L’intelligenza artificiale generativa analizza i dati medici più velocemente dei team di ricerca umani
Che l’intelligenza artificiale generativa stesse bussando alle porte della ricerca medica era ormai chiaro a tutti. Quello che forse nessuno si aspettava è che, messa alla prova con dati reali, riuscisse a tenere testa (e in alcuni casi a superare) interi team di esperti che avevano lavorato per mesi sugli stessi identici problemi. Eppure è esattamente quello che è successo in uno studio condotto dalla University of California San Francisco (UCSF) insieme alla Wayne State University, pubblicato il 17 febbraio 2026 sulla rivista Cell Reports Medicine.
Il punto di partenza è semplice da raccontare, ma molto meno semplice da realizzare. I ricercatori hanno preso enormi set di dati medici legati alla gravidanza e hanno chiesto a diversi gruppi di analizzarli per predire il rischio di parto pretermine. Alcuni gruppi erano composti da scienziati esperti, altri da ricercatori che si appoggiavano a strumenti di intelligenza artificiale generativa. La sfida riguardava dati raccolti da oltre 1.000 donne in gravidanza, e il confronto è stato diretto, senza sconti per nessuno.
Il risultato? L’intelligenza artificiale generativa ha prodotto codice analitico funzionante nel giro di minuti. Lavoro che normalmente avrebbe richiesto ore, se non giorni, a programmatori esperti. E la cosa ancora più sorprendente è che una coppia “junior”, formata da uno studente di master della UCSF, Reuben Sarwal, e uno studente liceale, Victor Tarca, è riuscita a sviluppare modelli predittivi solidi proprio grazie al supporto dell’IA. Non servivano per forza grandi team di specialisti per ottenere risultati di qualità.
Perché il parto pretermine è al centro di questa ricerca
Accelerare l’analisi dei dati non è un esercizio accademico fine a sé stesso. Il parto pretermine resta la principale causa di morte neonatale e contribuisce in modo significativo a problemi motori e cognitivi a lungo termine nei bambini. Solo negli Stati Uniti, circa 1.000 bambini nascono prematuramente ogni giorno. E ancora oggi la scienza non ha una comprensione completa delle cause.
Per cercare possibili fattori di rischio, il team guidato da Marina Sirota, professoressa di Pediatria e direttrice ad interim del Bakar Computational Health Sciences Institute (BCHSI) alla UCSF, ha messo insieme dati sul microbioma di circa 1.200 donne in gravidanza, raccolti attraverso nove studi separati. Una mole di informazioni impressionante, il tipo di dataset che fa venire il mal di testa anche ai data scientist più navigati.
Per gestire questa complessità, i ricercatori si erano inizialmente affidati a una competizione globale chiamata DREAM (Dialogue on Reverse Engineering Assessment and Methods), a cui hanno partecipato oltre 100 team da tutto il mondo. La maggior parte dei gruppi ha completato il lavoro entro la finestra di tre mesi prevista dalla competizione. Però ci sono voluti quasi due anni per consolidare i risultati e pubblicarli. Due anni. Ed è proprio qui che l’intelligenza artificiale generativa ha mostrato il suo potenziale più dirompente.
Il test concreto: otto chatbot alla prova dei dati sulla gravidanza
Curiosi di capire se l’IA potesse comprimere drasticamente quei tempi, Sirota e il suo gruppo hanno collaborato con i ricercatori guidati da Adi L. Tarca, professore al Centro di Medicina Molecolare e Genetica della Wayne State University. Otto sistemi di intelligenza artificiale hanno ricevuto istruzioni scritte in linguaggio naturale, molto simili a come si userebbe ChatGPT, con prompt dettagliati e specifici pensati per guidarli nell’analisi degli stessi dataset delle sfide DREAM.
Gli obiettivi erano identici a quelli delle competizioni originali: analizzare i dati del microbioma vaginale per individuare segnali di parto pretermine, ed esaminare campioni ematici o placentari per stimare l’età gestazionale. La datazione della gravidanza è quasi sempre una stima, eppure determina il tipo di cure che le donne ricevono man mano che la gestazione prosegue. Quando le stime sono imprecise, prepararsi al travaglio diventa molto più complicato.
Non tutti i sistemi hanno funzionato bene, va detto chiaramente. Solo 4 degli 8 chatbot testati hanno prodotto codice utilizzabile. Ma quelli che ce l’hanno fatta hanno generato modelli che eguagliavano le performance dei team umani, e in alcuni casi le superavano. L’intero processo, dall’idea iniziale alla sottomissione dell’articolo scientifico, ha richiesto appena sei mesi. Sei mesi contro gli anni necessari con i metodi tradizionali.
«Questi strumenti di IA potrebbero eliminare uno dei colli di bottiglia più grandi nella data science: la costruzione delle pipeline di analisi», ha dichiarato Sirota. «E questa accelerazione non potrebbe arrivare in un momento migliore per i pazienti che hanno bisogno di aiuto adesso.»
Naturalmente, gli scienziati sottolineano che l’intelligenza artificiale generativa richiede ancora una supervisione umana attenta. Questi sistemi possono produrre risultati fuorvianti, e la competenza umana resta fondamentale per interpretare ciò che emerge dai dati. Però la prospettiva è chiara: invece di passare ore a fare debugging del codice, i ricercatori potrebbero dedicare più tempo a porsi le domande giuste. Come ha detto Tarca: «Grazie all’intelligenza artificiale generativa, i ricercatori con competenze limitate in data science non dovranno sempre formare collaborazioni ampie o perdere ore a correggere errori nel codice. Potranno concentrarsi sulle vere domande biomediche.»
È ancora presto per parlare di rivoluzione compiuta, ma la direzione è quella. E la velocità con cui ci si sta muovendo lascia pensare che il rapporto tra ricerca medica e intelligenza artificiale sia destinato a cambiare in modo profondo, molto prima di quanto molti immaginassero.
