
ARTICOLI ORIGINALI
Documento di Indirizzo per l’Implementazione dell’Intelligenza Artificiale in Medicina Fisica e Riabilitativa
Andrea BERNETTI1, Paolo BOLDRINI2, Francesca CECCHI3, Maria Gabriella CERAVOLO4, Antonio DE TANTI5,
Anna ESTRANEO6, Francesca GIMIGLIANO7, Giovanni IOLASCON8, Stefano MAZZOLENI9, Franco MOLTENI10,
Giovanni MORONE11, Federico POSTERARO12, Mauro ZAMPOLINI13
Gruppo Intersocietario SIMFER e SIRN sull’Intelligenza Artificiale (AI) in Riabilitazione (GIIAR).
1 Segretario Generale SIMFER, Dipartimento Medicina Sperimentale, Università del Salento, Lecce
2 Componente dell’Executive Committee della Società Europea di Medicina Fisica e Riabilitativa
3 Dipartimento di Medicina Sperimentale e Clinica, Università degli Studi di Firenze; IRCCS Fondazione don Carlo Gnocchi, Firenze
4 Dipartimento di Medicina Sperimentale e Clinica – Università Politecnica delle Marche
5 Centro Cardinal Ferrari, Kos Care, Fontanellato (PR)
6 IRCCS Fondazione Don Carlo Gnocchi, Firenze
7 Dipartimento di Salute Mentale e Fisica e Medicina Preventiva, Università degli Studi della Campania “Luigi Vanvitelli”, Napoli
8 Dipartimento Multidisciplinare di Specialità Medico-Chirurgiche e Odontoiatriche dell’Università della Campania “Luigi Vanvitelli”
9 Dipartimento di Ingegneria Elettrica e dell’Informazione, Politecnico di Bari; Molecular Mind Laboratory, Scuola IMT Alti Studi Lucca; Istituto di BioRobotica, Scuola Superiore Sant’Anna, Pisa
10 Direttore Dipartimento Medicina Riabilitativa H.Valduce Villa Beretta Costa Masnaga
11 Dipartimento di Medicina clinica, sanità pubblica, scienze della vita e dell’ambiente, Università dell’Aquila; IRCCS Fondazione Santa Lucia, Roma
12 Dipartimento di Riabilitazione AUSL Toscana Nord Ovest
13 Dipartimento di Riabilitazione ULS UMBRIA 2, Foligno
Abstract
Questo è il primo documento di indirizzo generato dal Gruppo Intersocietario SIMFER e SIRN sull’Intelligenza Artificiale (Artificial Intelligence – AI) in Riabilitazione (GIIAR), nel contesto del progetto ERACLITO.
L’acronimo ERACLITO (artificial intElligence in RehAbilitation: from Conscious invoLvement to a clInical opporTune adOption) rappresenta la sintesi degli obiettivi del Gruppo: analizzare l’AI suggerendo i benefici nell’implementazione in riabilitazione e descrivendone gli elementi problematici in termini di allucinazioni, privacy, trasparenza e spiegabilità.
Il documento di indirizzo mira a offrire una visione integrata per l’implementazione consapevole dell’intelligenza artificiale nel campo della medicina fisica e riabilitativa in Italia. L’obiettivo è fornire linee guida operative per promuovere un utilizzo etico, sicuro ed efficace dell’intelligenza artificiale nel campo clinico e di ricerca in riabilitazione in Italia, in linea con il quadro normativo emergente e con le raccomandazioni delle società scientifiche europee.
Introduzione e contesto
La riabilitazione si trova ad affrontare le opportunità e le sfide poste dall’integrazione dell’intelligenza artificiale nella pratica clinica.
L’evoluzione tecnologica dell’AI, in particolare con l’avvento dei cosiddetti modelli di linguaggio di grandi dimensioni (Large Language Models, LLM) e dell’apprendimento profondo (Deep Learning, DL), sta modificando in modo significativo il panorama della riabilitazione, offrendo strumenti innovativi per la valutazione, la pianificazione e l’erogazione degli interventi riabilitativi. L’integrazione dell’AI nei servizi sanitari ha un enorme potenziale per migliorare la qualità della vita delle persone con disabilità. I dispositivi assistivi, gli agenti conversazionali e le soluzioni riabilitative guidati dall’AI possono favorire l’equità nell’accesso alle cure per i diversi utenti, incrementare la precisione diagnostica e rendere più efficace la comunicazione tra i professionisti sanitari e le persone con disabilità. Tutto ciò potrebbe contribuire allo sviluppo di un sistema sanitario più inclusivo [1].
Tra gli aspetti più rilevanti dell’uso dell’AI è da annoverare la capacità di produrre modelli predittivi per identificare fattori di rischio, potenzialmente modificabili, che possono incidere sulla genesi e/o sulla progressione di una condizione di disabilità. In tal modo si aprono nuovi scenari per la prevenzione della disabilità, con la possibilità di passare da modelli puramente predittivi a strumenti in grado di orientare effettivamente le scelte cliniche e sociali individuali volte a prevenirla.
Ne sono un esempio le spiegazioni controfattuali (“what-would-have-to-change”) nei modelli non interpretabili [2]. A differenza dei classici modelli predittivi, che si limitano a stimare la probabilità di un evento avverso (e.g. fragilità, disabilità, incidente o progressione della disabilità), tali approcci mostrano quali cambiamenti concreti, plausibili e personalizzati (e.g. nella terapia farmacologica o nello stile di vita) potrebbero prevenire o ritardare la perdita di autonomia. Con gli stessi metodi è possibile quantificare la probabilità di impatto di ciascun cambiamento sulla popolazione studiata e sul singolo individuo, utilizzando una modalità comprensibile sia alle persone con disabilità sia ai professionisti sanitari e ai decisori. Da tale processo possono scaturire raccomandazioni per lo sviluppo di sistemi di supporto alla decisione che uniscono accuratezza, comprensibilità e attenzione agli aspetti etici della gestione del rischio di disabilità.
In linea con quanto evidenziato dalla UEMS Section for PRM, il Gruppo intersocietario sull’Intelligenza Artificiale in Riabilitazione (GIIAR) riconosce il potenziale trasformativo dell’AI nel supportare i processi decisionali clinici, personalizzare i percorsi di cura, migliorare l’efficacia dell’assistenza riabilitativa e ottimizzare l’allocazione delle risorse nel sistema sanitario nazionale. D’altra parte il GIIAR ritiene essenziale che, alla promozione della ricerca e innovazione nell’ambito della AI per la disabilità, sia affiancato un impegno altrettanto forte per garantire che i sistemi destinati al grande pubblico e supportati dalla AI siano accessibili e adeguati alle persone con diverse forme di disabilità, e progettati in modo da evitare il rischio di alimentare distorsioni, esclusione e discriminazione delle persone con disabilità [3].
L’Organizzazione Mondiale della Sanità (OMS) ha sottolineato l’urgenza di una governance responsabile dell’AI in ambito sanitario, soprattutto con l’avvento dei LLM, che integrano dati testuali, visivi, audio e di altri tipi.
Comunicazione e consenso
L’uso degli LLM per il consenso informato, come suggerito dall’OMS, può essere efficace solo se supervisionato dal medico, per garantire l’accuratezza delle informazioni e la centralità della relazione terapeutica. Ogni utilizzo deve essere conforme alla legge 219/2017.
- Sviluppare protocolli chiari per informare le persone con disabilità sull’uso dell’AI.
- Ottenere il consenso informato appropriato.
- Fornire opzioni per chi preferisce non utilizzare sistemi basati sull’AI.
Equità e accessibilità
- Garantire che i benefici dell’AI siano accessibili a tutti i gruppi di persone con disabilità.
- Monitorare e mitigare potenziali disparità nell’accesso o negli esiti.
- Considerare le esigenze di popolazioni diverse durante lo sviluppo e l’implementazione.
Governance e formazione
Strutture di governance
- Stabilire comitati interdisciplinari per supervisionare l’implementazione dell’AI.
- Sviluppare quadri per la valutazione e la gestione del rischio.
- Definire chiare linee di responsabilità e processi decisionali.
Formazione dei professionisti sanitari
Le Linee guida OMS enfatizzano la necessità di sviluppare un’alfabetizzazione critica sull’AI, che includa i rischi di bias, l’automazione non controllata e le implicazioni etiche dell’uso degli LLM nella clinica.
- Integrare l’alfabetizzazione AI nei curricula di formazione medica e riabilitativa.
- Fornire formazione continua per i professionisti in servizio.
- Sviluppare competenze specialistiche in informatica riabilitativa.
Sviluppo delle competenze
- Promuovere la collaborazione transdisciplinare tra clinici, scienziati dei dati e ingegneri.
- Favorire comprensione interdisciplinare e comunicazione efficace.
- Costruire capacità di interpretazione critica degli output AI.
Coinvolgimento degli utenti
- Educare le persone con disabilità e i loro caregiver sui benefici e i limiti dell’AI in riabilitazione.
- Coinvolgere i rappresentanti delle persone con disabilità nello sviluppo di decision support tools.
- Coinvolgere i rappresentanti delle persone con disabilità nelle strutture di governance.
- Raccogliere regolarmente feedback dalle persone con disabilità sulle loro esperienze con i sistemi AI.
Aggiornamento continuo
- Stabilire meccanismi per l’aggiornamento regolare dei sistemi AI.
- Monitorare gli sviluppi emergenti nel campo.
- Adattare le politiche e le procedure in risposta alle nuove evidenze.
Ricerca e innovazione
Priorità di ricerca
- Valutazione dell’efficacia dei sistemi AI nel migliorare gli esiti riabilitativi.
- Sviluppo di metodi per migliorare la trasparenza, l’interpretabilità e la spiegabilità dei sistemi AI.
- Opportunità per la sperimentazione normativa dell’AI (sandbox).
- Sviluppare percorsi di implementazione basati sull’evidenza.
- Valutare l’impatto a lungo termine e la sostenibilità.
Quadro normativo di riferimento
Conformità al Regolamento UE sull’AI
- Classificare i sistemi AI in riabilitazione in base ai livelli di rischio definiti dall’AI Act.
- Assicurare la conformità ai requisiti normativi per i sistemi ad alto rischio.
- Implementare processi interni per il monitoraggio continuo della conformità.
Integrazione con la legislazione italiana
- Allineare le pratiche con la normativa italiana emergente sull’AI (A.S. n. 1146-A) in tempi il più possibile rapidi.
- Garantire che i sistemi AI in riabilitazione soddisfino tutti i requisiti stabiliti dalle autorità nazionali competenti (AgID e ACN).
- Seguire le linee guida specifiche per il settore sanitario sviluppate da AGENAS.
Governance dei dati
- Rispettare le disposizioni del GDPR e del Codice italiano per la protezione dei dati personali.
- Implementare solide misure di cybersicurezza.
- Seguire le procedure approvate per l’uso secondario dei dati nella ricerca.
Responsabilità e assicurazione
- Chiarire le linee di responsabilità nell’uso dei sistemi AI.
- Assicurare una copertura assicurativa adeguata.
- Sviluppare protocolli per la gestione degli incidenti e l’apprendimento.
Certificazione e approvazione
- Ottenere le necessarie certificazioni per i sistemi AI utilizzati in riabilitazione.
- Seguire i processi di valutazione della conformità.
- Mantenere registri completi della documentazione tecnica e delle valutazioni del rischio.
Conclusioni
L’integrazione dell’Intelligenza Artificiale nella Riabilitazione rappresenta un’opportunità significativa per migliorare gli esiti dell’assistenza riabilitativa, ottimizzare le risorse e trasformare l’erogazione delle prestazioni. Questa trasformazione deve essere guidata da evidenze scientifiche, da un quadro normativo appropriato e da solidi principi etici.
Le raccomandazioni dell’OMS offrono una cornice solida e condivisa per guidare l’adozione dei LLM nella sanità. L’integrazione dei principi OMS nelle politiche nazionali e nei modelli organizzativi locali può garantire uno sviluppo responsabile e sostenibile dell’AI nella medicina fisica e riabilitativa, evitando derive tecnocratiche e mantenendo la centralità del paziente.
Il presente documento di indirizzo propone un approccio equilibrato all’implementazione dell’AI in medicina fisica e riabilitativa, riconoscendone sia il potenziale trasformativo sia i rischi e le sfide che comporta. Adottando un approccio centrato sul paziente, basato sui principi di beneficenza, non maleficenza, autonomia, giustizia, trasparenza, privacy e responsabilità, possiamo garantire che l’AI funzioni come strumento efficace per migliorare la pratica riabilitativa, anziché sostituire il giudizio clinico e l’interazione umana.
Il GIIAR invita tutti i professionisti della riabilitazione, i ricercatori, i decisori politici e i rappresentanti delle persone con disabilità a collaborare all’avanzamento dell’implementazione responsabile dell’Intelligenza Artificiale nel nostro campo. Attraverso l’impegno collettivo per un’innovazione etica e centrata sul paziente, possiamo sfruttare il potenziale dell’AI per migliorare la vita delle persone con disabilità e condizioni di salute che richiedono una presa in carico riabilitativa.
Il GIIAR rimane impegnato a monitorare gli sviluppi in questo campo in rapida evoluzione e ad aggiornare questo documento di indirizzo, secondo necessità, per riflettere le nuove evidenze, i progressi tecnologici e l’evoluzione del quadro normativo.
Appendice A – Glossario dei termini
Definizioni Tecniche
Algoritmo: una procedura o formula per risolvere un problema, basata su una sequenza di azioni specificate.
Bias dell’algoritmo: errore sistematico che comporta risultati ingiusti o discriminatori.
Deep Learning: un sottoinsieme del machine learning basato su reti neurali artificiali con rappresentazione dell’apprendimento, che può essere supervisionato, semi-supervisionato o non supervisionato.
Intelligenza Artificiale (AI): la simulazione di processi di intelligenza umana mediante macchine, in particolare mediante sistemi informatici. Questi processi includono l’apprendimento, il ragionamento e l’autocorrezione.
Intelligenza Artificiale Generativa: tecnologia AI in grado di generare nuovi contenuti, come testo, immagini, audio o video.
Large Language Models (LLM): modelli di deep learning di grandi dimensioni preaddestrati su vasti dataset, progettati per comprendere e generare testo simile a quello umano.
Machine Learning (ML): una tecnica specifica dell’IA che consente agli algoritmi di apprendere dai dati forniti in ingresso, senza necessità di essere programmati in modo dettagliato per ogni situazione.
Reti Neurali: sistemi di calcolo ispirati alle reti neurali biologiche che costituiscono i cervelli animali.
Sandbox normativo: un ambiente controllato in cui nuove tecnologie, prodotti o servizi possono essere testati sotto la supervisione regolamentare prima di una più ampia implementazione.
Sistemi di AI ad alto rischio: sistemi AI che potrebbero avere un impatto significativo sulla salute, sulla sicurezza o sui diritti fondamentali delle persone.
Validazione: il processo di determinazione se un modello o un sistema di AI soddisfa i requisiti specificati e serve allo scopo previsto.
Appendice B – Riferimenti normativi
- Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio (AI Act)
- Disposizioni e deleghe al Governo in materia di intelligenza artificiale (A.S. n. 1146-A)
- Regolamento Generale sulla Protezione dei Dati (GDPR) – Regolamento (UE) 2016/679
- Codice in materia di protezione dei dati personali (D.Lgs. 196/2003, come modificato dal D.Lgs. 101/2018)
- Position Statement on Artificial Intelligence and Physical and Rehabilitation Medicine – UEMS PRM Section and Board
- Ethics and Governance of Artificial Intelligence in Health. Guidance on large multi-modal models. Geneva: World Health Organisation; 2024.
- Orientamenti etici per un’intelligenza artificiale affidabile della Commissione europea, 2020
- Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio del 13 giugno 2024 che stabilisce regole armonizzate sull’intelligenza artificiale
Bibliografia
- Olawade DB, Bolarinwa OA, Adebisi YA, Shongwe S. The role of artificial intelligence in enhancing healthcare for people with disabilities. Soc Sci Med 1982. gennaio 2025;364:117560.
- Guidotti R, Monreale A, Giannotti F, et al. Factual and Counterfactual Explanations for Black Box Decision Making. IEEE Intell Syst. novembre 2019;34(6):14–23.
- OHCHR. A/HRC/49/52: Artificial intelligence and the rights of persons with disabilities – Report of the Special Rapporteur on the rights of persons with disabilities. Disponibile su: https://www.ohchr.org/en/documents/thematic-reports/ahrc4952-artificial-intelligence-and-rights-persons-disabilities-report
- Harnessing Artificial Intelligence for Health. Disponibile su: https://www.who.int/teams/digital-health-and-innovation/harnessing-artificial-intelligence-for-health
- LEGGE 23 settembre 2025, n. 132. Disponibile su: https://www.normattiva.it/uri-res/N2Ls?urn:nir:stato:legge:2025-09-23;132
- Ziwen C, Guanhua H, Lili Y, et al. Effects of Artificial Intelligence Rehabilitation on Motor ability and Daily living ability of Hemiplegic Patients with Stroke – Meta-Analysis of Randomized Controlled Trials (Preprint). 2025.
- Håkansson S, Tuci M, Bolliger M, et al. [rif. 7 – testo troncato nell’RTF: completare dal PDF originale]
- El Morr C, Kundi B, Mobeen F, et al. AI and disability: A systematic scoping review. Health Informatics J. 2024;30(3):14604582241285743.
- Mitchell S, Potash E, Barocas S, et al. Algorithmic Fairness: Choices, Assumptions, and Definitions. Annu Rev Stat Its Appl. 7 marzo 2021;8(1):141–63.


