L’IA risolve 18 diagnosi pediatriche impossibili

Usata l’Intelligenza Artificiale per riesaminare casi pediatrici irrisolti

Un team di ricercatori del Boston Children’s Hospital, di Harvard e di OpenAI ha usato il modello di ragionamento o3 Deep Research – una versione del modello di ragionamento o3 di OpenAI ottimizzata per compiti di ricerca approfondita, capace di analizzare grandi quantità di dati e letteratura scientifica – per riesaminare 376 casi pediatrici di malattie rare rimasti senza diagnosi nonostante anni di analisi genetiche ed esami clinici. Il risultato, pubblicato il 18 giugno 2026 sulla rivista NEJM AI, è di 18 nuove diagnosi confermate: bambini che aspettavano una risposta da anni, in alcuni casi da oltre un decennio.

Cosa è successo

Ogni giorno oltre mille bambini vengono visitati al Boston Children’s Hospital. La maggior parte riceve una diagnosi chiara e può iniziare un trattamento, ma una piccola parte di loro, affetta da malattie genetiche estremamente rare, resta senza risposta anche dopo mesi o anni di esami. È a questo gruppo di pazienti che si è rivolto il nuovo studio condotto dal Manton Center for Orphan Disease Research del Boston Children’s Hospital insieme a Harvard University e a OpenAI. Il team ha selezionato 376 casi di pazienti che avevano già effettuato il sequenziamento del genoma e una revisione clinica approfondita, senza però ottenere una diagnosi. Sono quelli che in ambito medico vengono chiamati casi “chiusi” non perché risolti, ma perché ogni strada disponibile con gli strumenti tradizionali era stata già percorsa.

Come funziona la rianalisi assistita dall’IA

Per capire perché questo studio è rilevante, serve fare un passo indietro su cosa significhi davvero diagnosticare una malattia genetica rara. Il genoma umano contiene circa 20.000 geni che codificano proteine, e le mutazioni che possono causare una malattia non sono isolate: per essere collegate con certezza a un sintomo, devono incrociarsi con la letteratura scientifica pubblicata, che cresce ogni giorno con nuovi studi su nuove varianti genetiche. Un genetista che ha analizzato un caso tre anni fa può semplicemente non essere aggiornato su un articolo pubblicato la settimana scorsa che collega per la prima volta un gene a una malattia, e non per mancanza di competenza ma perché nessun essere umano può leggere tutto ciò che viene pubblicato in migliaia di riviste specialistiche.

È qui che entra in gioco il modello o3 Deep Research di OpenAI, una versione del sistema di ragionamento o3 pensata per compiti di ricerca approfondita su grandi volumi di informazione. Per ciascuno dei 376 casi, i ricercatori hanno fornito al modello le note cliniche del paziente, una descrizione dettagliata dei sintomi e un elenco filtrato di geni potenzialmente coinvolti. Il sistema ha analizzato questi dati incrociandoli con la letteratura scientifica disponibile, restituendo un elenco di ipotesi: non diagnosi già pronte, ma piste di indagine da verificare. Ogni ipotesi generata dal modello è passata poi attraverso un processo di validazione rigoroso: revisione da parte di genetisti esperti secondo gli standard ACMG/AMP (le linee guida internazionali per classificare una variante genetica come patogena), ulteriori esami mirati e infine la conferma in un laboratorio certificato CLIA, lo standard richiesto negli Stati Uniti perché un risultato genetico possa avere valore clinico. Solo a quel punto una diagnosi è stata comunicata alle famiglie.

I numeri dello studio

• 376 casi pediatrici riesaminati, tutti già passati per una prima analisi genetica senza esito
• 18 nuove diagnosi confermate, pari a circa il 5% dei casi analizzati. 7 di queste erano in realtà “riscoperte”: la diagnosi corretta era già stata individuata da un altro centro clinico nel mondo, ma non era stata condivisa con il resto della comunità scientific

Prima di applicare il metodo ai casi irrisolti, il team lo ha testato su casi già diagnosticati, per verificarne l’affidabilità: il modello ha individuato gene e variante corretti in 48 casi su 51, la diagnosi corretta in 45 casi su 57 nell’ambito neuromuscolare e il gene corretto in tutti i 15 casi su 15 di un set di genomi sequenziati con tecnologia long-read

Perché un risultato del 5% è considerato enorme

Su carta, 18 diagnosi su 376 casi possono sembrare un numero modesto ma si tratta di casi già passati al vaglio di specialisti umani, spesso più volte nel corso degli anni, senza mai arrivare a una risposta. Il team ha descritto il risultato, in un’intervista a NBC News, come “un total game changer”, sottolineando che ogni nuova diagnosi individuata su fascicoli già analizzati a fondo rappresenta comunque una risposta concreta per una famiglia che aspettava da anni, a volte da prima che il paziente stesso fosse consapevole della propria condizione.

Il problema di fondo, secondo i ricercatori, non è la qualità del lavoro degli specialisti ma il tempo a disposizione. Nessun genetista può tenere a mente le circa 8.000 malattie rare oggi conosciute, né restare costantemente aggiornato su tutte le pubblicazioni scientifiche che ogni settimana aggiungono nuove connessioni tra geni e sintomi. Ma quello – incrociare enormi quantità di dati dispersi in una letteratura scientifica in continua espansione – è esattamente il tipo di compito in cui un modello linguistico di grandi dimensioni può integrare il lavoro umano invece di sostituirlo, restituendo ai medici del tempo prezioso da dedicare alla verifica clinica piuttosto che alla ricerca bibliografica manuale.

Il caso di Kyra Benton

Tra le persone che hanno ricevuto una diagnosi grazie a questo studio c’è Kyra Benton. A 9 anni, la madre aveva notato che camminava sulle punte dei piedi e faticava a correre come gli altri bambini della sua età. Portata da uno specialista di malattie neuromuscolari a New York, nessuno riuscì a individuare la causa. Negli anni successivi le sue condizioni peggiorarono progressivamente: gravi problemi cardiaci e, a 13 anni, una tracheotomia. Anche il Boston Children’s Hospital, dove la famiglia si era rivolta in cerca di risposte, dovette ammettere di non conoscere l’origine dei suoi sintomi. Kyra Benton racconta che si era ormai rassegnata all’idea di non ricevere mai una diagnosi. Poco prima del suo ventesimo compleanno però, dopo oltre 10 anni di incertezza, una ricercatrice del Manton Center l’ha contattata per comunicarle che la rianalisi assistita dal modello o3 aveva individuato la causa dei suoi sintomi: la miopatia miofibrillare, una malattia genetica neuromuscolare progressiva che provoca la degradazione delle fibre muscolari. Una diagnosi non cambia automaticamente la prognosi ma permette di orientare le cure, entrare in eventuali studi clinici e, soprattutto, dare un nome a ciò che per tanti anni non ne aveva avuto uno.

L’IA non sostituisce i medici: i limiti dello studio

Sia il team di ricerca sia OpenAI sono stati chiari su un punto centrale: il modello non ha diagnosticato nessuno “in autonomia”. Ha generato ipotesi da sottoporre a verifica umana, non conclusioni cliniche pronte all’uso, ed è stato pensato esplicitamente come strumento di supporto a medici e ricercatori, non come prodotto diagnostico rivolto ai pazienti.

Anche esperti esterni allo studio hanno sottolineato la necessità di cautela. I risultati generati da un modello linguistico richiedono sempre una revisione umana rigorosa prima di qualsiasi uso clinico. Dobbiamo considerare questo modello come strumento di screening potenzialmente utile per velocizzare l’analisi degli arretrati di casi irrisolti nei centri genetici di tutto il mondo, più che come una soluzione definitiva al problema. Anche in OpenAI si è scelto un tono volutamente cauto: l’azienda, che ha sostenuto finanziariamente il progetto con un contributo dichiarato di 50 milioni di dollari a partire dai primi mesi del 2025, ha precisato più volte che i propri strumenti non sono pensati per un uso diretto da parte dei pazienti a scopo diagnostico o terapeutico, ma per aiutare medici e ricercatori a orientarsi in una mole di informazioni mediche ormai troppo grande da gestire manualmente.

Cosa significa per il futuro della diagnosi delle malattie rare?

Lo studio pubblicato su NEJM AI si inserisce in un percorso più ampio già avviato dal Boston Children’s Hospital, che a maggio 2026 aveva annunciato di aver già raggiunto oltre 40 diagnosi di malattie rare considerate precedentemente irrisolvibili grazie ai propri strumenti di intelligenza artificiale. L’ospedale riporta che oltre un terzo del proprio personale utilizza oggi strumenti di IA nel lavoro quotidiano, con un risparmio stimato di circa 60.000 ore di lavoro complessive: un tempo che si traduce direttamente in più casi seguiti e, potenzialmente, più diagnosi trovate. Le malattie rare colpiscono collettivamente circa 300 milioni di persone nel mondo, e il percorso per arrivare a una diagnosi  l’ “odissea diagnostica”  durare anni, e persino non concludersi mai. I ricercatori sottolineano che anche le “riscoperte”, cioè le diagnosi già individuate altrove ma mai condivise a livello globale, hanno un valore clinico immediato: permettono di individuare rapidamente i pazienti giusti nel momento in cui diventano disponibili nuove terapie mirate, invece di scoprirlo per caso mesi o anni dopo. Resta un punto su cui ricercatori ed esperti esterni concordano: una diagnosi è solo il primo passo. Non sempre esiste già una cura per la malattia identificata, e il percorso che segue può essere lungo quanto quello che ha portato alla diagnosi stessa. Ma per una famiglia che aspetta da anni, avere finalmente un nome per ciò che sta accadendo al proprio figlio non è un dettaglio: è il punto di partenza da cui, finalmente, si può ricominciare a cercare risposte.