemi sanitari. DOI: 10.3280/oa-1613.
  18. Sibbald M., Zwaan L., Yilmaz Y., & Lal S. (2024). Incorporating artificial intelligence in medical diagnosis: a case for an invisible and (un) disruptive approach. Journal of Evaluation in Clinical Practice, 30(1): 3-8. DOI: 10.1111/jep.13730.
  19. Sim I., Gorman P., Greenes R.A., Haynes R.B., Kaplan B., Lehmann H., & Tang P.C. (2001). Clinical decision support systems for the practice of evidence-based medicine. Journal of the American Medical Informatics Association, 8(6): 527-534. DOI: 10.1136/jamia.2001.0080527.
  20. Sutton R.T., Pincock D., Baumgart D.C., Sadowski D.C., Fedorak R.N., & Kroeker K.I. (2020). An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ Digital Medicine, 3(1), 17. DOI: 10.1038/s41746-020-0221-y.
  21. Topol E.J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1): 44-56. DOI:
  22. 1038/s41591-018-0300-7.
  23. Vellido A. (2020). The importance of interpretability and visualization in machine learning for applications in medicine and health care. Neural Computing and Applications, 32(24): 18069-18083. DOI: 10.1007/s00521-019-04051-w.