L’intelligenza artificiale sta entrando in diversi ambiti della psichiatria: può analizzare dati clinici, cercare segnali di rischio, seguire cambiamenti nel comportamento e contribuire a personalizzare gli interventi. Ma una buona prestazione in un esperimento non significa automaticamente che uno strumento sia pronto per essere usato nella cura quotidiana.
Una prospettiva scientifica dedicata alle applicazioni cliniche, ai limiti e alle questioni etiche dell’IA in psichiatria mette a confronto risultati promettenti e criticità ancora aperte. La rassegna richiama studi su classificazione diagnostica, monitoraggio tramite smartphone e strumenti di supporto ai professionisti, sottolineando che si tratta di ambiti distinti e non confrontabili in modo diretto.
Alcuni modelli hanno ottenuto buone prestazioni in analisi retrospettive, mentre chatbot e sistemi di supporto hanno mostrato risultati interessanti in compiti circoscritti. Tuttavia, spesso mancano verifiche su gruppi indipendenti e prove che l’impiego di questi strumenti migliori davvero gli esiti nella pratica clinica. Restano inoltre questioni cruciali sulla tutela dei dati, sulla responsabilità delle decisioni e sul modo in cui gli algoritmi definiscono ciò che è considerato normale.
Il tema è rilevante perché i dati psichiatrici possono rivelare aspetti molto intimi della vita, mentre gli strumenti automatizzati possono influenzare valutazioni e percorsi di cura. La sfida, quindi, non è soltanto tecnica: riguarda anche fiducia, equità e ruolo della relazione umana nell’assistenza.
Punti chiave
- L’IA può analizzare dati e sostenere alcune decisioni cliniche.
- Risultati promettenti non equivalgono a efficacia dimostrata nella pratica.
- La validazione esterna e il controllo dei possibili pregiudizi sono spesso insufficienti.
- I segnali digitali vanno interpretati nel loro contesto sociale e culturale.
- La protezione dei dati e la supervisione umana sono centrali.

Diverse applicazioni, prove diverse
Classificazione e previsione
I modelli di apprendimento automatico cercano regolarità nei dati per assegnare una categoria o stimare un possibile esito. Una metanalisi citata nell’articolo, che comprende 176 studi e 60.926 partecipanti, ha riportato un’accuratezza complessiva dell’82,5% nella classificazione della depressione maggiore usando indicatori biologici e neuropsicologici. In alcuni studi sui disturbi alimentari, modelli addestrati su una diagnosi hanno mostrato capacità di classificazione anche per depressione e disturbo da uso di alcol. Sono risultati di ricerca, non prove che questi sistemi possano formulare diagnosi affidabili da soli.
Monitoraggio digitale e strumenti per i professionisti
Il monitoraggio passivo può raccogliere dati da smartphone e dispositivi indossabili, come movimento, sonno, uso dello schermo e indicatori indiretti delle interazioni sociali. Alcuni studi hanno riportato accuratezze superiori al 90% per il riconoscimento dell’ansia. Ma le ricerche hanno spesso campioni piccoli: la numerosità mediana è circa 60 persone, e la validazione su gruppi esterni compare soltanto nel 2% degli studi esaminati. Inoltre, lo stesso cambiamento nella mobilità può avere significati diversi a seconda del lavoro, delle condizioni economiche o delle abitudini culturali.
Un sistema linguistico generativo ha individuato opzioni terapeutiche appropriate con risultati paragonabili a quelli di esperti in uno specifico esercizio strutturato sulla depressione bipolare. Questo non dimostra equivalenza nella gestione di situazioni cliniche aperte e complesse. Anche i chatbot sono stati studiati: una metanalisi di 14 sperimentazioni, con 6.314 partecipanti, ha rilevato un effetto complessivo piccolo e una notevole variabilità tra gli interventi. La maggior parte degli studi ha avuto durata breve, perciò non chiarisce bene la persistenza dei benefici né la sicurezza nel lungo periodo.
Che cosa indicano i numeri
| Ambito | Dato riportato | Cautele |
|---|---|---|
| Depressione maggiore | Accuratezza 82,5% | Studi di classificazione, non prova di utilità clinica |
| Monitoraggio passivo | Validazione esterna nel 2% degli studi | Generalizzabilità incerta |
| Chatbot generativi | Effetto complessivo piccolo | Risultati eterogenei e follow-up limitato |
| Modelli su neuroimmagini | 83,1% ad alto rischio complessivo di distorsione | Possibile sovrastima delle prestazioni |
Un modello è sottoposto a validazione esterna quando viene verificato su dati diversi da quelli usati per costruirlo, per esempio raccolti in un altro centro o in una popolazione differente. Il controllo serve a capire se il sistema riconosce schemi utili anche fuori dal contesto originario, oppure se ha imparato caratteristiche specifiche del campione iniziale. Una buona prestazione sui dati di sviluppo può risultare ingannevole se il modello non è provato altrove. In psichiatria, la verifica dovrebbe considerare anche la calibrazione: quando il sistema stima una probabilità, occorre controllare se quella stima corrisponde davvero alla frequenza osservata. Senza queste verifiche, non è possibile concludere che un algoritmo sia affidabile per persone, servizi e contesti diversi.

Prestazioni tecniche e utilità clinica non coincidono
Il problema della rappresentatività
La rassegna evidenzia una distanza significativa tra i risultati sperimentali e l’uso concreto. Nei modelli basati su neuroimmagini, la valutazione citata ha rilevato un rischio elevato di distorsione per l’83,1% dei modelli; nessuno dei modelli esaminati è stato giudicato applicabile alla pratica clinica e la calibrazione non era stata valutata. Campioni ridotti, verifiche interne e scarsa analisi delle differenze tra gruppi possono rendere difficile capire come un sistema funzionerà con persone diverse da quelle dei dati iniziali.
Esiste anche una questione concettuale. Un algoritmo può identificare ciò che si discosta dalla media statistica, ma questo non basta per stabilire che si tratti di un disturbo. Differenze culturali, neurodivergenza, condizioni di vita e compromissione del funzionamento non sono categorie intercambiabili. Se i dati di partenza rappresentano soprattutto alcune popolazioni, il modello rischia di trattare come anomali comportamenti semplicemente meno rappresentati.
Dati, consenso e relazione di cura
Il monitoraggio continuo può produrre informazioni sensibili su spostamenti, sonno, comunicazioni e abitudini. L’articolo richiama la necessità di limitare la raccolta allo scopo dichiarato, chiarire chi può accedere ai dati e impedire usi secondari non autorizzati. Il consenso, soprattutto quando la raccolta prosegue nel tempo o cambia finalità, non dovrebbe ridursi a una firma iniziale. Nell’Unione europea esistono strumenti normativi come il regolamento sulla protezione dei dati e la legge sull’intelligenza artificiale, ma l’applicazione delle tutele resta un elemento decisivo.
La tecnologia può inoltre trasformare la relazione clinica, introducendo un terzo soggetto non sempre visibile: il sistema che registra, elabora o valuta informazioni. Sapere che parole e comportamenti sono monitorati potrebbe influenzare ciò che una persona sceglie di raccontare. Per questo, informare i pazienti e mantenere una supervisione umana non sono formalità, ma parti del processo di cura. Gli algoritmi possono affiancare il giudizio professionale; non dovrebbero sostituirlo nelle decisioni ad alto rischio.
Una ricerca da rendere più solida e responsabile
Opportunità e limiti delle prove
Tra i punti di forza della prospettiva vi è il confronto tra funzioni diverse dell’IA e l’attenzione congiunta a metodo, pratica clinica e diritti delle persone. I suoi stessi autori precisano però che la selezione degli studi non è stata sistematica e che non è stata svolta una valutazione formale della qualità; le conclusioni vanno quindi lette come un’analisi ragionata, non come una revisione esaustiva. La letteratura citata è inoltre concentrata in contesti ad alto reddito e le tecnologie, soprattutto i modelli linguistici, evolvono rapidamente.
Per consolidare le prove servono studi prospettici e condotti in più centri, campioni diversificati, controlli delle prestazioni nei sottogruppi e verifiche dopo l’introduzione degli strumenti nei servizi. È importante misurare anche costi, possibili effetti avversi e modalità di gestione dei dati. In questo quadro, l’IA può contribuire a individuare segnali o rendere più accessibile un supporto, ma il suo valore dipenderà dalla capacità di inserirla in cure trasparenti, eque e attente alla specificità di ogni persona.
In ambito clinico, la priorità dovrebbe essere dimostrare non solo che un algoritmo classifica bene un insieme di dati, ma che aiuta davvero le persone senza aumentare disuguaglianze o compromettere la riservatezza. La supervisione del professionista, la possibilità di contestare una valutazione e un consenso comprensibile sono condizioni concrete per un uso responsabile. L’IA può sostenere il lavoro di cura, ma la responsabilità e la relazione non possono essere delegate a un sistema statistico.
Fonte:
Morgado P (2026) Artificial intelligence in psychiatry: clinical applications, limitations, and ethical challenges. Front. Behav. Neurosci. 20:1864429. https://doi.org/10.3389/fnbeh.2026.1864429



















