Divinazioni: le AI di Google prevedono la morte
Google ha un team chiamato Medical Brain che ha appena sviluppato un algoritmo che può stabilire rischi legati alle condizioni di salute e probabilità di morte per ogni singolo utente. Quale autorità dobbiamo riconoscere all'algoritmo? Quanto può regolare la nostra sanità?
I dati e la loro computazione mediante algoritmi di AI in questi casi possono aiutare parecchio perché sono in grado di analizzare enormi quantità di dati, trovando correlazioni e rendendole evidenti ai medici. Si tratta di operazioni che, tuttavia, richiedono tempi e costi non indifferenti. Da oggi il sistema del team Medical Brain di Google può farlo in tempi ragionevoli, analizzando i dati non solo di PDF e file digitali, ma anche quelli conservati su vecchie tabelle scritte a mano: l'algoritmo può quindi analizzare i dati e compiere previsioni in maniera rapida e, secondo questo studio, anche più affidabile. In uno degli esempi citati nello studio l'algoritmo si è mostrato decisamente affidabile: una donna con cancro al seno e liquido nei polmoni aveva sentito il parere di due medici sottoponendosi ad una scansione radiologica. I computer dell'ospedale con sistemi tradizionali hanno misurato i segni vitali e i precedenti report sulla salute, determinando una possibilità del 9,3% di morte. L'algoritmo di Google ha invece ha esaminato la donna, ma utilizzando più di 175 mila dati ha valutato una probabilità di morte del 19,9%. L'esito infausto, a dispetto di quanto calcolato dall'ospedale, è quello che è accaduto, purtroppo, alcuni giorni più tardi.
Certamente possiamo immaginare come non sia piacevole sentirsi dire da un computer che si ha una possibilità su cinque di morire ma, diventando più accurati, gli algoritmi di intelligenza artificiale potrebbero anche salvare delle vite. Non si parla infatti solo e banalmente di sapere quando e se si morirà una volta arrivato in ospedale, ma di un metodo per progettare un quadro più accurato del paziente basandosi su qualsiasi informazione possibile si possa rintracciare su di lui, correlandoli con i dati di altri pazienti che hanno affrontato situazioni simili. Questo può consentire ai medici di scegliere cure diverse, salvando potenzialmente la vita del paziente. Google sostiene di raggiungere fino al 95% di certezza nello stabilire se il paziente morirà nel giro di 24 ore da quando è stato ammesso nell'ospedale. Per farlo ha utilizzato dati, opportunamente anonimizzati, di 216 mila casi di 114 mila pazienti. I dati sono stati utilizzati per allenare l'algoritmo. L'approccio di Google non solo consente di avere un'accuratezza superiore rispetto ai metodi predittivi utilizzati oggi, ma evita il "lavoro manuale" degli esperti per rendere i dati presentabili. Essendo la diagnosi automatica da parte del sistema informatico, gli ingegneri di Google ritengano che si possa risparmiare circa l'80% del tempo che oggi si impiega nella diagnosi e prognosi.
Il sistema funziona mediante una rete neurale che, come accennato sopra, analizza i documenti PDF o le scansioni dei documenti cartacei e compie delle previsioni sulle condizioni del paziente nell'immediato e nel futuro prossimo.
L'accuratezza dei risultati del sistema è così elevata che Google ha già pianificato degli esperimenti in diversi ospedali in modo da verificare con più campioni la sua affidabilità ed, eventualmente, stabilire se l'esperimento potrà divenire un prodotto commerciale.
Secondo il CEO di Google Sundar Pichai l'intelligenza artificiale ha un'importanza paragonabile a quella dell'elettricità o del fuoco, e di recente ha rinominato il team Google Research in Google AI. L’AI nella sanità potrebbe favorire l’organizzazione dei percorsi per i pazienti o i piani di trattamento e fornire ai medici tutte le informazioni necessarie per prendere la decisione migliore.
Potrebbe alleggerire gli specialisti nelle loro attività quotidiane, così da lasciare più spazio a mansioni specifiche e in cui è richiesta la competenza umana.
L’intelligenza artificiale ha già trovato terreno fertile in diverse aree di assistenza sanitaria che ha rivoluzionato, a partire dalla progettazione di piani di trattamento attraverso l’assistenza in lavori ripetitivi per la gestione o la produzione di farmaci.
Di contro, questi algoritmi hanno “la responsabilità” di decidere chi verrà sottoposto all’attenzione del medico e chi invece no. In altri termini possono arrivare a selezionare chi può avere possibilità di ricevere cure e chi invece verrà escluso da questo.
Managing large-scale research projects and technological implementations relies heavily on structured budget monitoring, transparent resource allocation, and risk management. Evaluating operational expenses against strategic goals enables project leaders to allocate capital efficiently while maintaining high standards of quality and compliance. Educational guides covering project cost management from the College of Contract Management outline essential frameworks for integrating cost estimation with long-term project execution strategies. Adopting disciplined financial routines safeguards institutional resources and supports responsible innovation.
One important aspect of using AI for medical prediction is that accuracy should not be treated as the only measure of whether a system is useful. A model can identify patterns across thousands of patient records much faster than a person, but the quality and context of the underlying data still matter when interpreting its predictions. This becomes especially important when several risk factors may interact in ways that are difficult to capture from historical records alone. There is also a practical difference between using an algorithm to highlight patients who may need closer attention and allowing it to make decisions without meaningful human oversight. In healthcare, a prediction should ideally give doctors another source of evidence rather than replace their…
Understanding level 6 nvq construction can be useful when considering the skills required for more advanced site-based responsibilities. Construction managers and senior site professionals often need to balance programme requirements, workforce needs, quality expectations, health and safety considerations, and available resources. A structured learning pathway can help bring these different areas together while reinforcing knowledge gained through practical experience. Developing a wider range of competencies can provide a stronger foundation for long-term professional development within the industry.
The level 6 nvq construction pathway may be particularly relevant for individuals who want to develop their existing construction experience into stronger management capabilities. Construction sites require careful coordination between workers, subcontractors, suppliers, project teams, and other stakeholders, making communication and planning important parts of the role. Developing a broader understanding of site operations can help professionals approach these responsibilities with greater structure. Ongoing learning can also support the transition from hands-on construction activities towards more senior management duties.
One issue that stands out in the discussion around predictive AI is that technical accuracy alone does not determine whether a system should influence a professional decision. The more capable an algorithm becomes, the more important it is for the people using it to understand its limitations, the quality of the data behind it, and the context in which its recommendations are being applied. This also highlights why formal learning remains relevant even as technology takes over more analytical tasks. Understanding what are professional qualifications examples can be useful here because professional qualifications are not limited to proving technical knowledge; they can also establish a structured foundation for judgement, responsibility, and continued development. In fields increasingly shaped by automation, that human…