Le soluzioni analizzate comprendono un sistema informatico basato su regole predefinite, progettato per generare una lista ordinata di diagnosi plausibili sulla base delle informazioni cliniche ed epidemiologiche del paziente; un modello di machine learning sviluppato per stimare il rischio di malaria; e un approccio basato sull’analisi di biomarcatori immunologici circolanti, utile a supportare la distinzione tra diverse eziologie infettive.

Tutti e tre i lavori hanno riportato risultati favorevoli rispetto agli obiettivi specifici valutati, principalmente in contesti ospedalieri controllati. Per la malaria, in particolare, il riconoscimento tempestivo resta essenziale per avviare rapidamente gli accertamenti e il trattamento appropriato. Le evidenze raccolte, tuttavia, non sono ancora sufficienti per confermare l’affidabilità di queste tecnologie nei diversi scenari della pratica clinica.

Tra le criticità individuate dalla revisione figurano la mancanza di implementazioni documentate nei servizi sanitari e l’assenza di valutazioni formali sull’accettabilità degli strumenti da parte degli operatori. Anche la validazione esterna risulta assente o limitata, mentre le popolazioni esaminate sono ristrette e selezionate.

Queste lacune rendono difficile trasferire i risultati dai contesti sperimentali alla pratica quotidiana, compresi gli ambulatori e i dipartimenti di emergenza-urgenza. Un ulteriore elemento riguarda i modelli linguistici di grandi dimensioni (large language models, LLM), che non sono stati valutati in nessuno dei tre studi inclusi, lasciando aperto un ambito di ricerca potenzialmente rilevante per il supporto alle decisioni cliniche.

Nel complesso, la revisione descrive un settore ancora in fase iniziale: prima di introdurre l’intelligenza artificiale nella valutazione routinaria della febbre nel viaggiatore, saranno necessari studi su popolazioni più ampie e diversificate, verifiche indipendenti delle prestazioni diagnostiche e ricerche di implementazione in condizioni assistenziali reali.

Sarà inoltre fondamentale comprendere se questi sistemi possano migliorare concretamente il processo decisionale dei professionisti sanitari. La loro utilità dovrà essere dimostrata attraverso evidenze solide, riproducibili e pertinenti ai contesti clinici di utilizzo, senza sostituire la valutazione del medico.