Introduzione
La lettera di dimissione ospedaliera è un documento cruciale per la continuità assistenziale. Contiene le informazioni che collegano il reparto alla medicina territoriale, consentendo al medico di famiglia di proseguire correttamente le cure.
Tuttavia, la sua redazione è uno dei compiti più gravosi per i medici ospedalieri, spesso costretti a bilanciare la qualità della sintesi clinica con il tempo limitato disponibile. L’avvento dell’Intelligenza Artificiale (IA) e dei Large Language Models (LLM) promette di alleggerire questo peso: ma la domanda è se tali testi siano davvero affidabili e sicuri.
Lo studio di JAMA Internal Medicine (Williams et al., 2025)
Un gruppo della University of California, San Francisco (UCSF) ha confrontato 100 lettere di dimissione scritte da medici ospedalieri con altrettante generate dal modello GPT-4 Turbo, addestrato a partire dalle note cliniche di ricovero.
Ventidue medici (ospedalieri, medici di famiglia e di strutture post-acuzie) hanno valutato i testi in cieco, analizzandone qualità, completezza, coerenza, concisione e presenza di errori (omissioni, inesattezze, “allucinazioni”).
Ogni errore è stato pesato con una scala di potenziale dannosità (da 0 = nessun rischio a 7 = rischio di morte) derivata dall’AHRQ americana.
Risultati essenziali
- Qualità complessiva: sovrapponibile (3,7 vs 3,8 / 5).
- Preferenza dei revisori: indifferente (IA 36%, medico 49%, pari 16%).
- Concisione e coerenza: superiori nei testi IA (p < 0,05).
- Completezza: inferiore nelle lettere IA (p < 0,001).
- Errori: più numerosi nelle versioni IA (2,9 vs 1,8 per testo), soprattutto omissioni.
- Rischio potenziale di danno: minimo in entrambi i casi (media < 1 su 7). Solo una lettera IA ha raggiunto punteggio 4 (“possibile danno permanente”).
In sintesi: i testi generati da IA sono più brevi e ordinati, ma talvolta sacrificano dettagli clinici rilevanti.
Box.1 – I tre tipi di errore identificati
| Tipo di errore | Esempio | Potenziale danno |
| Inesattezza |
durata antibiotico errata |
basso |
| Omissione | mancata indicazione di terapia cronica | medio |
| Allucinazione | diagnosi non presente nel fascicolo | medio-alto |
Interpretazione
L’esperimento dimostra che un LLM può redigere una bozza di lettera di dimissione con qualità simile a quella umana, a condizione che un medico la revisioni.
Lo studio suggerisce un modello “clinician in the loop”: l’IA produce il testo, il medico lo verifica e lo firma. In questo modo si riduce il carico burocratico mantenendo la responsabilità professionale e la sicurezza.
Dal punto di vista metodologico, la ricerca è un esempio di uso controllato dell’IA in sanità: valutazione cieca, scala di dannosità standardizzata, confronto con il corpus completo delle note cliniche. Un approccio che potrebbe essere replicato anche nei nostri ospedali per validare strumenti digitali prima dell’adozione.
Box.2 – Punti chiave per un uso sicuro dell’IA
Formazione specifica su “prompt clinico” e revisione dei testi. |
Implicazioni per la realtà cuneese
Per gli ospedali di Cuneo, Savigliano e Mondovì, impegnati nel potenziamento del Fascicolo Sanitario Elettronico 2.0, l’esperienza statunitense offre spunti immediati:
- ridurre i tempi di stesura e di invio delle lettere al MMG;
- migliorare la standardizzazione dei contenuti;
garantire una più rapida continuità di cura post-dimissione.
L’adozione di soluzioni AI dovrà però passare da una fase sperimentale controllata, con audit periodici e formazione etico-professionale dei medici.
Take Home Messages
- I modelli linguistici possono supportare il medico nella redazione delle lettere di dimissione, ma non sostituirlo.
- Qualità e sicurezza risultano comparabili, purché vi sia revisione umana.
- Le lettere IA sono più concise ma meno complete.
- La responsabilità clinica e deontologica resta in capo al medico.
- In prospettiva, l’IA può diventare un alleato per la continuità ospedale–territorio.
Bibliografia essenziale
- Williams CYK et al. Physician- and Large Language Model–Generated Hospital Discharge Summaries. JAMA Intern Med 2025; 185(7): 1-8.
- Snow V et al. Transitions of Care Consensus Policy Statement. J Gen Intern Med 2009; 24(8): 971-976
- Tierney AA et al. Ambient AI scribes to alleviate documentation burden. NEJM Catalyst 2024; 5(1): CAT.23.0404.