L'intelligenza artificiale sta entrando progressivamente in molti settori della medicina.
Radiologia, cardiologia, oncologia e diagnostica per immagini sono probabilmente gli esempi più conosciuti.
Ma esiste un campo nel quale l'applicazione dell'IA potrebbe essere particolarmente interessante e, nello stesso tempo, particolarmente delicata:
la salute mentale.
Depressione, disturbi d'ansia, disturbo bipolare, schizofrenia e disturbo da stress post-traumatico non sono malattie che possono essere diagnosticate semplicemente misurando un singolo parametro biologico.
La diagnosi psichiatrica nasce dall'insieme di sintomi, storia personale, comportamento, colloquio clinico e osservazione nel tempo.
Per questo motivo la domanda è affascinante:
può un algoritmo aiutare a riconoscere pattern che l'essere umano fatica a individuare?
La risposta che oggi possiamo dare è prudente:
potenzialmente sì, ma non siamo ancora davanti a una sostituzione del lavoro dello psichiatra o dello psicologo.
Perché l'intelligenza artificiale interessa la psichiatria?
Un algoritmo può analizzare in pochissimo tempo enormi quantità di dati.
La medicina tradizionale, invece, deve normalmente integrare informazioni provenienti da fonti differenti.
Immaginiamo una persona con depressione.
Possiamo avere:
- sintomi descritti durante il colloquio;
- questionari psicometrici;
- informazioni sulla storia clinica;
- qualità del sonno;
- attività fisica;
- dati provenienti da dispositivi indossabili;
- caratteristiche del linguaggio;
- dati neurofisiologici;
- immagini cerebrali;
- informazioni genetiche.
Un essere umano può certamente utilizzare molte di queste informazioni.
Un sistema di machine learning può invece analizzarle simultaneamente e cercare correlazioni che potrebbero sfuggire all'osservazione tradizionale.
È questa una delle principali ragioni dell'interesse verso l'IA in psichiatria.
Una revisione del 2024 ha analizzato 30 studi sull'uso del deep learning nella previsione di diagnosi di salute mentale e ha evidenziato il potenziale di diversi algoritmi, ma anche la necessità di dataset più ampi, diversificati e longitudinali.
L'IA può diagnosticare la depressione?
È uno degli ambiti maggiormente studiati.
I ricercatori hanno sperimentato algoritmi che analizzano caratteristiche molto diverse:
linguaggio,
voce,
espressioni facciali,
comportamenti,
attività quotidiana,
uso dello smartphone,
dati fisiologici.
Una revisione sistematica pubblicata nel 2025 ha analizzato l'utilizzo dell'IA per individuare la depressione attraverso segnali comportamentali e ha confermato il crescente interesse per questi sistemi di rilevazione automatizzata.
Una revisione più recente ha inoltre esaminato sistemi che utilizzano dati linguistici, comportamentali e fisiologici provenienti da colloqui, registrazioni vocali, social media e dispositivi indossabili. I risultati sono promettenti, ma gli stessi autori segnalano problemi di bias, trasparenza e applicabilità clinica.
Questo significa che un algoritmo potrebbe, in futuro, aiutare un professionista a individuare un possibile problema.
Non significa che una persona possa essere diagnosticata con depressione semplicemente facendo analizzare la propria voce da un'intelligenza artificiale.
La voce potrebbe diventare un biomarcatore?
È uno degli aspetti più curiosi della ricerca.
La depressione può modificare alcuni aspetti del linguaggio e della prosodia.
Una persona può parlare più lentamente, con minore variazione dell'intonazione o con caratteristiche vocali differenti rispetto al proprio modo abituale di comunicare.
Gli algoritmi possono analizzare queste caratteristiche in modo quantitativo.
Ma bisogna fare molta attenzione.
Una voce monotona può dipendere dalla depressione.
Ma può anche essere legata a:
stanchezza,
ansia,
farmaci,
problemi neurologici,
caratteristiche personali,
lingua e cultura.
Un algoritmo addestrato su una popolazione specifica potrebbe quindi funzionare molto bene in quel gruppo e molto peggio in un altro.
Questa è una delle principali difficoltà nella trasformazione di un modello sperimentale in uno strumento clinico.
E le espressioni del viso?
Anche il volto viene studiato.
Sistemi di computer vision possono analizzare microvariazioni nell'espressione facciale, nel movimento degli occhi o nella dinamica del volto.
L'obiettivo non è “leggere la mente”.
È individuare pattern statistici associati a determinate condizioni.
Ma ancora una volta esiste un problema fondamentale:
un'espressione facciale non ha un significato unico.
Una persona può sorridere mentre è depressa.
Può apparire impassibile perché è stanca.
Può evitare il contatto visivo per timidezza e non per un disturbo psichiatrico.
La stessa espressione può avere significati molto diversi in persone diverse.
L'intelligenza artificiale e il disturbo bipolare
Anche il disturbo bipolare è stato oggetto di numerose ricerche di machine learning.
Una revisione sistematica e meta-analisi pubblicata nel 2024 ha analizzato 18 studi comprendenti oltre 3.000 partecipanti.
Nel distinguere il disturbo bipolare dalle persone sane, i modelli analizzati hanno raggiunto valori aggregati di sensibilità e specificità rispettivamente intorno all'88% e all'89%.
Nel distinguere il disturbo bipolare dalla depressione, i valori erano più bassi.
Questi numeri possono sembrare straordinari.
Ma devono essere interpretati correttamente.
Non significano che oggi un algoritmo possieda una precisione dell'89% nel diagnosticare il disturbo bipolare nella popolazione generale.
Significano che, negli studi inclusi nella meta-analisi, determinati modelli hanno raggiunto quelle prestazioni nelle specifiche condizioni sperimentali.
È una differenza fondamentale.
Il problema della diagnosi psichiatrica
Qui emerge una questione ancora più profonda.
La psichiatria non dispone sempre di un esame biologico equivalente, per esempio, alla misurazione della glicemia nel diabete.
Molte diagnosi dipendono dalla valutazione di:
sintomi,
durata,
frequenza,
contesto,
funzionamento sociale,
storia personale.
Per questo alcuni ricercatori sperano che l'IA possa contribuire a identificare biomarcatori e pattern quantitativi che rendano alcune diagnosi più oggettive.
Ma è importante non dire che l'IA abbia già dimostrato che il DSM-5 è semplicemente “superato”.
Non è questa la conclusione che emerge dalla ricerca.
Piuttosto, l'IA potrebbe in futuro affiancare le categorie diagnostiche esistenti con informazioni quantitative aggiuntive.
Un nuovo modo di guardare alla malattia?
Questa potrebbe essere una delle conseguenze più interessanti.
Immaginiamo che, invece di classificare una persona semplicemente come:
“depressione”
un sistema possa analizzare contemporaneamente:
- gravità dei sintomi;
- andamento nel tempo;
- sonno;
- attività fisica;
- risposta precedente ai farmaci;
- caratteristiche individuali;
- parametri fisiologici;
- linguaggio;
- comportamento.
In futuro potrebbe diventare possibile costruire una descrizione molto più individualizzata della condizione.
Non soltanto:
“Che malattia hai?”
ma anche:
“Come si manifesta questa malattia proprio in te?”
Questa è una delle promesse della medicina personalizzata.
L'IA può monitorare l'andamento della depressione?
È uno degli impieghi potenzialmente più interessanti.
Una singola visita fotografa una situazione.
La vita quotidiana, invece, produce migliaia di dati.
Un dispositivo indossabile può registrare, per esempio:
- attività fisica;
- movimento;
- ritmo sonno-veglia;
- frequenza cardiaca;
- variabilità della frequenza cardiaca.
Uno smartphone può produrre informazioni relative all'attività e ai comportamenti digitali.
Un algoritmo può cercare variazioni rispetto al comportamento abituale della stessa persona.
L'obiettivo non è controllarla.
È capire se possano comparire segnali precoci di peggioramento o di recupero.
La ricerca su questi sistemi è ancora in fase di sviluppo e la qualità dei risultati varia considerevolmente a seconda dei dati utilizzati e della popolazione studiata.
E se l'IA riuscisse a prevedere una ricaduta?
Questa è una possibilità particolarmente interessante per le malattie caratterizzate da episodi ricorrenti.
Un algoritmo potrebbe cercare cambiamenti progressivi:
meno sonno;
minore attività;
cambiamenti nella voce;
variazioni del comportamento;
peggioramento dei questionari;
cambiamenti nei dati fisiologici.
Se questi segnali anticipassero una ricaduta, il professionista potrebbe potenzialmente intervenire prima della comparsa di un episodio completo.
Ma anche qui è indispensabile prudenza.
Prevedere una probabilità non significa prevedere il futuro.
Un modello può indicare che una persona appartiene a un gruppo a rischio maggiore.
Non può sapere con certezza che quella persona avrà una ricaduta.
Il tema più delicato: il rischio suicidario
È probabilmente l'applicazione più sensibile.
Diversi gruppi di ricerca stanno sperimentando algoritmi capaci di identificare persone a maggiore rischio di ideazione suicidaria, tentativi o altri comportamenti suicidari.
Una revisione sistematica del 2025 sulle revisioni precedenti ha trovato risultati promettenti, ma ha anche evidenziato rischio di bias, limitazioni dei dati e problemi di interpretabilità. Gli autori sottolineano la necessità di ulteriore validazione prima di un impiego clinico più ampio.
Questo è un caso nel quale l'errore può avere conseguenze enormi.
Un falso negativo potrebbe significare non riconoscere una persona realmente in pericolo.
Un falso positivo potrebbe invece provocare allarme, stigmatizzazione o interventi non appropriati.
Per questo un algoritmo che segnala un rischio non deve essere considerato un verdetto.
Deve essere, al massimo, uno strumento di supporto all'attenzione clinica.
Può l'IA scegliere il farmaco migliore?
Questa è un'altra frontiera.
Gli algoritmi possono essere utilizzati per studiare quali caratteristiche dei pazienti siano associate alla risposta a determinati trattamenti.
La ricerca riguarda sia farmaci sia psicoterapie.
Ma non è corretto affermare che l'IA sappia già stabilire quale antidepressivo debba assumere ogni singolo paziente.
Le evidenze sono ancora in sviluppo.
Una revisione dell'IA in psichiatria ha trovato risultati incoraggianti anche sul fronte della personalizzazione dei trattamenti, ma ha sottolineato la grande variabilità metodologica e la necessità di standardizzazione e validazione.
Il futuro potrebbe quindi essere:
“questo profilo ha una maggiore probabilità di rispondere al trattamento A rispetto al trattamento B.”
Non:
“l'algoritmo ha deciso la terapia.”
Psicoterapia e intelligenza artificiale
L'intelligenza artificiale viene studiata anche per supportare la psicoterapia.
Può essere utilizzata, per esempio, per:
- monitorare sintomi;
- proporre esercizi strutturati;
- ricordare attività concordate;
- analizzare questionari;
- facilitare il monitoraggio tra una seduta e l'altra.
Ma è importante distinguere il supporto digitale dalla psicoterapia condotta da un professionista.
La relazione terapeutica coinvolge elementi che non possono essere ridotti a una semplice classificazione statistica.
La capacità di comprendere il contesto, cogliere ambivalenze, valutare rischi e costruire una relazione di fiducia rimane centrale.
L'IA non comprende la persona nel senso umano del termine
Questo è un punto fondamentale.
Un algoritmo può riconoscere pattern.
Può stabilire correlazioni.
Può produrre probabilità.
Può classificare.
Ma non dobbiamo confondere queste capacità con la comprensione umana dell'esperienza.
Una persona depressa non è soltanto:
PHQ-9 = 18
né:
otto ore di sonno,
2.400 passi,
voce monotona.
È una persona con una storia.
Con relazioni.
Con paure.
Con ricordi.
Con significati.
I dati possono aiutare a descrivere quella persona.
Non la esauriscono.
Il problema dei dati
Per insegnare a un algoritmo bisogna utilizzare dati.
E qui nasce una delle principali criticità.
Se un sistema viene addestrato prevalentemente su:
giovani,
popolazioni occidentali,
persone con accesso ai servizi sanitari,
parlanti di una determinata lingua,
potrebbe funzionare peggio in persone appartenenti a gruppi non rappresentati.
Questo fenomeno è noto come bias algoritmico.
La revisione più recente sulla depressione attraverso l'IA segnala proprio dataset bias, problemi di trasparenza e difficoltà nel trasferire i risultati dalla ricerca alla pratica clinica.
Per una tecnologia utilizzata nella salute mentale, questo non è un dettaglio tecnico.
È una questione di equità.
E la privacy?
La salute mentale produce dati estremamente sensibili.
Pensiamo a:
- conversazioni;
- registrazioni vocali;
- informazioni sanitarie;
- dati comportamentali;
- informazioni sul sonno;
- posizione;
- attività digitale;
- immagini;
- dati genetici.
L'utilizzo di questi dati richiede quindi garanzie molto elevate.
L'OMS sottolinea che l'IA sanitaria deve rispettare autonomia, privacy, trasparenza, responsabilità, inclusività ed equità, e che gli esseri umani devono poter controllare e, quando appropriato, contestare le decisioni dei sistemi automatizzati.
È particolarmente importante in psichiatria, perché una previsione algoritmica relativa a depressione, bipolarità o rischio suicidario potrebbe avere conseguenze anche sociali e professionali.
Chi è responsabile se l'algoritmo sbaglia?
È una domanda che non ha ancora una risposta semplice in tutti i contesti.
Immaginiamo che un algoritmo segnali:
“basso rischio”.
E il paziente peggiori.
Oppure che segnali:
“alto rischio”.
quando in realtà la valutazione clinica sarebbe stata rassicurante.
Chi risponde dell'errore?
Il medico?
L'ospedale?
Il produttore?
Chi ha addestrato il modello?
Il tema della responsabilità è uno dei motivi per cui l'OMS insiste sulla necessità di governance, trasparenza e responsabilità umana nell'utilizzo dell'IA sanitaria.
L'intelligenza artificiale non dovrebbe diventare un nuovo DSM
È affascinante immaginare un sistema capace di elaborare milioni di dati e restituire una nuova classificazione delle malattie mentali.
Ma c'è un rischio.
Potremmo sostituire una classificazione imperfetta con un'altra classificazione apparentemente più scientifica ma altrettanto riduttiva.
La soluzione non è quindi necessariamente eliminare il DSM.
Potrebbe essere invece integrare:
criteri clinici,
osservazione del paziente,
dati longitudinali,
biomarcatori,
informazioni comportamentali,
strumenti computazionali.
L'intelligenza artificiale potrebbe diventare uno strumento per aumentare la precisione, non una nuova autorità assoluta.
Il futuro potrebbe essere “multimodale”
Una delle direzioni più interessanti della ricerca è quella dei sistemi multimodali.
Un algoritmo potrebbe combinare contemporaneamente:
testo,
voce,
immagini,
dati fisiologici,
informazioni cliniche,
dati provenienti da dispositivi indossabili.
L'idea è che nessun singolo segnale possa descrivere adeguatamente la complessità di una condizione psichiatrica.
Ma insieme, diversi segnali potrebbero produrre una rappresentazione più completa.
Le revisioni recenti sulla depressione stanno proprio studiando l'integrazione di fonti linguistiche, comportamentali e fisiologiche.
Non è una questione di uomo contro macchina
Il modo più utile di immaginare il futuro probabilmente non è:
psichiatra contro IA.
È:
psichiatra + IA.
Il professionista potrebbe utilizzare l'algoritmo per:
- analizzare grandi quantità di dati;
- individuare variazioni nel tempo;
- segnalare pattern;
- confrontare possibili scenari;
- monitorare la risposta al trattamento.
E poi utilizzare il proprio giudizio clinico per decidere che cosa significhino realmente quei dati.
Questo modello è molto più realistico di quello nel quale una macchina formula autonomamente diagnosi e terapie.
Una nuova forma di medicina personalizzata
La promessa più interessante dell'IA nella salute mentale potrebbe essere proprio la personalizzazione.
Oggi due persone con la stessa diagnosi possono rispondere in maniera completamente diversa allo stesso trattamento.
La ricerca cerca quindi strumenti capaci di identificare quali caratteristiche individuali possano essere associate a una maggiore probabilità di risposta.
In futuro potrebbe diventare possibile costruire profili terapeutici molto più dettagliati.
Ma siamo ancora sulla strada.
La ricerca attuale mostra potenziale, non una soluzione già consolidata per la pratica quotidiana.
La vera domanda non è “quanto è intelligente l'algoritmo?”
Dovremmo porci una domanda diversa.
Non:
“Quanto è accurato?”
ma:
“È sufficientemente accurato, trasparente, equo e validato per essere utilizzato con persone reali?”
È una differenza enorme.
Un algoritmo che raggiunge il 95% di accuratezza in un dataset sperimentale potrebbe comunque essere inadatto alla pratica clinica.
Potrebbe funzionare male in un altro ospedale.
In un'altra lingua.
In un'altra popolazione.
In persone più anziane.
In pazienti con più malattie contemporaneamente.
Oppure dopo che il comportamento umano è cambiato.
La medicina richiede quindi validazione esterna e monitoraggio continuo, non soltanto una buona percentuale ottenuta durante lo sviluppo del modello.
L'OMS raccomanda proprio che i sistemi di IA sanitaria siano valutati per sicurezza, accuratezza ed efficacia prima dell'impiego e che le loro prestazioni continuino a essere monitorate nel tempo.
Conclusione
L'intelligenza artificiale potrebbe diventare uno degli strumenti più interessanti della psichiatria del futuro.
Può analizzare grandi quantità di dati.
Può individuare pattern nel linguaggio e nel comportamento.
Può aiutare a monitorare i sintomi nel tempo.
Può contribuire alla ricerca di biomarcatori.
Può sostenere lo studio della risposta ai trattamenti.
E potrebbe, un giorno, aiutare a costruire una medicina mentale più personalizzata.
Ma siamo ancora lontani dal poter dire che l'IA diagnostichi autonomamente depressione, disturbo bipolare, schizofrenia o rischio suicidario con affidabilità sufficiente per sostituire il professionista.
Le revisioni più recenti mostrano risultati promettenti, ma anche limiti importanti relativi a qualità dei dati, bias, interpretabilità, validazione esterna e applicabilità clinica.
Il futuro più plausibile non sarà quindi quello di un algoritmo che entra nello studio dello psichiatra e prende il suo posto.
Sarà probabilmente quello di uno strumento intelligente che aiuta il professionista a vedere ciò che altrimenti potrebbe sfuggire, lasciando però all'essere umano la responsabilità di comprendere il significato di quei dati.
Perché una persona non è la somma dei propri biomarcatori.
Non è la propria voce.
Non è il proprio sonno.
Non è un grafico.
E non è una probabilità calcolata da un algoritmo.
La tecnologia può aiutare a riconoscere il problema. La cura deve continuare a incontrare la persona.
⚠️ Informazione importante
Questo articolo ha finalità esclusivamente informative e divulgative e non costituisce diagnosi, valutazione del rischio suicidario, prescrizione o indicazione terapeutica.
Gli strumenti di intelligenza artificiale descritti sono oggetto di ricerca e, a seconda della tecnologia e del contesto, possono avere livelli di validazione differenti.
Una valutazione della salute mentale deve essere effettuata da professionisti qualificati.
In presenza di una situazione di emergenza o di un immediato rischio per l'incolumità di una persona, non bisogna affidarsi a un algoritmo o a un'autovalutazione digitale, ma richiedere tempestivamente assistenza sanitaria.
Fonti scientifiche e istituzionali
