Un bambino riceve un'iniezione. Immagine di Kwameghana tramite Wikimedia Commons (CC BY-SA 4.0 Deed).

Di Chukwudi Anthony Okolue

Nel 2024, un coltivatore di mais di 28 anni della Contea di Siaya [it], nel Kenya occidentale, si è recato in una piccola clinica pubblica lamentando febbre. Dieci anni fa avrebbe dovuto aspettare giorni — a volte settimane — per una diagnosi di malaria, febbre tifoide o dengue. Nel 2024, ha ricevuto una risposta in novanta secondi. Un operatore sanitario della comunità ha scattato la foto di uno striscio di sangue denso con un normale smartphone, collegato a un microscopio portatile del valore di 50 dollari. Un algoritmo di intelligenza artificiale ha analizzato l'immagine e ha suggerito che fosse affetto da “Plasmodium falciparum ++” con un'accuratezza del 98,5% — un risultato migliore di quello ottenuto dalla maggior parte dei tecnici di laboratorio non specializzati del Paese [en, come tutti i link successivi, salvo diversa indicazione]. Quello stesso pomeriggio, il contadino è uscito dalla clinica con il farmaco antimalarico corretto.

Il progetto pilota, condotto dal Ministero della Salute keniano con il supporto tecnico della startup Ubenytics, è ora attivo in oltre 420 strutture distribuite in otto contee. I risultati preliminari dello studio pilota pubblicato su The Lancet Digital Health nel marzo 2025, mostrano una riduzione del 31% delle prescrizioni inappropriate di antibiotici e un calo del 19% delle complicanze della malaria grave nelle aree di intervento.

È importante chiarire la terminologia. Sebbene il termine intelligenza artificiale sia comunemente utilizzato sia nel discorso accademico sia in quello popolare, i sistemi trattati in questo articolo sono più precisamente descritti come modelli linguistici di grandi dimensioni. Questi modelli non mostrano un’intelligenza generale; eseguono invece un rapido riconoscimento statistico di schemi e una generazione probabilistica di testi basata su vasti insiemi di dati di addestramento. Quando opportuno, questo articolo utilizza il termine LLM per riflettere tale distinzione, pur riconoscendo che IA rimane il termine generico con cui tali tecnologie vengono spesso categorizzate.

Il Kenya non è un caso isolato

In tutta l'Africa occidentale, la startup ghanese Chestify AI, fondata nel 2020, sta utilizzando algoritmi di intelligenza artificiale per affiancare i medici nell'interpretazione di radiografie toraciche e altre immagini diagnostiche nei centri sanitari con risorse limitate, offrendo mappe di calore visive e punteggi di anomalia che segnalano condizioni come tubercolosi e polmonite e accelerano la diagnosi in contesti dove i radiologi scarseggiano. In 25 strutture sanitarie in cui è stata implementata, Chestify ha registrato tempi di refertazione ridotti di circa il 40%, con i referti consegnati entro tre ore anziché giorni.

Precedenti studi di valutazione supervisionati dall'OMS hanno dimostrato prestazioni costantemente elevate nei contesti a basse risorse, utilizzando la rilevazione assistita da computer per la tubercolosi tramite radiografie del torace. La sensibilità aggregata si attesta intorno al 94,7% e questi risultati spesso eguagliano, o superano, l’accuratezza diagnostica media disponibile nelle aree in cui la capacità specialistica in radiologia è limitata.

Il programma ruandese di consegna del sangue tramite droni utilizza oggi algoritmi di instradamento, riducendo il  tempo medio di consegna  da 42 a 18 minuti nei distretti più difficili da raggiungere.

Non sono promesse per il futuro; si tratta di interventi documentati e sottoposti a revisione paritaria, attualmente in corso.

I numeri alla base dell’urgenza sono ben noti, ma vale la pena ripeterli: l’Africa sub-sahariana rappresenta l’11% della popolazione mondiale e il 24% del carico globale di malattie, ma dispone di solo il 3% degli operatori sanitari mondiali e di meno dell’1% della spesa sanitaria globale. Il divario tra specialisti è ancora più evidente: la Nigeria, per esempio, conta circa un patologo ogni 500.000 persone, rispetto a una media globale di uno ogni 25.000.

L’intelligenza artificiale non farà apparire più medici come per magia, ma sta già avendo un impatto nelle aree con sistemi sanitari carenti di risorse.

Aumenta la precisione del lavoro dei non specialisti. In Uganda, l'AI Health Lab dell'Università di Makerere e i suoi partner, tra cui l’Infectious Diseases Institute e NAAMII, stanno utilizzando strumenti di ecografia ostetrica guidati dall'IA  che permettono ai non specialisti, compresi gli operatori sanitari di comunità, di acquisire e interpretare immagini fetali di base.

Questi programmi permettono agli operatori sanitari di individuare le malattie più precocemente, quando il trattamento è meno costoso e più semplice. Nel 2019, The Lancet ha pubblicato uno studio di valutazione clinica su un modello di deep learning in un programma di screening retinico in Zambia, che ha dimostrato prestazioni diagnostiche eccellenti e più precoci per la retinopatia diabetica referibile, la retinopatia diabetica ad alto rischio visivo e l’edema maculare diabetico, rispetto ai valutatori umani.

Le implicazioni sanitarie per l'Africa

In primo luogo, la regolamentazione deve tenere il passo. Negli ultimi 18 mesi, il Pharmacy and Poisons Board del Kenya e la National Agency for Food and Drug Administration and Control della Nigeria hanno entrambi emanato linee guida pragmatiche sull’uso dell’IA come dispositivo medico — un passo discreto ma cruciale che molte economie più grandi faticano ancora a compiere.

In secondo luogo, i dati locali devono rimanere locali quando necessario. Gli algoritmi più accurati per la drepanocitosi, lo screening preclinico del cancro cervicale o la polmonite pediatrica nei bambini africani vengono addestrati su insiemi di dati africani. Fondatori e governi che insistono sulla conservazione locale dei dati e sulla proprietà locale dei modelli stanno costruendo asset strategici, non solo strumenti sanitari.

In terzo luogo, i modelli di finanziamento devono passare dai progetti pilota perpetui sostenuti da donatori a un’integrazione sostenibile. Ruanda e Ghana stanno già integrando le diagnosi basate sull’IA nei loro schemi nazionali di assicurazione sanitaria. Quando un servizio viene rimborsato 1–2 dollari per test anziché dipendere dalle sovvenzioni, la scala si realizza da un giorno all’altro.

Rischi e limiti degli LLM

Nonostante il potenziale trasformativo dei modelli linguistici di grandi dimensioni in ambito sanitario, il loro impiego non è privo di rischi e limiti significativi. Una delle preoccupazioni più discusse riguarda l'allucinazione dei modelli, che si ha quando essi generano risposte sicure ma errate o inventate. In contesti clinici o affini alla sanità, tali errori possono avere conseguenze gravi, tra cui la non corretta interpretazione delle informazioni mediche, raccomandazioni inadeguate o l’erosione della fiducia nei processi decisionali clinici.

Gli LLM dipendono inoltre fortemente dalla qualità, dall’ampiezza e dalla rappresentatività dei loro dati di addestramento. I pregiudizi presenti nei dati sanitari storici, come la sottorappresentazione di alcune popolazioni, possono essere appresi e amplificati da questi sistemi, portando potenzialmente a risultati iniqui. Inoltre, gli LLM mancano di una reale comprensione contestuale e di ragionamento clinico; non possiedono intenzionalità, consapevolezza o responsabilità, e pertanto non dovrebbero essere considerati decisori autonomi.

Sebbene le prove su larga scala sui danni diffusi, sottoposte a revisione paritaria, siano ancora in fase di acquisizione, il consenso nella letteratura sottolinea la necessità di supervisione umana, verifiche rigorose e misure di sicurezza specifiche per l’ambito sanitario. Gli LLM risultano più adatti come strumenti di supporto alle decisioni che come sostituti della competenza clinica.

Inoltre, questioni legate alla privacy dei dati, alla sicurezza e alla conformità normativa restano irrisolte in molte implementazioni. Senza quadri di governance solidi, l’integrazione degli LLM nei sistemi sanitari rischia di violare la riservatezza dei pazienti e gli standard etici esistenti.

Tuttavia, questi progressi significano che, entro il 2030, un bambino nato in un villaggio nei pressi di Kisumu [it] o di Kumasi [it] non dovrà più percorrere 200 chilometri per verificare se una lesione cutanea è cancerosa o se una tosse è sintomo di tubercolosi. Un operatore sanitario comunitario formato, uno smartphone da 120 dollari e un modello LLM continuamente aggiornato tramite 5G forniranno una risposta in pochi minuti, non in mesi.

Non stiamo aspettando un lontano evento singolare. In alcune parti dell’Africa, il futuro dell’assistenza sanitaria è già iniziato — silenziosamente, passo dopo passo, e a una velocità che la maggior parte degli osservatori globali ancora sottovaluta.