{"id":11988,"date":"2026-05-28T10:50:36","date_gmt":"2026-05-28T08:50:36","guid":{"rendered":"https:\/\/www.economiaediritto.it\/?p=11988"},"modified":"2026-05-28T10:51:37","modified_gmt":"2026-05-28T08:51:37","slug":"limpiego-dei-metodi-a-i-da-strumento-operativo-a-scelta-di-politica-pubblica-prospettive-future","status":"publish","type":"post","link":"https:\/\/www.economiaediritto.it\/en\/limpiego-dei-metodi-a-i-da-strumento-operativo-a-scelta-di-politica-pubblica-prospettive-future\/","title":{"rendered":"L\u2019impiego dei metodi A.I., da strumento operativo a scelta di politica pubblica: prospettive future"},"content":{"rendered":"

Introduzione<\/strong><\/p>\n

L’emergenza sanitaria provocata dalla pandemia da COVID-19 ha rappresentato uno stress test senza precedenti per i sistemi sanitari globali, accelerando in modo drammatico l’adozione di tecnologie innovative. L’intelligenza artificiale, che fino al 2019 rappresentava principalmente un oggetto di ricerca accademica e sperimentazione clinica limitata, riservata a settori di nicchia, quali l\u2019alta tecnologia, si \u00e8 trasformata in pochi mesi in uno strumento operativo essenziale per la gestione dell’emergenza. Questa transizione ha sollevato interrogativi fondamentali sul ruolo dell’A.I. nelle decisioni di politica pubblica, sulla governance<\/em> degli algoritmi in contesti critici e sulle implicazioni etiche dell’automazione decisionale non solo in ambito sanitario.<\/p>\n

Il presente contributo analizza questo percorso evolutivo, esaminando come l’intelligenza artificiale sia passata da semplice supporto tecnico a elemento centrale nelle strategie di risposta alla pandemia, diventando oggetto di scelte politiche strutturali che ne hanno definito l’impiego, i limiti e predisposto le basi per un impiego generalizzato. Da ultimo si presenteranno le prospettive future.<\/p>\n

    \n
  1. L’A.I. come strumento operativo <\/strong><\/li>\n<\/ol>\n

    Uno degli impieghi pi\u00f9 significativi dell’intelligenza artificiale \u00e8 emerso nel campo della sorveglianza epidemiologica e del rilevamento precoce dei focolai (il c.d. tracciamento). Il caso pi\u00f9 emblematico \u00e8 rappresentato da BlueDot, una piattaforma canadese di A.I.\u00a0 ha allertato i propri clienti su un cluster di polmoniti atipiche a Wuhan, nove giorni prima che l’OMS pubblicasse il proprio comunicato ufficiale. Il sistema utilizzava algoritmi di natural language processing<\/em> per analizzare quotidianamente oltre 100.000 articoli in 65 lingue, combinando dati da fonti ufficiali, media, blog medici e informazioni sui viaggi aerei. Questo precedente ha dimostrato la capacit\u00e0 dell’A.I. di superare i tempi di reazione delle strutture sanitarie tradizionali, stimolando governi e organizzazioni internazionali a implementare sistemi analoghi. Ad esempio, in Cina, Alibaba ha sviluppato un sistema di diagnosi in grado di identificare la polmonite da COVID-19 con un’accuratezza del 96% in soli 20 secondi, contro i 15 minuti generalmente necessari a un radiologo esperto. Il sistema ha analizzato oltre un milione di casi nei primi mesi della pandemia.<\/p>\n

    L’applicazione dell’A.I. alla diagnostica radiologica ha rappresentato un secondo ambito cruciale. Algoritmi di deep learning<\/em> addestrati su migliaia di immagini TC toraciche hanno permesso di:<\/p>\n

      \n
    • Individuare rapidamente la polmonite COVID-19 cos\u00ec da non confonderle con altre patologie respiratorie;<\/li>\n
    • Rilevare l’estensione del danno polmonare, fornendo indicatori prognostici;<\/li>\n
    • Differenziare i pazienti per priorit\u00e0 di trattamento in condizioni di sovraccarico ospedaliero.<\/li>\n<\/ul>\n

      A tal proposito, l’Ospedale San Raffaele di Milano ha implementato un sistema di A.I. sviluppato in collaborazione con Microsoft che ha ridotto del 35% i tempi di refertazione delle TC toraciche durante il picco della prima ondata.<\/p>\n

      Nel campo della ricerca farmacologica, l’A.I. ha rivoluzionato i tempi della scoperta dei farmaci efficaci ad offrire una risposta positiva nella regressione dell\u2019infezione. DeepMind ha utilizzato AlphaFold per predire la struttura tridimensionale delle proteine del SARS-CoV-2, un’informazione cruciale per lo sviluppo di terapie mirate. BenevolentAI ha identificato il baricitinib, un farmaco per l’artrite reumatoide, come potenziale trattamento per il COVID-19 attraverso l’analisi di database che collegavano milioni di relazioni tra farmaci, geni e malattie. Pfizer e BioNTech hanno impiegato algoritmi di machine learning<\/em> per ottimizzare la sequenza dell’mRNA del loro vaccino, analizzando miliardi di combinazioni possibili per identificare quella con la migliore stabilit\u00e0 e immunogenicit\u00e0. Questo processo, che tradizionalmente avrebbe richiesto anni, \u00e8 stato completato in poche settimane.<\/p>\n

        \n
      1. La transizione verso scelte di politica pubblica<\/strong><\/li>\n<\/ol>\n

        La fase successiva ha visto un’evoluzione qualitativa nell’impiego dell’A.I.: da strumento di supporto decisionale a componente integrante delle strategie di politica sanitaria. Questa transizione ha sollevato questioni complesse relative alla legittimit\u00e0, trasparenza e accountability<\/em> delle decisioni algoritmiche in contesti che influenzano direttamente i diritti fondamentali dei cittadini. Il caso coreano rappresenta l’esempio pi\u00f9 avanzato di integrazione tra A.I. e politiche pubbliche. Il sistema KCDC (Korea Centers for Disease Control and Prevention<\/em>) ha implementato una piattaforma integrata che combinava:<\/p>\n

          \n
        • Contact tracing<\/em> automatizzato attraverso l’analisi di dati GPS, transazioni con carte di credito e registri di videosorveglianza;<\/li>\n
        • Modelli predittivi per identificare cluster epidemici emergenti;<\/li>\n
        • Allocazione ottimizzata delle risorse sanitarie basata su previsioni di domanda:<\/li>\n
        • Sistemi di notifica automatica alla popolazione attraverso app dedicate.<\/li>\n<\/ul>\n

          Questa strategia ha permesso alla Corea del Sud di contenere la pandemia con lockdown<\/em> limitati, ma ha generato un dibattito internazionale sulla proporzionalit\u00e0 tra efficacia sanitaria e tutela della privacy<\/em>.<\/p>\n

          L’Europa ha adottato un approccio differente, privilegiando la privacy by design<\/em>. L’app Immuni (ancora in funzione) in Italia e le analoghe applicazioni in Germania, Francia e altri Paesi hanno utilizzato la tecnologia Bluetooth con crittografia decentralizzata, dove i dati rimangono sui dispositivi individuali senza tracciamento centralizzato. Gli algoritmi di A.I. operano localmente per calcolare il rischio di esposizione, bilanciando efficacia epidemiologica e tutela della privacy<\/em> secondo i principi del GDPR. Tuttavia, l’adozione di queste app, almeno nel periodo cruciale del loro primo impiego, \u00e8 stata inferiore alle aspettative (in Italia circa il 25% della popolazione), evidenziando come la dimensione tecnologica debba necessariamente integrarsi con strategie di comunicazione, fiducia pubblica e incentivi comportamentali. Secondo Quotidiano Sanit\u00e0 le persone che al 2025 risultano aver scaricato l\u2019applicazione sono solo il 12% della popolazione che potrebbe avere accesso agli applicativi informatici (14-75 anni).<\/p>\n

          L’impiego sistematico dell’A.I. ha prodotto benefici quantificabili in termini di tempestivit\u00e0. Studi condotti dall’OMS hanno evidenziato che i Paesi con sistemi di sorveglianza epidemiologica basati su A.I. hanno implementato misure di contenimento con un anticipo medio di 5-7 giorni rispetto ai sistemi tradizionali, un margine temporale che in fase esponenziale di crescita epidemica pu\u00f2 fare la differenza tra un focolaio controllabile e un’ondata pandemica. Modelli predittivi hanno permesso una gestione pi\u00f9 efficiente dei posti letto ospedalieri e della distribuzione dei vaccini. In Spagna, ad esempio, si sono utilizzati algoritmi di ottimizzazione per pianificare la logistica vaccinale, riducendo del 20% i tempi di somministrazione e minimizzando gli sprechi di dosi.<\/p>\n

          L’A.I. ha catalizzato una collaborazione scientifica senza precedenti. Piattaforme come COVID-19 Open Research Dataset<\/em> (CORD-19) hanno utilizzato NLP per indicizzare e rendere interrogabili oltre 400.000 articoli scientifici, permettendo ai ricercatori di identificare rapidamente risultati rilevanti. Sistemi di A.I. hanno analizzato questa letteratura per identificare collegamenti tra sintomi, meccanismi patogenetici e potenziali terapie, contribuendo all’identificazione delle complicanze trombotiche del COVID-19 e all’impiego precoce di anticoagulanti.<\/p>\n

          Un beneficio meno evidente ma significativo \u00e8 stato l’impiego di chatbot e assistenti virtuali basati su A.I. per supportare la salute mentale durante i lockdown<\/em>. Woebot, un chatbot<\/em> terapeutico basato sulla terapia cognitivo-comportamentale, ha registrato un aumento del 300% nell’utilizzo durante la pandemia, fornendo supporto psicologico accessibile h\/24 in tutti i giorni a popolazioni che non potevano accedere a servizi tradizionali.<\/p>\n

          3. Le criticit\u00e0<\/strong><\/p>\n

          Nonostante i successi, l’implementazione dell’A.I. ha evidenziato criticit\u00e0 strutturali. Una revisione sistematica pubblicata su Nature Medicine ha analizzato 232 modelli predittivi per COVID-19, concludendo che nessuno era adeguato a uso clinico a causa di problemi metodologici: dati di training<\/em> insufficienti, mancanza di validazione esterna e documentazione inadeguata. Diversi studi hanno documentato bias razziali e socioeconomici in algoritmi diagnostici e prognostici. Ad esempio, un sistema di triage automatizzato utilizzato in alcuni ospedali statunitensi sottostimava sistematicamente la gravit\u00e0 dei pazienti afroamericani, risultando in un accesso ridotto alle cure intensive. Questi bias<\/em> riflettevano disuguaglianze preesistenti nei dati di training<\/em>, dove le minoranze etniche erano sottorappresentate o presentavano pattern di accesso alle cure differenti. La natura “black box<\/em>” di molti algoritmi di deep learning<\/em> ha creato tensioni con l’esigenza di trasparenza nelle decisioni pubbliche. Medici e cittadini hanno richiesto sistemi spiegabili (explainable A.I.<\/em>), capaci di giustificare le proprie raccomandazioni. Questo ha stimolato lo sviluppo di tecniche come SHAP (SHapley Additive exPlanations<\/em>) e LIME (Local Interpretable Model-agnostic Explanations<\/em>) per rendere interpretabili modelli complessi.<\/p>\n

          4. Prospettive future: verso un ecosistema sanitario intelligente<\/strong><\/p>\n

          Il post-pandemia sta vedendo l’istituzionalizzazione dell’A.I. nei sistemi sanitari, considerati ad alto rischio, ma, sono ancora troppo poche le applicazioni pratiche.<\/p>\n

          I sistemi sanitari nazionali stanno sviluppando infrastrutture permanenti:<\/p>\n

            \n
          • Piattaforme di sorveglianza epidemiologica continua per rilevare precocemente future pandemie;<\/li>\n
          • Gemelli digitali di sistemi sanitari per simulare scenari di crisi e ottimizzare le risposte;<\/li>\n
          • Sistemi di medicina personalizzata che integrano genomica, dati clinici e modelli predittivi per trattamenti individuali.<\/li>\n<\/ul>\n

            L’OMS sta coordinando lo sviluppo di un sistema globale di early warning<\/em> basato su A.I. che integri sorveglianza umana, veterinaria e ambientale secondo l’approccio “One Health<\/em>“. Questo sistema analizzer\u00e0 in tempo reale:<\/p>\n

              \n
            • Pattern di malattie zoonotiche;<\/li>\n
            • Cambiamenti climatici e loro impatto sulla diffusione di patogeni;<\/li>\n
            • Flussi migratori e mobilit\u00e0 globale;<\/li>\n
            • Resistenza antimicrobica emergente.<\/li>\n<\/ul>\n

              La pandemia ha accelerato l’adozione della telemedicina, e l’A.I. ne sta potenziando le capacit\u00e0. Sistemi di computer vision<\/em> analizzano immagini dermatologiche, oftalmologiche e otorinolaringoiatriche acquisite con smartphone, fornendo diagnosi preliminari in aree remote. Algoritmi di analisi vocale rilevano pattern acustici associati a patologie respiratorie, cardiovascolari e neurologiche attraverso brevi registrazioni audio. Questi sviluppi promettono di democratizzare l’accesso a competenze specialistiche, riducendo le disparit\u00e0 sanitarie tra aree urbane e rurali, tra paesi sviluppati e in via di sviluppo. L’A.I. sta trasformando lo sviluppo vaccinale oltre il COVID-19. Piattaforme come Absci utilizzano deep learning per progettare anticorpi de novo, senza dipendere da librerie naturali. Moderna sta sviluppando vaccini personalizzati contro il cancro utilizzando A.I. per identificare neoantigeni tumorali individuali e progettare mRNA che stimolino risposte immunitarie mirate.<\/p>\n

                \n
              • Sfide etiche e governance futura<\/strong><\/li>\n<\/ul>\n

                Le prospettive dell’A.I. sanitaria sollevano questioni etiche che richiederanno governance innovativa:<\/p>\n

                  \n
                • Autonomia decisionale. Il consenso emergente favorisce modelli di “augmented intelligence<\/em>” dove l’A.I. potenzia ma non sostituisce il giudizio umano;<\/li>\n
                • Propriet\u00e0 dei dati;<\/li>\n
                • Equit\u00e0 algoritmica. Questo richiede investimenti deliberati per includere popolazioni sottorappresentate nei dataset di training<\/em>;<\/li>\n
                • Responsabilit\u00e0. Il framework<\/em> giuridico sta evolvendo verso modelli di responsabilit\u00e0 condivisa tra sviluppatori, validatori clinici e utilizzatori finali.<\/li>\n<\/ul>\n

                  Una lezione chiave della pandemia \u00e8 che soluzioni efficaci richiedono adattamento ai contesti locali. Algoritmi addestrati su popolazioni occidentali possono performare male in contesti africani o asiatici per differenze genetiche, epidemiologiche e socioeconomiche. Il futuro richiede modelli “glocali<\/em>“: architetture globali che incorporano parametrizzazioni locali bilanciano standardizzazione e personalizzazione. Iniziative come il Global Health Data Exchange<\/em> stanno creando infrastrutture per condividere dati sanitari rispettando sovranit\u00e0 nazionale e privacy<\/em>, permettendo l’addestramento di modelli globalmente robusti ma localmente rilevanti.<\/p>\n

                  Conclusioni<\/strong><\/p>\n

                  L’emergenza COVID-19 ha rappresentato un ponte di lancio nell’integrazione dell’intelligenza artificiale nei sistemi sanitari e nelle politiche pubbliche. Il passaggio da applicazioni sperimentali a implementazioni operative su larga scala ha rivelato sia il potenziale trasformativo dell’A.I. sia le sfide tecniche, etiche e governance che ne accompagnano l’adozione. I benefici sono stati tangibili: rilevamento precoce di focolai, accelerazione della ricerca farmacologica, ottimizzazione dell’allocazione delle risorse, supporto decisionale clinico. Tuttavia, la pandemia ha anche evidenziato limiti strutturali: bias<\/em> algoritmici, fragilit\u00e0 metodologica di molti modelli, tensioni tra efficacia ed equit\u00e0, necessit\u00e0 di trasparenza e accountability<\/em>.<\/p>\n

                  Le prospettive future delineano un ecosistema sanitario sempre pi\u00f9 integrato con l’A.I., dove la sorveglianza epidemiologica, la diagnostica, la terapeutica e la prevenzione saranno potenziate da sistemi intelligenti. Questa evoluzione richieder\u00e0 framework<\/em> normativi robusti, investimenti in infrastrutture digitali, formazione di professionisti sanitari capaci di collaborare efficacemente con sistemi di A.I., e un dialogo pubblico inclusivo sui valori che devono guidare l’automazione decisionale in sanit\u00e0.<\/p>\n

                  La pandemia ha dimostrato che l’intelligenza artificiale non \u00e8 pi\u00f9 una tecnologia futuristica, ma uno strumento presente che richiede scelte politiche consapevoli. Il compito dei decisori pubblici, dei professionisti sanitari, dei ricercatori e della societ\u00e0 civile \u00e8 assicurare che questa potente tecnologia sia governata in modo da massimizzare benefici collettivi, proteggere diritti fondamentali e promuovere equit\u00e0. Solo cos\u00ec l’A.I. potr\u00e0 realizzare la sua promessa di rendere i sistemi sanitari pi\u00f9 resilienti, accessibili ed efficaci di fronte alle sfide sanitarie presenti e future.<\/p>\n

                  Bibliografia<\/strong><\/p>\n

                  Ardila, D., Kiraly, A.P., Bharadwaj, S., et al. (2019). “End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography”. Nature Medicine, 25(6), 954-961.<\/p>\n

                  Beck, B.R., Shin, B., Choi, Y., Park, S., Kang, K. (2020). “Predicting commercially available antiviral drugs that may act on the novel coronavirus (SARS-CoV-2) through a drug-target interaction deep learning model”. Computational and Structural Biotechnology Journal, 18, 784-790.<\/p>\n

                  Benevolent AI (2020). “BenevolentAI identifies baricitinib as potential treatment for COVID-19”. Comunicato stampa, febbraio 2020.<\/p>\n

                  Bullock, J., Luccioni, A., Pham, K.H., Lam, C.S.N., Luengo-Oroz, M. (2020). “Mapping the landscape of Artificial Intelligence applications against COVID-19”. Journal of Artificial Intelligence Research, 69, 807-845.<\/p>\n

                  Callaway, E. (2020). “The race for coronavirus vaccines: a graphical guide”. Nature, 580(7805), 576-577.<\/p>\n

                  Char, D.S., Shah, N.H., Magnus, D. (2018). “Implementing machine learning in health care – addressing ethical challenges”. New England Journal of Medicine, 378(11), 981-983.<\/p>\n

                  Cohen, I.G., Gostin, L.O., Weitzner, D.J. (2020). “Digital smartphone tracking for COVID-19: public health and civil liberties in tension”. JAMA, 323(23), 2371-2372.<\/p>\n

                  DeCaprio, D., Gartner, J., Burgess, T., et al. (2020). “Building a COVID-19 vulnerability index”. medRxiv, preprint.<\/p>\n

                  DeepMind (2020). “Computational predictions of protein structures associated with COVID-19”. Comunicato stampa, marzo 2020.<\/p>\n

                  European Commission (2021). “Proposal for a Regulation laying down harmonised rules on artificial intelligence (Artificial Intelligence Act)”. COM(2021) 206 final.<\/p>\n

                  Ferretti, L., Wymant, C., Kendall, M., et al. (2020). “Quantifying SARS-CoV-2 transmission suggests epidemic control with digital contact tracing”. Science, 368(6491), eabb6936.<\/p>\n

                  Greenhalgh, T., Koh, G.C.H., Car, J. (2020). “Covid-19: a remote assessment in primary care”. BMJ, 368, m1182.<\/p>\n

                  Heaven, W.D. (2020). “Our weird behavior during the pandemic is messing with AI models”. MIT Technology Review, 11 maggio 2020.<\/p>\n

                  Jiang, F., Jiang, Y., Zhi, H., et al. (2017). “Artificial intelligence in healthcare: past, present and future”. Stroke and Vascular Neurology, 2(4), 230-243.<\/p>\n

                  Johns Hopkins University (2020). “COVID-19 Dashboard by the Center for Systems Science and Engineering (CSSE)”. Disponibile su: https:\/\/coronavirus.jhu.edu\/map.html<\/p>\n

                  Kahn, J. (2020). “AI could help with the next pandemic\u2014but not with this one”. Fortune, 12 marzo 2020.<\/p>\n

                  Lalmuanawma, S., Hussain, J., Chhakchhuak, L. (2020). “Applications of machine learning and artificial intelligence for Covid-19 (SARS-CoV-2) pandemic: A review”. Chaos, Solitons & Fractals, 139, 110059.<\/p>\n

                  Li, L., Qin, L., Xu, Z., et al. (2020). “Using artificial intelligence to detect COVID-19 and community-acquired pneumonia based on pulmonary CT: evaluation of the diagnostic accuracy”. Radiology, 296(2), E65-E71.<\/p>\n

                  Lovato, A., de Filippis, C. (2020). “Clinical presentation of COVID-19: a systematic review focusing on upper airway symptoms”. Ear, Nose & Throat Journal, 99(9), 569-576.<\/p>\n

                  Mahase, E. (2020). “Covid-19: What do we know about ‘long covid’?”. BMJ, 370, m2815.<\/p>\n

                  Mei, X., Lee, H.C., Diao, K.Y., et al. (2020). “Artificial intelligence-enabled rapid diagnosis of patients with COVID-19”. Nature Medicine, 26(8), 1224-1228.<\/p>\n

                  Muehlematter, U.J., Daniore, P., Vokinger, K.N. (2021). “Approval of artificial intelligence and machine learning-based medical devices in the USA and Europe (2015-20): a comparative analysis”. The Lancet Digital Health, 3(3), e195-e203.<\/p>\n

                  Naud\u00e9, W. (2020). “Artificial intelligence vs COVID-19: limitations, constraints and pitfalls”. AI & Society, 35, 761-765.<\/p>\n

                  Obermeyer, Z., Powers, B., Vogeli, C., Mullainathan, S. (2019). “Dissecting racial bias in an algorithm used to manage the health of populations”. Science, 366(6464), 447-453.<\/p>\n

                  Organizzazione Mondiale della Sanit\u00e0 (2021). “Ethics and governance of artificial intelligence for health: WHO guidance”.World Health Organization.<\/p>\n

                  Park, S., Choi, G.J., Ko, H. (2020). “Information technology-based tracing strategy in response to COVID-19 in South Korea-privacy controversies”. JAMA, 323(21), 2129-2130.<\/p>\n

                  Politi, L.S., Balzarini, L. (2020). “The radiology department during the COVID-19 pandemic: a challenging, radical change”. Radiology: Cardiothoracic Imaging, 2(3), e200601.<\/p>\n

                  Qin, Z.Z., Sander, M.S., Rai, B., et al. (2019). “Using artificial intelligence to read chest radiographs for tuberculosis detection: A multi-site evaluation of the diagnostic accuracy of three deep learning systems”. Scientific Reports, 9(1), 15000.<\/p>\n

                  Rahmatizadeh, S., Valizadeh-Haghi, S., Dabbagh, A. (2020). “The role of artificial intelligence in management of critical COVID-19 patients”. Journal of Cellular & Molecular Anesthesia, 5(1), 16-22.<\/p>\n

                  Ranney, M.L., Griffeth, V., Jha, A.K. (2020). “Critical supply shortages – the need for ventilators and personal protective equipment during the Covid-19 pandemic”. New England Journal of Medicine, 382(18), e41.<\/p>\n

                  Roberts, M., Driggs, D., Thorpe, M., et al. (2021). “Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans”. Nature Machine Intelligence, 3(3), 199-217.<\/p>\n

                  Santosh, K.C. (2020). “AI-driven tools for coronavirus outbreak: need of active learning and cross-population train\/test models on multitudinal\/multimodal data”. Journal of Medical Systems, 44(5), 93.<\/p>\n

                  Senior, A.W., Evans, R., Jumper, J., et al. (2020). “Improved protein structure prediction using potentials from deep learning”. Nature, 577(7792), 706-710.<\/p>\n

                  Shorten, C., Khoshgoftaar, T.M., Furht, B. (2021). “Deep Learning applications for COVID-19”. Journal of Big Data, 8(1), 1-54.<\/p>\n

                  Topol, E.J. (2019). “High-performance medicine: the convergence of human and artificial intelligence”. Nature Medicine, 25(1), 44-56.<\/p>\n

                  Vaishya, R., Javaid, M., Khan, I.H., Haleem, A. (2020). “Artificial Intelligence (AI) applications for COVID-19 pandemic”. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, 14(4), 337-339.<\/p>\n

                  Vokinger, K.N., Feuerriegel, S., Kesselheim, A.S. (2021). “Mitigating bias in machine learning for medicine”. Communications Medicine, 1(1), 25.<\/p>\n

                  Wang, L., Lin, Z.Q., Wong, A. (2020). “COVID-Net: a tailored deep convolutional neural network design for detection of COVID-19 cases from chest X-ray images”. Scientific Reports, 10(1), 19549.<\/p>\n

                  Wynants, L., Van Calster, B., Collins, G.S., et al. (2020). “Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal”. BMJ, 369, m1328.<\/p>\n

                  Zhou, C., Cao, Y., Lin, Y., Wang, Y. (2021). “Application of artificial intelligence in COVID-19 diagnosis and therapeutics”. Applied Intelligence, 51(6), 3693-3713.<\/p>\n

                  Zhu, N., Zhang, D., Wang, W., et al. (2020). “A novel coronavirus from patients with pneumonia in China, 2019”. New England Journal of Medicine, 382(8), 727-733.<\/p>\n","protected":false},"excerpt":{"rendered":"

                  Introduzione L’emergenza sanitaria provocata dalla pandemia da COVID-19 ha rappresentato uno stress test senza precedenti per i sistemi sanitari globali, accelerando in modo drammatico l’adozione di tecnologie innovative. L’intelligenza artificiale, <\/p>\n","protected":false},"author":4005,"featured_media":11994,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"jetpack_post_was_ever_published":false},"categories":[2680,2715,5,2718,1,2652,782,2399,2700],"tags":[],"class_list":["post-11988","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-comunicazione","category-intelligenza-artificiale","category-fascicoli","category-n-152-03-2026","category-news","category-progresso","category-ricerca-sviluppo","category-tecnologia","category-trasformazione-digitale"],"translation":{"provider":"WPGlobus","version":"3.0.2","language":"en","enabled_languages":["it","en","es"],"languages":{"it":{"title":true,"content":true,"excerpt":false},"en":{"title":false,"content":false,"excerpt":false},"es":{"title":false,"content":false,"excerpt":false}}},"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/geralt-ai-6767497_1920.jpg?fit=1920%2C1280&ssl=1","jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/p9CRXF-37m","jetpack_likes_enabled":true,"jetpack-related-posts":[{"id":11955,"url":"https:\/\/www.economiaediritto.it\/en\/la-razionalita-economica-evoluzione-e-prospettive-future\/","url_meta":{"origin":11988,"position":0},"title":"La razionalit\u00e0 economica: evoluzione e prospettive future","author":"Francesca Fuscaldo","date":"May 28, 2026","format":false,"excerpt":"Introduzione La razionalit\u00e0 economica rappresenta uno dei pilastri fondamentali dell'economia aziendale, costituendo il presupposto teorico su cui si fondano le decisioni imprenditoriali e la gestione d'impresa. Questo concetto, che ha attraversato un'evoluzione significativa nel corso del tempo, si riferisce alla capacit\u00e0 degli agenti economici di effettuare scelte coerenti con obiettivi\u2026","rel":"","context":"In "Economia"","block_context":{"text":"Economia","link":"https:\/\/www.economiaediritto.it\/en\/category\/rubriche-economiche\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/graph-data-show-summary-analysis-icon-graphic-scaled.jpg?fit=1200%2C829&ssl=1&resize=350%2C200","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/graph-data-show-summary-analysis-icon-graphic-scaled.jpg?fit=1200%2C829&ssl=1&resize=350%2C200 1x, https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/graph-data-show-summary-analysis-icon-graphic-scaled.jpg?fit=1200%2C829&ssl=1&resize=525%2C300 1.5x, https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/graph-data-show-summary-analysis-icon-graphic-scaled.jpg?fit=1200%2C829&ssl=1&resize=700%2C400 2x, https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/graph-data-show-summary-analysis-icon-graphic-scaled.jpg?fit=1200%2C829&ssl=1&resize=1050%2C600 3x"},"classes":[]},{"id":11973,"url":"https:\/\/www.economiaediritto.it\/en\/le-forme-della-violenza-di-genere-e-limportanza-di-fare-rete\/","url_meta":{"origin":11988,"position":1},"title":"LE FORME DELLA VIOLENZA DI GENERE E L\u2019IMPORTANZA DI FARE RETE","author":"Francesca Fuscaldo","date":"May 28, 2026","format":false,"excerpt":"Autrici: Dott.ssa Giada Scrivano e Dott.ssa Francesca Fuscaldo Introduzione La violenza sulle donne non conosce tempo e confini, \u00e8 endemica e non risparmia nessuna nazione o Paese, a prescindere dal fatto che sia industrializzato o in via di sviluppo. Non conosce nemmeno differenze socioculturali, vittime ed aggressori appartengono a tutte\u2026","rel":"","context":"In "Diritto"","block_context":{"text":"Diritto","link":"https:\/\/www.economiaediritto.it\/en\/category\/rubriche-giuridiche\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/tumisu-violence-against-women-4209778_1920.jpg?fit=1200%2C744&ssl=1&resize=350%2C200","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/tumisu-violence-against-women-4209778_1920.jpg?fit=1200%2C744&ssl=1&resize=350%2C200 1x, https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/tumisu-violence-against-women-4209778_1920.jpg?fit=1200%2C744&ssl=1&resize=525%2C300 1.5x, https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/tumisu-violence-against-women-4209778_1920.jpg?fit=1200%2C744&ssl=1&resize=700%2C400 2x, https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/tumisu-violence-against-women-4209778_1920.jpg?fit=1200%2C744&ssl=1&resize=1050%2C600 3x"},"classes":[]},{"id":12006,"url":"https:\/\/www.economiaediritto.it\/en\/misure-cautelari-reali-tra-cassazione-e-cedu-una-lettura-sistemica-dopo-isaia-e-altri-c-italia\/","url_meta":{"origin":11988,"position":2},"title":"Misure cautelari reali tra Cassazione e CEDU: una lettura sistemica dopo Isaia e altri c. Italia","author":"Marco Sorvillo","date":"May 28, 2026","format":false,"excerpt":"Nota a sentenza: Corte europea dei diritti dell\u2019uomo, Prima Sezione, Isaia e altri c. Italia, sent. 25 settembre 2025, ricc. nn. 36551\/22, 36926\/22 e 37907\/22. Autore: dott. Marco Sorvillo.\u00a0 1- Abstract Nel sistema processuale penale italiano le misure cautelari si articolano, in via schematica, in misure personali e misure reali.[1]Le\u2026","rel":"","context":"In "Case Studies"","block_context":{"text":"Case Studies","link":"https:\/\/www.economiaediritto.it\/en\/category\/alta-formazione-2\/case-studies\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/succo-hammer-802301_1920.jpg?fit=1200%2C900&ssl=1&resize=350%2C200","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/succo-hammer-802301_1920.jpg?fit=1200%2C900&ssl=1&resize=350%2C200 1x, https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/succo-hammer-802301_1920.jpg?fit=1200%2C900&ssl=1&resize=525%2C300 1.5x, https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/succo-hammer-802301_1920.jpg?fit=1200%2C900&ssl=1&resize=700%2C400 2x, https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2026\/05\/succo-hammer-802301_1920.jpg?fit=1200%2C900&ssl=1&resize=1050%2C600 3x"},"classes":[]}],"_links":{"self":[{"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/posts\/11988","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/users\/4005"}],"replies":[{"embeddable":true,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/comments?post=11988"}],"version-history":[{"count":3,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/posts\/11988\/revisions"}],"predecessor-version":[{"id":12000,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/posts\/11988\/revisions\/12000"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/media\/11994"}],"wp:attachment":[{"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/media?parent=11988"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/categories?post=11988"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/tags?post=11988"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}