Introduzione al problema

«Devo preoccuparmi se mi hanno prescritto un test genetico?», «Se il risultato è positivo, significa che sono malato?», «Questo esame potrebbe cambiare la mia vita?». Sono domande tipiche di chi si trova di fronte a un test genetico. Oltre a chiedere come funziona la procedura, le persone vogliono capire le implicazioni per la salute personale e per i familiari.

Oggi, prima ancora di parlare con uno specialista, è possibile rivolgersi a un assistente di intelligenza artificiale (IA). In pochi secondi il chatbot fornisce una risposta articolata, spesso in un linguaggio semplice. Tuttavia, la facilità di accesso non garantisce l’affidabilità delle informazioni.

Obiettivi della ricerca

Il progetto di ricerca, condotto nell’ambito del Master in Comunicazione Medico‑Scientifica e dei Servizi Sanitari dell’Università di Firenze, ha l’obiettivo di valutare quanto le risposte dei chatbot siano utili a chi non ha una preparazione medica e se questi strumenti riconoscano le preoccupazioni emotive degli utenti.

In particolare, la ricerca si è concentrata su quattro dimensioni:

    • Chiarezza del linguaggio
    • Accuratezza e completezza delle informazioni
    • Impatto emotivo e rassicurazione
    • Orientamento verso il confronto con specialisti

L’analisi è stata condotta su otto chatbot: Gemini, DeepSeek, ChatGPT, Perplexity, Qwen, Grok, Copilot e Mistral.

Contesto dei test genetici

I test genetici hanno molteplici applicazioni: diagnosi di malattie ereditarie, valutazione di predisposizioni a patologie e scelta di terapie personalizzate. Ogni finalità genera domande diverse, ad esempio:

    • Che cosa può individuare l’esame?
    • Quanto è affidabile il risultato?
    • Quali informazioni riguardano i familiari?

Nel caso della diagnosi prenatale, il NIPT (Non‑Invasive Prenatal Testing) è un test di screening basato sul DNA fetale presente nel sangue materno. Un risultato positivo non è diagnostico e richiede ulteriori approfondimenti specialistici, come indicano le linee guida italiane sul NIPT.

Metodologia dell’indagine

Le simulazioni hanno previsto tre scenari:

    • Utente senza profilo dichiarato
    • Uomo di 62 anni con tumore al polmone, per cui era stato richiesto un pannello molecolare
    • Donna di 38 anni, sana, con familiarità per tumori della mammella e dell’ovaio, invitata a valutare un test di predisposizione

Le domande sono state organizzate in tre livelli:

    • Parole chiave essenziali (“test genetico cos’è”)
    • Domande in linguaggio naturale (“Come si fa un test genetico?”)
    • Interrogativi emotivi (“Devo preoccuparmi se mi hanno prescritto un test genetico?”)

Le risposte sono state valutate con punteggi da 1 a 5 secondo cinque criteri: chiarezza, accuratezza e completezza, impatto emotivo, orientamento alla relazione clinica ed efficacia comunicativa (quest’ultimo non applicato allo scenario senza profilo).

Risultati principali

La chiarezza è risultata il criterio più forte, con punteggi medi di 4,4/5 (senza profilo), 4,2/5 (test diagnostico) e 4,5/5 (test di predisposizione). Questo indica che i chatbot sono capaci di spiegare concetti complessi in modo comprensibile.

L’accuratezza e completezza hanno ottenuto valori più modesti, tra 3,7 e 3,8/5. Spiegazioni semplici non sempre coprono tutti gli aspetti clinici, lasciando potenziali lacune.

L’orientamento alla relazione clinica è stato il punto più critico: 3,6/5 senza profilo, 2,5/5 nel caso diagnostico e 3,0/5 nella predisposizione. Nei due scenari contestualizzati, i chatbot hanno mostrato difficoltà a invitare esplicitamente l’utente a consultare un medico.

L’impatto emotivo è stato valutato come moderatamente rassicurante, ma talvolta eccessivamente ottimistico, rischiando di creare false aspettative.

Interpretazione dei dati

Il divario tra chiarezza e completezza suggerisce che una risposta fluida non è sinonimo di affidabilità scientifica. I chatbot tendono a semplificare, ma possono omettere avvertenze importanti, come la necessità di conferma diagnostica o i limiti del test.

L’insufficiente orientamento verso specialisti è preoccupante, perché l’autonomia informativa non dovrebbe sostituire il giudizio clinico. Una risposta che rassicura senza indicare la necessità di un consulto può indurre l’utente a prendere decisioni basate su informazioni parziali.

Implicazioni cliniche e etiche

I test genetici, come il sequenziamento per il NSCLC (non‑small cell lung cancer) o i test BRCA1/BRCA2, hanno un impatto diretto sulla terapia e sulla prevenzione. Come evidenziato da Garinet et al. (2018) e Dubsky et al. (2024), la consulenza genetica è fondamentale per contestualizzare i risultati.

Nel caso delle malattie rare, l’analisi di Orphanet (Nguengang‑Wakap et al., 2020) mostra che, sebbene singole patologie siano rare, complessivamente interessano una quota significativa della popolazione. Una comunicazione imprecisa può generare ansia ingiustificata o, al contrario, sottovalutare la gravità.

Gli LLM (Large Language Models) sono abili a riformulare termini tecnici e a modulare il tono, ma possono introdurre omissioni, imprecisioni o affermazioni non supportate da evidenza. Il framework ThoughtSource (Ott et al., 2023) dimostra come sia possibile tracciare le catene di ragionamento dei modelli, ma la verifica clinica rimane indispensabile.

Raccomandazioni per una comunicazione più sicura

Basandosi sui risultati, la ricerca propone le seguenti linee guida per sviluppatori di chatbot e per gli operatori sanitari:

    • Includere avvertenze obbligatorie: ogni risposta deve contenere un invito esplicito a consultare un professionista.
    • Segnalare le incertezze: quando il risultato è di tipo screening, il bot deve chiarire che non è diagnostico.
    • Personalizzare il contenuto: adattare le informazioni al profilo dell’utente (età, storia familiare, contesto clinico).
    • Verificare le fonti: citare linee guida nazionali o studi peer‑reviewed per sostenere le affermazioni.
    • Monitorare l’impatto emotivo: evitare rassicurazioni eccessive e fornire supporto psicologico di base, con link a servizi di counseling.

Implementare questi punti può ridurre il rischio di decisioni cliniche basate su informazioni incomplete e migliorare la fiducia dell’utente.

Prospettive future

Il progetto pilota, inserito nel Master dell’Università di Firenze, apre la strada a studi più ampi che includano:

    • Un campione più vasto di chatbot, comprese versioni commerciali e open‑source.
    • Test con utenti reali, per valutare l’effetto delle risposte sul comportamento sanitario.
    • Integrazione di sistemi di ragionamento basati su evidenze cliniche, come quelli proposti dal framework ThoughtSource.

Un ulteriore sviluppo potrebbe prevedere la creazione di “chatbot assistiti” da professionisti, dove il modello genera una bozza di risposta che viene poi revisionata da un medico prima della pubblicazione.

Conclusioni

Gli otto chatbot analizzati dimostrano una notevole capacità di rendere comprensibili i test genetici, ma presentano limiti significativi nella completezza delle informazioni e nell’incoraggiamento al consulto specialistico. Una risposta chiara ma parziale può dare una falsa sensazione di sicurezza, con potenziali ripercussioni sulla salute.

Per garantire una comunicazione sanitaria efficace è necessario bilanciare la fluidità linguistica con la rigorosa verifica scientifica e mantenere sempre al centro del discorso il ruolo insostituibile del professionista medico.