Intelligenza artificiale e nursing oncologico

Scritto il 17/04/2026

da Chiara Sideri

Nel nursing oncologico il bisogno di strumenti capaci di intercettare precocemente problemi clinici, supportare il follow-up e alleggerire il carico assistenziale è evidente. Le persone con tumore convivono spesso con sintomi fisici e psicologici multipli, effetti avversi dei trattamenti, necessità decisionali complesse e, non di rado, con fasi di assistenza intermittente che rendono più difficile garantire continuità e personalizzazione delle cure. In questo scenario, l’intelligenza artificiale viene proposta come leva potenziale per migliorare il monitoraggio, la tempestività e l’organizzazione dell’assistenza. A fare il punto sul tema è una scoping review pubblicata su Cancer Nursing, che non valuta l’efficacia di un singolo algoritmo ma mappa lo stato dell’arte delle applicazioni di AI nel nursing oncologico. Gli autori hanno cercato gli studi pubblicati tra gennaio 2010 e novembre 2022 in 6 database in inglese e 3 in cinese, includendo 28 articoli peer-reviewed. Il quadro che emerge è chiaro: il settore è in crescita, ma il livello di maturità clinica è ancora disomogeneo e l’evidenza complessiva rimane, nella maggior parte dei casi, bassa o moderata.

Una letteratura giovane

oncologia IA — Scoping review pubblicata su Cancer Nursing, che non valuta l’efficacia di un singolo algoritmo ma mappa lo stato dell’arte delle applicazioni di AI nel nursing oncologico.

Quasi tutta la produzione scientifica inclusa nella review è di pubblicazione recente: un solo studio risale al 2011, mentre la grande maggioranza dei lavori compare dal 2017 in avanti, con una crescita particolarmente evidente nel biennio 2021-2022.

I Paesi più rappresentati sono Cina e Stati Uniti e il tumore più studiato è il carcinoma mammario. È un dato che va letto in doppia chiave: da un lato conferma che l’interesse per l’intelligenza artificiale nel nursing oncologico sta entrando in una fase di rapida espansione; dall’altro mostra che le conoscenze disponibili si concentrano ancora su pochi contesti geografici, su alcuni setting assistenziali più che su altri e su un numero limitato di quadri oncologici.

Il risultato è un panorama in crescita, ma ancora parziale, che non consente di estendere automaticamente le conclusioni all’intera assistenza oncologica.

Anche il livello delle evidenze invita alla prudenza. Metà degli studi inclusi era di tipo descrittivo, classificato come livello VI nella gerarchia adottata dagli autori, mentre solo una quota ridotta raggiungeva un impianto metodologico più robusto.

In termini pratici, significa che gran parte della letteratura oggi disponibile documenta soprattutto sviluppo, testing e validazione iniziale degli strumenti, più che una loro efficacia clinica consolidata nei contesti reali di cura.

È un passaggio decisivo, perché tra la costruzione di un modello promettente e la dimostrazione di un impatto assistenziale stabile, riproducibile e trasferibile nella pratica quotidiana esiste ancora una distanza importante.

Dove l’intelligenza artificiale viene usata di più

Nella letteratura analizzata, l’intelligenza artificiale non si distribuisce in modo uniforme, ma tende a concentrarsi in alcune aree ben precise dell’assistenza oncologica, soprattutto dove il bisogno di intercettare precocemente problemi clinici, supportare decisioni complesse e mantenere continuità assistenziale è più elevato.

Le tecnologie riportate più frequentemente sono i metodi ibridi di AI, seguiti dal machine learning, dagli expert systems e dal deep learning. Questo dato suggerisce che il settore sia ancora in una fase esplorativa: più che su strumenti già standardizzati e stabilmente adottati, la ricerca si sta concentrando sulla combinazione di approcci diversi per capire quali architetture risultino più utili nei problemi assistenziali oncologici.

L’ambito in cui l’AI compare più spesso è quello della risk identification/prediction, cioè la capacità di identificare o prevedere in anticipo eventi avversi, complicanze o bisogni assistenziali. È una direzione tutt’altro che casuale: in oncologia anticipare il rischio significa provare a riconoscere prima nausea e vomito da chemioterapia, dolore oncologico, trombosi correlata al catetere, linfedema o altri eventi che possono aggravare il carico clinico e assistenziale.

In questo senso, l’AI appare particolarmente coerente con una delle esigenze centrali del nursing oncologico: trasformare segnali clinici, dati documentali e sintomi riferiti dal paziente in informazioni utili per un intervento più tempestivo e più mirato.

Subito dopo compaiono il monitoraggio dei sintomi, il supporto decisionale e la pianificazione dell’assistenza, tre aree che parlano in modo molto diretto alla pratica infermieristica:

In alcuni studi l’AI è stata usata per rilevare in tempo reale sintomi fisici, psicologici e sociali, con alert automatici sul loro andamento
In altri per supportare decisioni relative a chirurgia, terapie o follow-up
In altri ancora per sostenere percorsi di assistenza continuativa extraospedaliera, con funzioni di valutazione, educazione, supporto e orientamento assistenziale

Più marginali, ma comunque presenti, risultano anche applicazioni dedicate alla previsione di esiti o bisogni e alcune soluzioni hands-free collegate a procedure di cura. Nel complesso, il quadro che emerge non descrive ancora una tecnologia già trasformativa e pienamente integrata, ma una serie di strumenti che stanno cercando una collocazione concreta nei punti più sensibili del percorso oncologico.

Un elemento da sottolineare è che queste applicazioni non sono distribuite in modo omogeneo tra i diversi setting oncologici. La review mostra una forte concentrazione nel carcinoma mammario, mentre altri tumori compaiono molto meno. Questo significa che una parte rilevante delle conoscenze disponibili nasce da contesti clinici specifici e non può essere automaticamente estesa all’intera oncologia assistenziale. Anche per questo, il campo appare promettente ma ancora selettivo: studia molto alcuni problemi e molto poco altri.

Dal punto di vista operativo, gli input più utilizzati provengono da cartelle cliniche elettroniche, sistemi informativi e questionari elettronici, mentre telecamere e sensori restano più marginali. È un passaggio importante, perché mostra che gran parte delle applicazioni oggi studiate dipende dalla qualità dell’infrastruttura digitale disponibile. Senza dati strutturati, standardizzati, interoperabili e rappresentativi, anche i modelli più promettenti rischiano di perdere accuratezza, affidabilità e trasferibilità. Non è quindi solo una questione di algoritmo: è una questione di ecosistema informativo, qualità documentale e maturità organizzativa dei contesti di cura.

Infine, vale la pena ricordare che i destinatari di queste tecnologie non sono soltanto gli infermieri, ma anche pazienti, medici e altri professionisti sanitari. Tuttavia, proprio perché il nursing è tra i principali ambiti in cui questi strumenti dovrebbero trovare applicazione, il vero discrimine non sarà la loro capacità teorica di elaborare dati, ma la loro utilità concreta nei flussi assistenziali reali: capacità di alleggerire il lavoro, migliorare la continuità di cura, rendere più tempestiva l’identificazione dei problemi e sostenere decisioni assistenziali più informate. È su questo passaggio, più ancora che sulla sola performance tecnica, che si giocherà la reale maturità dell’intelligenza artificiale in oncologia infermieristica.

Il punto che interessa di più al nursing

Per il personale infermieristico, il dato forse più rilevante è che nei lavori analizzati l’intelligenza artificiale non emerge soltanto come strumento di previsione, ma anche come possibile supporto alla pratica assistenziale quotidiana. Nella review, i benefici potenziali riportati per i pazienti riguardano:

gestione dei sintomi
predizione del rischio
la riduzione del distress psicologico
il miglioramento della qualità di vita
l’aumento della self-efficacy
minore asimmetria informativa nei processi decisionali

Sul piano professionale e organizzativo, invece, una quota più limitata di studi descrive vantaggi nelle procedure assistenziali, nella documentazione automatizzata e nell’efficienza del lavoro, con un possibile alleggerimento del carico in contesti segnati dalla carenza di risorse umane.

È proprio qui, però, che serve prudenza interpretativa. Che un sistema riesca a segnalare un rischio, tracciare meglio un sintomo o automatizzare una parte della documentazione non significa, di per sé, che produca un miglioramento clinico stabile, generalizzabile e riproducibile nella pratica reale. La stessa review ricorda che il campo è ancora in una fase prevalentemente iniziale:

il 46,4% degli studi riguardava tecnologie in sviluppo
il 35,7% era fermo alla fase di testing
solo 5 studi erano arrivati a una reale implementazione

A questo si aggiunge un ulteriore elemento di rilievo per l’assistenza: le tecnologie descritte sono spesso validate in funzione della performance del modello, ma molto meno rispetto alla loro integrazione nei flussi di lavoro infermieristici.

In altre parole, tra costruire un algoritmo promettente e trasformarlo in uno strumento davvero utile per il nursing oncologico resta ancora uno spazio importante da colmare. Non a caso, la review segnala che gli infermieri oncologici sono tra i principali utilizzatori previsti di queste tecnologie, ma che quasi nessuno studio riporta con chiarezza tempi di applicazione, procedure d’uso o livelli di soddisfazione, e solo due studi raccolgono un feedback diretto degli infermieri sulla fattibilità e sul valore percepito degli strumenti.

È un passaggio decisivo: nell’assistenza oncologica, l’innovazione non si misura solo sulla capacità di predire, ma sulla sua concreta utilità al letto del paziente, nella continuità assistenziale e nella sostenibilità del lavoro infermieristico.

I limiti da non ignorare

La review mette bene in evidenza almeno tre criticità:

La prima è tecnica: molti modelli sono stati costruiti su campioni monocentrici, spesso di dimensioni moderate, con validazioni limitate e generalizzabilità incerta.
La seconda riguarda la fiducia sociale: l’adozione dell’AI in assistenza non dipende solo dalla performance dell’algoritmo, ma anche dall’accettabilità da parte di professionisti e pazienti.
La terza, forse la più sottovalutata, è etica. Solo 2 studi su 28 affrontavano realmente questioni etiche, mentre 7 non le menzionavano affatto. Privacy, trasparenza, bias, sicurezza dei dati e confini tra supporto tecnologico e giudizio clinico restano quindi nodi ancora largamente aperti.

C’è poi un’altra assenza che merita attenzione: l’oncologia pediatrica. Nella review non emergono studi dedicati ai bambini con tumore, segno di un vuoto importante. Gli autori lo collegano sia alla specificità biologica e clinica dei tumori pediatrici, sia alla difficoltà di disporre di dataset sufficientemente ampi e di alta qualità per addestrare modelli robusti. Anche il tema delle differenze di genere rimane poco approfondito, nonostante la rilevanza clinica che può avere nella costruzione e nell’interpretazione dei sistemi di AI.

Dal potenziale alla pratica

La conclusione più solida, oggi, non è che l’intelligenza artificiale stia già trasformando il nursing oncologico, ma che abbia aperto una traiettoria di sviluppo concreta e ormai difficilmente reversibile. Le applicazioni più mature sembrano concentrarsi soprattutto nella predizione del rischio, nel monitoraggio dei sintomi e nel supporto decisionale, cioè in quelle aree in cui la tempestività dell’informazione e la capacità di intercettare precocemente segnali clinici possono fare la differenza nella continuità assistenziale. Tuttavia, la letteratura analizzata mostra che gran parte di queste tecnologie si colloca ancora nelle fasi di sviluppo o testing, mentre i veri percorsi di implementazione restano pochi.

Per passare dalla promessa alla pratica non basta quindi aumentare il numero degli studi: servono trial randomizzati, validazioni esterne, campioni più ampi e multicentrici, ma anche valutazioni condotte nei contesti reali di assistenza, dove l’efficacia di uno strumento non dipende solo dalla performance tecnica del modello, bensì dalla sua integrazione nei flussi di lavoro, dalla qualità dei dati disponibili e dalla sua utilità concreta per infermieri e pazienti. In diversi casi, infatti, i sistemi descritti appaiono promettenti sul piano sperimentale, ma ancora poco documentati rispetto alla trasferibilità nella pratica quotidiana.

C’è poi un secondo livello, meno tecnico ma altrettanto decisivo: la readiness clinico-organizzativa. Gli autori sottolineano che il successo dell’AI nel nursing oncologico dipenderà anche dalla fiducia degli utenti, dall’accettabilità degli strumenti e da una progettazione centrata sulla persona. Un sistema può essere accurato, ma restare marginale se non è comprensibile, sostenibile nei tempi assistenziali o coerente con i bisogni reali di chi lo utilizza. Per questo il feedback di infermieri e pazienti, oggi ancora poco esplorato, dovrebbe entrare stabilmente nella valutazione delle tecnologie.

Resta infine il nodo etico, che nella review appare ancora sorprendentemente poco affrontato. Privacy, rappresentatività dei dati, rischio di bias, trasparenza dei sistemi e sicurezza delle informazioni non sono aspetti accessori, ma condizioni essenziali di un’adozione responsabile. In oncologia, dove la fragilità clinica e decisionale è spesso elevata, questo punto pesa ancora di più: la vera sfida non sarà introdurre più algoritmi, ma capire quali strumenti meritano davvero spazio accanto alla pratica infermieristica e quali, invece, restano per ora solo promesse tecnologiche