L’uso dell’intelligenza artificiale nella sanità:

etica, strumenti e prospettive

di David Vannozzi, Università Telematica Pegaso (Direttore generale)

e Med.E.A. – Higher Education Institution Malta (CEO)

doi: 10.14672/VDS20243IP12

L’uso dell’intelligenza artificiale nella sanità: etica, strumenti e prospettive © 2024 by David Vannozzi is licensed under CC BY-SA 4.0

Abstractus

L’articolo fornisce una panoramica sull’applicazione dell’intelligenza artificiale (AI) nel settore sanitario, esplorandone strumenti, prospettive e sfide etiche. L’interesse verso l’AI in sanità è aumentato in particolare con la pandemia COVID-19, che ha accelerato l’adozione di tecnologie avanzate per migliorare diagnosi, terapia e monitoraggio dei pazienti. Negli anni ’50, i concetti di AI, Machine Learning (ML) e Deep Learning (DL) hanno iniziato a svilupparsi con il Test di Turing. Dagli anni ’70, l’evoluzione tecnologica e la crescita dei big data hanno consentito all’AI di trasformarsi, passando da approcci basati sulla conoscenza a quelli basati sui big data.

Recenti sviluppi hanno permesso di ricavare regole predittive da variabili cliniche, tramite algoritmi di ML e architetture di DL che semplificano l’estrapolazione dei dati. Questi progressi hanno reso l’AI & Advanced Analytics una tecnologia chiave che può personalizzare servizi e fare previsioni, portando valore senza precedenti. Tuttavia, è essenziale un quadro normativo che affronti le implicazioni socio-etiche dell’AI nella sanità.

In Italia, il Piano Nazionale di Ripresa e Resilienza (PNRR) destina ingenti risorse alla sanità digitale e alla telemedicina, mentre a livello europeo e internazionale sono stati sviluppati regolamenti per un uso responsabile dell’AI. Il settore sanitario è in crescita nell’adozione dell’AI, e secondo IDC il mercato globale dei big data sanitari raggiungerà i 58,4 miliardi di dollari entro il 2026.

L’AI in sanità è applicata in molteplici campi: clinico, biomedico, salute pubblica e amministrazione. Nella clinica, ad esempio, la radiologia, la cardiologia e la medicina d’urgenza utilizzano AI per diagnosi e gestione del paziente. La telemedicina e strumenti di NLP supportano la gestione di cartelle cliniche elettroniche, migliorando diagnosi e previsioni. In campo chirurgico, la robotica basata su AI permette interventi complessi anche a distanza. Altri usi includono l’imaging cardiaco automatizzato e i modelli per la diagnosi precoce di malattie renali e neurologiche.

Dal punto di vista etico, restano aperte questioni sulla sicurezza dei pazienti, sulla privacy, sull’accesso equo e sulla responsabilità legale, che richiedono attenzione normativa e linee guida standardizzate per gestire le implicazioni di queste tecnologie avanzate.

Keyword: Intelligenza Artificiale (AI), Sanità digitale, Machine Learning (ML), Telemedicina, Big Data

The article provides an overview of the application of artificial intelligence (AI) in healthcare, exploring its tools, perspectives and ethical challenges. Interest in AI in healthcare has increased particularly with the COVID-19 pandemic, which accelerated the adoption of advanced technologies to improve diagnosis, therapy and patient monitoring. In the 1950s, the concepts of AI, Machine Learning (ML) and Deep Learning (DL) began to develop with the Turing Test. Since the 1970s, technological evolution and the growth of big data have allowed AI to transform from knowledge-based to big data-based approaches.

Recent developments have made it possible to derive predictive rules from clinical variables, using ML algorithms and DL architectures that simplify data mining. These advances have made AI & Advanced Analytics a key technology that can personalise services and make predictions, bringing unprecedented value. However, a regulatory framework that addresses the socio-ethical implications of AI in healthcare is essential.

In Italy, the National Recovery and Resilience Plan (PNRR) allocates significant resources to digital health and telemedicine, while regulations for the responsible use of AI have been developed at European and international level.

The healthcare sector is growing in AI adoption, and according to IDC, the global healthcare big data market will reach $58.4 billion by 2026.

AI in healthcare is applied in multiple fields: clinical, biomedical, public health and administration. In clinical, for example, radiology, cardiology and emergency medicine use AI for diagnosis and patient management. Telemedicine and NLP tools support the management of electronic medical records, improving diagnosis and prediction. In the surgical field, AI-based robotics enable complex operations even at a distance. Other uses include automated cardiac imaging and models for early diagnosis of kidney and neurological diseases.

From an ethical perspective, questions remain about patient safety, privacy, equitable access and legal liability, which require regulatory attention and standardised guidelines to manage the implications of these advanced technologies.

Keywords: Artificial Intelligence (AI), Digital Health, Machine Learning (ML), Telemedicine, Big Data

Introduzione

Il presente articolo mira a fare un breve e non esaustivo resoconto delle possibili applicazioni dell’intelligenza artificiale al mondo della sanità elencandone gli strumenti, le prospettive e le possibili applicazioni. Conclude con una breve disamina dei problemi etici da risolvere.

Negli ultimi anni, è notevolmente cresciuto l’interesse per il tema dell’intelligenza artificiale (AI) in generale, ma è stata la pandemia di COVID-19 che ha accelerato lo sviluppo e la diffusione di applicazioni di intelligenza artificiale nelle aree mediche e cliniche.

I comportamenti intelligenti sono alla base delle numerose attività decisionali in Medicina, quali la diagnosi, la terapia, la prognosi e la gestione del monitoraggio del paziente. Tali attività, oltre a essere caratterizzanti della pratica clinica, prevedono la capacità di fondere e usare conoscenze di base, conoscenze specifiche sul paziente, sul contesto ambientale e altro, al fine di prendere la migliore decisione possibile rispetto all’evoluzione dello stato di salute del paziente (o di interi gruppi di pazienti).

Il concetto Intelligenza Artificiale, Machine Learning e Deep Learning apparve per la prima volta in articoli e ricerche negli anni ’50 grazie alle intuizioni del test di Turing, e veniva utilizzato per definire se una macchina fosse in grado di pensare e di essere considerata “intelligente”.

I primi studi, e relativi sistemi software, inerenti l’AI-M sono comparsi nei primi anni ’70. L’avvento di computer sempre più potenti, l’evoluzione dell’informatica e la disponibilità di un’enorme mole di dati, grazie a Internet e alle molteplici piattaforme “social”, hanno spostato l’interesse dell’AI-M da applicazioni basate sulla conoscenza ad applicazioni basate sui Big Data, dove è possibile estrarre dai dati conoscenza e informazioni in essi nascoste (Data Mining).

Gli sviluppi recenti nel campo del Machine Learning hanno permesso di ampliare la natura e la numerosità delle variabili eterogenee in ingresso rispetto agli approcci noti nella statistica classica, e di ricavare regole di classificazione e di predizione in grado di cogliere aspetti complessi nei dati a disposizione.

Negli approcci “tradizionali” del Machine Learning, le variabili sono ricavate sia direttamente dai dati clinici (come i dati di laboratorio), sia mediante misure ed estrapolazioni effettuate dagli operatori, come nel caso di osservazioni effettuate nell’ambito dell’imaging diagnostico. Negli ultimi anni, uno dei fattori di successo più significativi dell’AI è stata la semplificazione di questa fase di estrapolazione dei dati, mediante l’utilizzo di nuove architetture di reti neurali artificiali denominate collettivamente metodi di Deep Learning.

Le applicazioni di AI & Advanced Analytics rappresentano la più importante tecnologia abilitante di oggi: hanno un impatto estremamente concreto, perché consentono di identificare schemi nascosti, fornire servizi personalizzati, apprendere dai dati e fare previsioni. In questo modo portano l’analisi di scenari complessi a risultati semplici, fornendo un valore senza precedenti.

Tuttavia, come per altri progressi tecnologici, l’AI nel campo dell’assistenza sanitaria presenta vantaggi e rischi specifici e necessita di un proprio quadro normativo che affronti le implicazioni socio-etiche del suo utilizzo.

A questo proposito sono stati pubblicati molti Rapporti e linee guida, a livello sia nazionale che europeo e internazionale, tra i quali, la Commissione europea ha presentato il proprio Regolamento in materia di Intelligenza Artificiale per disciplinare lo sviluppo, l’uso e la commercializzazione di queste tecnologie, e l’Italia ha lanciato,  grazie al lavoro congiunto di tre Ministeri, il  Programma nazionale Strategico sull’Intelligenza Artificiale, che identifica 24 raccomandazioni di intervento per il triennio 2022-2024 e indica i macro-capitoli di finanziamento per colmare il divario oggi esistente tra l’Italia e le nazioni europee di riferimento.

Il mercato dell’intelligenza artificiale

Negli ultimi anni, il panorama europeo dell’utilizzo dell’intelligenza artificiale (AI) è in continua evoluzione. Per la sua crescente importanza in tutti gli ambiti, l’intelligenza artificiale è stata inserita nell’elenco delle priorità della Commissione Europea.

I dati evidenziano una crescita dell’ecosistema italiano dell’Artificial Intelligence^[1]. Sempre più̀ imprese e consumatori si avvicinano a questa tecnologia emergente, che ha tutto il potenziale per diventare un fattore centrale nella trasformazione digitale di imprese, della PA e della società̀ nel suo complesso, grazie anche allerisorse pubbliche rese disponibili dal piano Next Generation EU.

La Sanità è al primo posto in termini di crescita tra tutti i settori che generano dati, che sono un bene preziosissimo in tale settore, purché siano gestiti con infrastrutture tecnologiche robuste, resilienti, performanti e sicure. Rischiare di perdere o alterare dati in ambito sanitario potrebbe mettere a rischio la vita di una persona o l’intera operatività di una struttura sanitaria.

I big data provenienti dal mondo della sanità sono certamente una ricchezza enorme per tutti: per la salute dei pazienti e per le organizzazioni sanitarie. Ma per analizzarli e interpretarli in maniera efficace, affinché assumano valore e si trasformino in preziose informazioni, servono condivisione della conoscenza, competenze specifiche, formazione, integrazione tra tutti gli attori del sistema, infrastrutture uniche, sicurezza. Soltanto a queste condizioni i big data potranno costituire la base di una tecnologia abilitante dell’ecosistema sanitario che ci porterà verso una data driven health.

fonte: IDC – International Data Corporation

Un’analisi previsionale fino al 2025 dell’International Data Corporation, vede la Sanità con un +36%, al primo posto in termini di crescita tra tutti i settori che generano dati.

Nel campo dei big data nell’Healthcare, si prevede che il mercato globale raggiungerà i 58,4 miliardi di dollari entro il 2026 in gran parte derivanti dagli ingenti investimenti nordamericani in cartelle cliniche elettroniche, strumenti di gestione delle pratiche e soluzioni per la gestione del personale^[2].

Analisti di settore, politici e istituzioni concordano sul fatto che l’uso dei big data in sanità possa far risparmiare ingenti somme al sistema sanitario, soprattutto con riferimento alla razionalizzazione delle risorse.

Da evidenziare che il PNRR (Piano Nazionale di Ripresa e Resilienza), che prevede lo stanziamento di circa 15 miliardi di euro per la Digital Health, nel programma   Missione 6 Salute, prevede lo stanziamento di 7 miliardi di euro per l’assistenza di prossimità e per la telemedicina. Tale circostanza, certamente,darà un grande impulso all’utilizzo dei big data per la sanità italiana. Gli investimenti porteranno alla moltiplicazione delle fonti di dati.

Tra le principali/nuove fonti di generazione dati vi sono la dematerializzazione di tutti i flussi sanitari, le tecnologie digitali innovative, le scelte di governance e le normative che stanno spingendo fortemente in questa direzione.

Tra queste:

• Telemedicina (spinta anche dalle recenti Indicazioni Nazionali)
• Adozione del Fascicolo Sanitario Elettronico (nuovo FSE)
• Gestione integrata delle Cartelle Cliniche Elettroniche
• Imaging diagnostico con elaborazioni mediante tecniche di Intelligenza Artificiale
• IoMT, sensoristica e wearable device per il controllo remoto e il telemonitoraggio dei pazienti
• Chirurgia a distanza e chirurgia robotica 
• P4 Medicine: medicina Predittiva, Personalizzata, Preventiva e Partecipativa
• Medicina del territorio
•  

Le applicazioni dell’AI in medicina e sanità

Il rapporto descrive i diversi campi in cui l’AI biomedica potrebbe fornire i contributi più significativi:

• pratica clinica,
• ricerca biomedica, 
• salute pubblica,
• amministrazione sanitaria.

Nella praticaclinica ci sono aree mediche altamente interessate all’uso dell’AI, come la radiologia, la cardiologia, la patologia digitale, la medicina d’urgenza, la chirurgia, il rischio medico, la previsione delle malattie, l’assistenza    domiciliare e la salute mentale.

Nellaricerca biomedica ci sono molti potenziali contributi dell’AI, come l’utilizzo di modelli basati sulla tecnologia che accelerano drasticamente il processo di individuazione di possibili candidati farmaci, riducendo i tempi e di conseguenza i costi del time to market, la conduzione di sperimentazioni cliniche e la medicina personalizzata.

A livello di salute globale,l’AI potrà essere molto utile nell’individuazione e nel controllo, ad esempio, di future eventuali pandemie, attraverso l’analisi in tempo reale di dati a livello mondiale. D’altro canto, durante la pandemia Covid19 è emerso quanto sia cruciale avere dei dati a tutti i livelli per il controllo ed il monitoraggio.

Per quanto riguarda il ruolo del paziente è importante sottolineare che l’AI può svolgere un ruolo significativo nell’autogestione delle malattiecroniche e delle malattie che colpiscono gli anziani. Le attività di autogestione vanno dall’assunzione di farmaci alla regolazione della dieta del paziente e alla gestione dei dispositivi sanitari.

I pazienti si assumono già una responsabilità significativa per le proprie cure, compresa l’assunzione di medicinali, il miglioramento della loro alimentazione e dieta, l’attività fisica, la cura delle ferite o l’erogazione di iniezioni. L’intelligenza artificiale potrebbe aiutare nella cura di sé, anche attraverso agenti di conversazione (ad es. “chatbot”), monitoraggio della salute e strumenti e tecnologie di previsione del rischio progettati specificamente per le persone con disabilità e potrebbe limitare l’accesso di un individuo ai servizi sanitari formali.

Con gli strumenti di AI si potranno fare molti passi avanti nella gestione dei device per elaborare in tempo reale i dati per la miglior gestione del rischio del paziente.

La telemedicina fa parte di un più ampio passaggio dall’assistenza ospedaliera a quella domiciliare, con l’uso delle tecnologie di intelligenza artificiale per facilitare il passaggio. Includono sistemi di monitoraggio remoto, come la terapia video-osservata e assistenti virtuali a supporto della cura del paziente. Già prima della pandemia di COVID-19, oltre 50 sistemi sanitari negli Stati Uniti utilizzavano servizi di telemedicina e in Cina il numero di servizi a distanza è aumentato di quasi quattro volte durante la pandemia.

In Italia, per un impiego sistematico della telemedicina nell’ambito del Servizio Sanitario Nazionale e per dare attuazione alla Comunicazione europea, il 17 Dicembre 2020 sono state emanate le linee guida di indirizzo nazionale dal Ministero della Salute^[3].

Esistono molti strumenti di AI basati su tecniche di Natural Language Processing e addestrati sui dati contenuti nei sistemi di cartelle cliniche elettroniche contenenti la storia clinica dei pazienti composta da dati sia strutturati sia non strutturati. Un sistema sviluppato in ambito pediatrico, addestrato con 100 milioni di dati riferiti a circa 1,4 milioni di visite condotte da oltre 500.000 pazienti, ha permesso di ottenere elevate percentuali di successo nel diagnosticare le malattie pediatriche più̀ comuni (95% per sinusiti e altre infezioni respiratorie, 94% per l’influenza, 97% per l’infezione mani-piedi- bocca) e quelle più̀ pericolose o complicate (97% per gli attacchi di asma, 93% per la meningite batterica e per la varicella, 93% per la rosolia, 90% per la mononucleosi), con percentuali di sensibilità e specificità̀ simili a quelle osservate tra i medici più̀ esperti.

Esistono anche sistemi di AI sviluppati durante la pandemia del COVID-19 per supportare la diagnosi. Uno studio ha valutato le prestazioni di un sistema di AI nel rilevare pazienti con COVID-19 analizzando le radiografie del torace e dimostrando la sua affidabilità̀ rispetto all’operato di sei radiologi con una sensibilità̀ dell’85% e una specificità̀ del 61%; mentre un altro ha dimostrato che un algoritmo di deep learning è in grado di riconoscere il COVID-19 rispetto ad altre malattie polmonari analizzando le TAC del torace dei pazienti.

La radiologia è tra le specialità mediche che hanno visto sviluppi significativi dell’AI negli ultimi anni.

Per esempio, in uno studio in ambito radiologico, l’accuratezza di un algoritmo sviluppato con l’obiettivo di rilevare la polmonite partendo da oltre 112.000 immagini radiografiche del torace è stata confrontata con quella di quattro radiologi, risultando superiore. Evidenze esistono, anche, nel campo della identificazione di tumori polmonari, dove algoritmi di machine learning, istruiti attraverso la scansione di oltre 34.000 radiografie toraciche, hanno raggiunto un livello di accuratezza superiore a 17 su 18 radiologi usati come confronto. Risultati simili si sono ottenuti nell’identificazione di tumori della mammella dove un sistema di AI adeguatamente istruito ha portato a una riduzione assoluta del 5,7% e 1,2% (rispettivamente negli Stati Uniti e nel Regno Unito) nei falsi positivi e del 9,4% e 2,7% nei falsi negativi, e, nel confronto con l’operato di 6 radiologi, a un aumento del 11,5% della sensibilità̀.  Passi importanti sono stati fatti nello sviluppo di sistemi di AI in grado di diagnosticare con maggiore precisione le fratture del polso, aumentando la sensibilità̀ dall’81% registrata nella diagnosi da parte del personale di pronto soccorso al 92% ottenuta da un sistema di AI, che ha consentito, anche, di ridurre le interpretazioni errate del 47%.

Nella patologia digitale, l’AI è stata applicata a una varietà di attività di elaborazione e classificazione delle immagini.

L’uso di linee guida standardizzate può supportare l’armonizzazione dei processi diagnostici e istopatologici, ma l’AI può aiutare a gestire la variabilità tra soggetti e operatori, nella diagnosi, nella prognosi e nella valutazione della gravità della malattia .

Accanto alla maggiore precisione nella fase di diagnosi, di prevenzione e di definizione e attivazione di modelli di cura e monitoraggio l’AI può far apprezzare il proprio valore anche nell’ambito degli interventi chirurgici. Si tratta in questo caso di un ambito nel quale l’innovazione sanitaria si appoggia all’automazione robotica. Ed è proprio grazie alla chirurgia robotica, gestita mediante AI, che si possono effettuare interventi sempre più complessi con maggiore precisione e anche a distanza, consentendo al medico specialista di avvalersi di un’equipe remota per intervenire senza doversi spostare.

La medicina d’urgenza può beneficiare dell’AI in diverse fasi della gestione del paziente, per una migliore definizione delle priorità dei pazienti durante il triage e nell’analisi diversi elementi della storia clinica del paziente. Attualmente, i pazienti vengono valutati con informazioni limitate nel pronto soccorso e difficili da reperire.

La disponibilità di nuove tecniche di elaborazione delle immagini cardiache basate sull’intelligenza artificiale sta rivoluzionando la pratica clinica cardiaca consentendo ai cardiologi di effettuare una valutazione più rapida dei pazienti nella loro pratica quotidiana

La generazione di ecocardiogrammi più accurati e automatizzati con l’uso dell’AI dovrebbe rivelare caratteristiche di imaging non riconosciute che faciliteranno la diagnosi di malattie cardiovascolari riducendo tempi di intervento e limiti associati all’interpretazione umana.

L’applicazione dell’AI in nefrologia si basa su un modello di deep learning per l’imaging renale ad ultrasuoni per classificare in modo non invasivo la malattia renale cronica (CKD). L’analisi digitale delle immagini istopatologiche è stata facilitata dallo sviluppo di una rete neurale di deep learning in grado di annotare e classificare le biopsie renali umane^[4]. Nel tentativo di migliorare il trattamento precoce del danno renale acuto (AKI), gli scienziati hanno approfittato del diffuso aumento dei dati trovati nelle cartelle cliniche elettroniche per sviluppare un modello di intelligenza artificiale che consenta una previsione fino a 48 ore di episodi di AKI ricoverati.

Le applicazioni dell’AI in neurologia sono nell’ambito di tecniche di deep learning nella diagnostica per immagini, la generazione di modelli biofisici per l’interpretazione di dati di neuroimaging decisionale e per la interpretazione e la refertazione. Per esempio, nell’ICTUS, con l’utilizzo di strumenti di Intelligenza Artificiale deep learning e machine learning, è possibile facilitare e parametrizzare la lettura delle TAC (le macchine sono diverse e danni risultati diversi) per poter evitare l’errore diagnostico con la standardizzazione dell’algoritmo e la successiva validazione del modello.

In questo campo, c’è una esperienza consolidata, RapidAI^[5], una tecnologia che supporta la capacità dei medici di affrontare la gestione delle emorragie intracraniche in modo più accurato e completo utilizzando l’intelligenza artificiale per analizzare rapidamente le scansioni CT in campo neurovascolare e vascolare e informare i medici di possibili emorragie.

Nel novembre 2022 ha avuto l’autorizzazione FDA per l’ultimo rilascio di RapidAI che ha una sensibilità del 97% e una specificità del 100%.

Per gli ospedali e le stroke unit mobili in prima linea nella valutazione dei pazienti, questi dati sono fondamentali per aiutare i medici a prendere decisioni di triage e portando i pazienti nel posto giusto per le cure giuste in modo più efficiente.

Questa tecnologia molto promettente anche su altre patologie, è stata utilizzata e approvata in più di 100 Paesi nel mondo, in 2000 ospedali, e ha un patrimonio di 5 milioni di scansioni.

La medicina genomica è una disciplina emergente basata sulle informazioni genomiche degli individui per guidare l’assistenza clinica e approcci personalizzati alla diagnosi e al trattamento Poiché l’analisi di set di dati così grandi è complessa, l’AI svolge un ruolo importante nella genomica per migliorare la comprensione umana della malattia e identificare nuovi biomarcatori della malattia.

Ci sono diversi studi condotti sul campo per dimostrare l’accuratezza di sistemi di AI finalizzati all’identificazione di neoplasie. Uno studio, che utilizzava un ampio set di dati di addestramento di quasi 130.000 immagini, ha dimostrato l’affidabilità̀ di un sistema di machine learning nell’identificazione di carcinoma e di melanoma con una sensibilità rispettivamente del 96% e del 94%, assolutamente sovrapponibili a quelle di 21 dermatologi americani certificati.

Gli aspetti etici da risolvere

Sebbene l’implementazione dell’AI nel settore sanitario sia molto promettente, questo campo in rapido sviluppo solleva anche preoccupazioni per i pazienti, i sistemi sanitari e la società; queste preoccupazioni includono questioni di sicurezza clinica, accesso equo, privacy e sicurezza, uso e utenti appropriati, nonché responsabilità e regolamentazione. Pertanto, i ricercatori, il pubblico in generale e i responsabili politici hanno tutti avanzato importanti questioni bioetiche, incluso come valutare i rischi e i benefici dell’AI nell’assistenza sanitaria, come stabilire la responsabilità nella sfera dell’AI biomedica e come regolarne l’uso in questo particolare contesto ad alto rischio. Tra i temi in discussione, centrale è quello che mira a comprendere se l’AI potrebbe aumentare l’inclusione e l’equità nel trattamento delle comunità tradizionalmente sottorappresentate, o se, viceversa, si corra il rischio di perpetuare e aumentare le disparità e le disuguaglianze sanitarie esistenti.

Bibliografia

• Conferenza delle Regioni e delle Province Autonome, 2020. Rapporto di Monitoraggio sull’attuazione della CSR.
• Hermsen, Meyke, Thomas de Bel, Marjolijn den Boer, Eric J. Steenbergen, Jesper Kers, Sandrine Florquin, Joris J. T. H. Roelofs, et al. “Deep Learning–Based Histopathologic Assessment of Kidney Tissue.” Journal of the American Society of Nephrology. Ovid Technologies (Wolters Kluwer Health), September 5, 2019. doi:10.1681/asn.2019020144.
• Mordor Intelligence, 2020. Big Data Market Research Report.
• Politecnico di Milano, Osservatorio Artificial Intelligence, 2022. Artificial Intelligence: l’Italia s’è desta!, 4-58. Milano: Politecnico di Milano.
• RapidAI, Aneurysm, pulmonary embolism and stroke software platform powered by AI [ultimo accesso il 13 ottobre 2024], https://www.rapidai.com/

^[1]Politecnico di Milano, Osservatorio Artificial Intelligence, 2022. Artificial Intelligence: l’Italia s’è desta!, 4-58. Milano: Politecnico di Milano.

^[2]Mordor Intelligence, 2020. Big Data Market Research Report.

^[3]Conferenza delle Regioni e delle Province Autonome, 2020. Rapporto di Monitoraggio sull’attuazione della CSR, 2-15.

^[4]Hermsen, Meyke, Thomas de Bel, Marjolijn den Boer, Eric J. Steenbergen, Jesper Kers, Sandrine Florquin, Joris J. T. H. Roelofs, et al. “Deep Learning–Based Histopathologic Assessment of Kidney Tissue.” Journal of the American Society of Nephrology. Ovid Technologies (Wolters Kluwer Health), September 5, 2019. doi:10.1681/asn.2019020144.

^[5]RapidAI, Aneurysm, pulmonary embolism and stroke software platform powered by AI [ultimo accesso il 13 ottobre 2024], https://www.rapidai.com/