L'Intelligenza Artificiale nella ricerca Evidence-Based Nursing: strumenti, potenzialità e sfide per la pratica clinica

L'Evidence-Based Nursing (EBN) rappresenta da oltre un ventennio il pilastro metodologico su cui si fonda l'eccellenza della professione infermieristica. Nata nei primi anni Duemila sull'impronta dell'Evidence-Based Medicine (EBM), questa disciplina impone al professionista di assumere decisioni cliniche integrando le migliori e più recenti prove di efficacia, l'esperienza professionale e le preferenze del paziente.

Sulle pagine di InfermieriAttivi.it si è spesso dibattuto su come l'EBN in Italia rischi di trasformarsi in un "gigante dai piedi d'argilla", rischiando di spegnersi nel silenzio generale qualora non riesca a rinnovare i propri strumenti operativi di fronte all'esponenziale aumento della complessità sanitaria e della produzione scientifica.

Ascolta "L'Intelligenza Artificiale nella ricerca Evidence-Based Nursing: strumenti, potenzialità e sfide per la pratica clinica" su Spreaker.

Oggi, un infermiere ricercatore o un clinico di reparto si scontra con volumi di dati insormontabili: basti pensare che le banche dati correnti indicizzano oltre 138 milioni di articoli accademici e più di 545.000 studi clinici. La revisione manuale della letteratura, lo screening degli abstract e l'estrazione dei dati richiedono centinaia di ore, creando un divario temporale inaccettabile tra la pubblicazione di una scoperta e la sua effettiva traslazione al letto del paziente (knowledge-to-action gap). In questo scenario di sovraccarico informativo (information overload), l'Intelligenza Artificiale (IA) generativa e i modelli linguistici di grandi dimensioni (Large Language Models - LLM) emergono non come semplici alternative ai tradizionali motori di ricerca, ma come veri e propri agenti di sintesi in grado di abbattere fino all'80% i tempi necessari per condurre revisioni sistematiche.

Le potenzialità di queste tecnologie spaziano dalla ricerca semantica all'estrazione strutturata dei dati (Data Extraction), dalla valutazione del rischio di bias alla deduplicazione automatizzata dei record. Tuttavia, l'integrazione di questi strumenti algoritmici nell'ecosistema clinico e accademico solleva profonde questioni metodologiche, etiche e cognitive.

Il presente articolo si propone di esplorare in profondità il ruolo dell'Intelligenza Artificiale nella ricerca evidence-based, analizzando i framework teorici di riferimento, catalogando le migliori piattaforme attualmente disponibili (suddivise tra opzioni ad accesso gratuito e soluzioni premium) e delineando le sfide legate al rischio di "cognitive deskilling" e alle direttive deontologiche tracciate dalla Federazione Nazionale Ordini Professioni Infermieristiche (FNOPI).

L'architettura cognitiva dell'IA e il Paradigma DIKW

Per comprendere l'impatto dell'Intelligenza Artificiale nell'assistenza infermieristica, è indispensabile adottare la lente teorica dell'Informatica Infermieristica (Nursing Informatics), storicamente fondata sul framework DIKW: Data (Dati), Information (Informazione), Knowledge (Conoscenza) e Wisdom (Saggezza). Questo modello gerarchico descrive l'evoluzione fenomenologica dell'assistenza, partendo dall'osservazione grezza fino ad arrivare al giudizio clinico ponderato.

All'interno di questo spettro, l'Intelligenza Artificiale opera con un'efficienza sovrumana sui primi tre livelli dell'architettura:

• Data (Dati): I dati rappresentano osservazioni isolate prive di significato intrinseco, come i valori grezzi dei parametri vitali (pressione arteriosa, frequenza cardiaca) o i segnali fisiologici raccolti dai monitor multiparametrici. Gli algoritmi di Machine Learning eccellono nell'inglobare e processare gigabyte di questi dati non strutturati all'interno delle cartelle cliniche elettroniche (EHR).
• Information (Informazione): L'informazione è il dato contestualizzato a cui viene attribuito un significato. I sistemi di Natural Language Processing (NLP) integrati nell'IA sono in grado di analizzare le note infermieristiche narrative, convertendole in informazioni strutturate ed estraendo trend emodinamici o di rischio in tempo reale.
• Knowledge (Conoscenza): Questo livello si raggiunge scoprendo pattern e relazioni nascoste tra le informazioni. L'IA raggiunge la conoscenza incrociando i trend del paziente con milioni di casi analoghi o con le prove di efficacia presenti in letteratura. Ad esempio, gli algoritmi predittivi possono identificare con straordinaria accuratezza un rischio imminente di sepsi, cadute o lesioni da pressione molto prima che si manifestino clinicamente, supportando i Clinical Decision Support Systems (CDSS).

Il vertice della piramide, tuttavia, appartiene esclusivamente al dominio umano. La Wisdom (Saggezza) trascende la statistica e la predizione algoritmica; essa consiste nell'interiorizzazione della conoscenza e nella sua applicazione etica, empatica e contestualizzata. Come sottolineato nei recenti dibattiti filosofici sull'infermieristica, il giudizio clinico è l'espressione moderna della Phronesis aristotelica (la saggezza pratica), ovvero la capacità di deliberare su ciò che è bene e giusto in circostanze ambigue e cariche di incertezza. Se un sistema di IA lancia un alert per il rischio di sepsi suggerendo un intervento intensivo (Knowledge), l'infermiere deve filtrare questa raccomandazione attraverso la Saggezza: considerando, ad esempio, le direttive anticipate del paziente, il suo stato palliativo, o l'affaticamento da allarme (alarm fatigue) generato dal sistema stesso. Pertanto, l'Intelligenza Artificiale non si configura come un sostituto del pensiero critico, ma come una "tecnologia assistiva" progettata per ridurre il carico cognitivo di base, permettendo all'infermiere di concentrarsi sulle dimensioni relazionali, etiche e personalizzate della cura.

L'accettazione e l'integrazione di queste tecnologie dipendono dalle attitudini dei professionisti, un concetto ampiamente spiegato dalla Teoria del Carico Cognitivo (Cognitive Load Theory) e dalla Teoria del Processo Duale del Ragionamento (Dual Process Theory of Reasoning). L'IA, assumendosi l'onere dell'analisi rapida dei dati (Sistema 1, intuitivo e reattivo), lascia al professionista maggiore spazio mentale per attivare il Sistema 2 (analitico, profondo e creativo), potenziando l'autoefficacia creativa e la competenza nel ragionamento clinico.

Oltre il PICO: l'evoluzione verso il prompt engineering

Nella metodologia tradizionale dell'Evidence-Based Practice (EBP), il punto di partenza ineludibile è la formulazione di un quesito clinico rigoroso attraverso il modello PICO (Popolazione, Intervento, Confronto, Outcome). Sebbene il PICO sia uno standard eccellente per costruire stringhe di ricerca booleane (utilizzando operatori come AND, OR, NOT) nei database biomedici tradizionali come PubMed o CINAHL, il suo utilizzo puro risulta spesso insufficiente quando si interagisce con i moderni modelli linguistici di IA generativa. Interrogare un'Intelligenza Artificiale richiede il passaggio a una nuova competenza metodologica: il Prompt Engineering.

Il Prompt Engineering è l'arte e la scienza di strutturare le istruzioni (prompt) fornite all'IA per massimizzare la precisione, la pertinenza e l'affidabilità dell'output. I ricercatori hanno dimostrato che l'integrazione dei principi PICO all'interno di framework avanzati di Prompt Engineering produce risultati di sintesi delle evidenze nettamente superiori.

A tal fine, la letteratura accademica recente suggerisce l'impiego di specifici framework architetturali per dialogare con le IA, tra cui spiccano il TCEPFT e l'EPICS.

Il Modello TCEPFT (Task, Context, Example, Persona, Format, Tone)

Questo framework ingloba il PICO per garantire che l'IA non solo comprenda l'oggetto della ricerca, ma ne adotti anche il rigore formale.

• Task (Compito): Si definisce l'azione primaria. Esempio: "Estrai e sintetizza i dati principali dai seguenti abstract".
• Context (Contesto): Si inseriscono i parametri PICO. Esempio: "Concentrati su pazienti adulti in terapia intensiva (Popolazione), valutando l'uso della clorexidina al 2% (Intervento) rispetto allo iodopovidone (Confronto) per la prevenzione delle infezioni correlate al catetere (Outcome)".
• Example (Esempio): Si fornisce un modello di classificazione (tecnica del Few-Shot Prompting). Questo addestra l'IA a riconoscere esattamente cosa includere ed escludere.
• Persona (Ruolo): Si cala l'algoritmo in un ruolo. Esempio: "Agisci come un infermiere ricercatore esperto in malattie infettive e metodologia Cochrane".
• Format (Formato): Si vincola la struttura visiva. Esempio: "Restituisci i dati in una tabella markdown con colonne per Autore, Anno, Dimensione del Campione, Risultato Primario e Valutazione del Bias".
• Tone (Tono): Esempio: "Utilizza un linguaggio accademico, oggettivo e privo di affermazioni assolutistiche".

Il Modello EPICS per la didattica e il ragionamento

Sviluppato parallelamente per ambiti di educazione clinica, l'EPICS (Expertise, Purpose, Interaction, Critique, Sharing) spinge l'IA oltre la semplice estrazione, verso una funzione di validazione critica. La fase di "Critique", in particolare, istruisce il modello a valutare attivamente i limiti degli studi analizzati, evidenziando autonomamente problemi di campionamento o di validità interna prima di presentare il risultato all'infermiere.

L'impiego di questi prompt strutturati permette ai sistemi di Intelligenza Artificiale di svolgere screening degli abstract e dei full-text con tassi di richiamo (recall) superiori al 90%, sostituendosi alle metodiche manuali che comportavano estenuanti settimane di lavoro.

Le migliori Intelligenze Artificiali per l'EBN: strumenti ad accesso gratuito (Freemium)

Il mercato offre oggi innumerevoli piattaforme potenziate dall'Intelligenza Artificiale, molte delle quali possiedono livelli di ingresso gratuiti o modelli "Freemium" altamente sfruttabili nella pratica infermieristica quotidiana, ideali per studenti in fase di stesura tesi, infermieri clinici e infermieri di famiglia e comunità (IFeC) alla ricerca di rapide conferme basate sull'evidenza.

1. Elicit (Piano Basic)

Elicit si è rapidamente imposto come lo standard aureo per l'automazione della ricerca accademica e dell'estrazione dei dati. Interfacciandosi con un database colossale di oltre 138 milioni di articoli accademici e 545.000 trial clinici, Elicit utilizza la ricerca semantica per comprendere il significato del quesito clinico, svincolando il ricercatore dalla necessità di individuare le parole chiave perfette. Nel suo piano gratuito, Elicit offre ricerche illimitate e la possibilità di dialogare con i documenti full-text (Chat with PDF) a cui si ha accesso. La caratteristica peculiare di Elicit risiede nella generazione automatica di matrici di estrazione: per ogni quesito clinico, il sistema produce una tabella in cui ogni riga rappresenta un paper rilevante e ogni colonna estrae specifici elementi (es. intervento, risultati, numero di partecipanti). Di recente, la piattaforma ha modificato la propria struttura tariffaria, concedendo agli utenti base un pacchetto di 5.000 crediti una tantum per sperimentare le funzioni più avanzate. Sebbene formidabile per l'estrazione, Elicit non dispone di un generatore di testo integrato (AI Writer) per la stesura materiale degli articoli.

2. Consensus (Piano Basic)

Consensus è un motore di ricerca semantica che si distingue per la sua capacità di analizzare un corpus di oltre 220 milioni di documenti strettamente limitati a ricerche peer-reviewed. È lo strumento definitivo per le domande "Point-of-Care" (al letto del paziente) in cui è necessaria una risposta dicotomica rapida. La sua funzionalità più innovativa è il Consensus Meter, un indicatore visivo che analizza i top paper e restituisce un verdetto percentuale (es. "L'80% degli studi concorda sull'efficacia, il 20% è possibilista"). Il piano gratuito include un numero illimitato di ricerche standard e 3 "Deep Searches" mensili per analisi approfondite. Per un infermiere territoriale che necessiti di verificare rapidamente il consenso scientifico sull'efficacia di una medicazione innovativa, Consensus offre risposte tracciabili e immediate.

3. NotebookLM (di Google)

A differenza dei motori di ricerca aperti, NotebookLM è un assistente alla ricerca "Source-Grounded", interamente gratuito. Questo significa che non utilizza le proprie conoscenze pregresse per rispondere, ma si basa esclusivamente sui documenti (fino a 50 PDF) che l'utente carica nel proprio progetto ("Notebook"). Questa caratteristica lo rende lo strumento più sicuro contro le allucinazioni algoritmiche. Se un coordinatore infermieristico carica le linee guida aziendali, gli ultimi PDTA regionali e i protocolli del Ministero della Salute, potrà interrogare NotebookLM avendo la certezza che le risposte derivino solo da quei testi, con citazioni inline (puntatori) che rimandano al paragrafo esatto del documento originale.

4. Paperguide (Piano Gratuito)

Paperguide si posiziona come una suite di ricerca "All-in-One". Il suo livello gratuito (che eroga 1.000 crediti mensili) garantisce accesso a un corpus di oltre 200 milioni di paper e offre un assistente per la revisione della letteratura strutturato in 5 fasi. Ciò che distingue Paperguide dai competitor è l'inclusione di un Reference Manager nativo (paragonabile a Zotero) direttamente integrato nello spazio di lavoro, unito a un potente AI Writer capace di redigere bozze di protocolli o tesi inserendo automaticamente citazioni validate contro la libreria dell'utente, supportando oltre 1.000 stili citazionali (Vancouver, APA, ecc.). Permette inoltre di visualizzare indicatori di qualità bibliometrica come l'SJR (SCImago Journal Rank) e lo SNIP direttamente tra i risultati di ricerca.

5. SciSpace (Piano Gratuito)

SciSpace, forte di un database di 200 milioni di articoli, eccelle nella democratizzazione della lettura scientifica complessa. Il suo "Copilot" è in grado di interpretare, decodificare e spiegare formule matematiche, tabelle statistiche e grafici presenti nei PDF in modo interattivo. Particolarmente utile per l'infermiere italiano, SciSpace vanta capacità multilingua eccezionali: è possibile caricare un articolo in inglese tecnico e chiedere al Copilot di estrarre e spiegare i risultati in italiano, abbattendo la barriera linguistica e facilitando la comprensione della statistica inferenziale.

Strumento (Free Tier)	Focus Principale per l'Infermiere	Caratteristica Distintiva	Limite del Piano Gratuito
Elicit	Estrazione strutturata dei dati (Data Extraction) per revisioni	Matrici tabellari di precisione	5.000 crediti una tantum (non rinnovabili mensilmente)
Consensus	Ricerca rapida di consenso clinico (Point-of-Care)	Consensus Meter visivo	Solo 3 "Deep Searches" al mese
NotebookLM	Analisi sicura e mirata di protocolli e linee guida aziendali	Nessuna allucinazione esterna (Source-Grounded)	Nessun database di ricerca proprio (occorre caricare i PDF)
Paperguide	Stesura di tesi o protocolli dalla ricerca alla scrittura	AI Writer + Reference Manager integrato	1.000 crediti mensili e funzioni avanzate bloccate
SciSpace	Comprensione profonda della statistica e superamento barriere linguistiche	Spiegazione AI di grafici e tabelle in multilingua	Limiti sui crediti di ricerca

Strumenti avanzati: Le Intelligenze Artificiali Premium per la Ricerca Istituzionale

Quando l'obiettivo supera la consultazione personale e si entra nel campo delle Systematic Literature Review (SLR) su larga scala o dello sviluppo di raccomandazioni cliniche dipartimentali, i limiti dei piani gratuiti diventano invalidanti. Le versioni premium di questi applicativi garantiscono scalabilità, potenza computazionale e, fattore cruciale, conformità metodologica.

Elicit (Piani Pro / Scale / Enterprise)

Elicit a pagamento è progettato esplicitamente per la ricerca istituzionale e accademica. Il piano Pro (circa $49 al mese o $588 l'anno) introduce un workflow dedicato allo screening sistematico capace di elaborare fino a 5.000 paper contemporaneamente, estraendo 20 colonne di dati simultaneamente. I piani Scale ed Enterprise ampliano questa capacità a 40.000 articoli, introducendo l'estrazione intelligente dai dati contenuti nelle immagini dei grafici. Elicit ha recentemente rilasciato un aggiornamento strutturale che allinea la sua piattaforma ai requisiti delle linee guida PRISMA 2020, rendendo ogni fase del processo (ricerca, selezione, estrazione) tracciabile, riproducibile e adatta all'audit formale richiesto dalle riviste scientifiche ad alto impatto. L'impiego dei più avanzati LLM, come Claude Opus 4.5, garantisce estrazioni qualitative di altissima fedeltà, riducendo drasticamente il tasso di allucinazioni.

Paperguide (Piani Pro / Advanced / Enterprise)

Offrendosi a un costo di ingresso inferiore (da $12/mese), il livello Pro e Advanced di Paperguide fornisce funzionalità che mirano a rivaleggiare con software storici e costosi come DistillerSR. È la piattaforma d'elezione per condurre screening PRISMA-grade tramite la funzione "Dual-Reviewer Blind Screening": il sistema permette a due revisori indipendenti di effettuare lo screening alla cieca (come raccomandato dal Manuale Cochrane), calcolando automaticamente l'indice K di Cohen per la concordanza inter-rater e inviando i conflitti a un terzo giudice per la risoluzione. Inoltre, costruisce in tempo reale il diagramma di flusso PRISMA, esportabile in vettoriale.

Consensus e SciSpace (Livelli Premium)

Il piano Pro di Consensus (circa $11.99/mese, con un generoso sconto per gli accademici) rimuove i limiti sulle ricerche profonde, risultando lo strumento ideale per i clinici e gli Infermieri di Famiglia e Comunità (IFeC) che necessitano di confermare in pochi secondi se le procedure adottate a domicilio del paziente siano supportate dalle prove più recenti. SciSpace Premium sblocca modelli ad alte prestazioni specializzati nel dominio biomedico, consentendo ai ricercatori di analizzare le basi biochimiche e molecolari di determinati esiti clinici con un rigore e una precisione non replicabili da modelli generalisti.

L'Imperativo della trasparenza: PRISMA-trAIce e le direttive RAISE

L'introduzione dell'IA nella sintesi delle evidenze solleva la legittima preoccupazione che il desiderio di velocità possa compromettere il rigore, l'indipendenza e la replicabilità che hanno reso l'EBN il pilastro della clinica moderna. Se un'IA esegue lo screening di migliaia di studi escludendone alcuni in base a criteri imperscrutabili (la problematica della black box algoritmica), i risultati finali potrebbero soffrire di bias sistematici inaccettabili in ambito sanitario.

Per preservare l'integrità scientifica, la comunità internazionale ha risposto con l'istituzione di nuovi standard di rendicontazione. Il più importante è l'estensione PRISMA-trAIce (Transparent Reporting of Artificial Intelligence in Comprehensive Evidence-synthesis), un aggiornamento della fondamentale dichiarazione PRISMA 2020. Questa checklist obbliga i ricercatori che utilizzano l'IA in una revisione sistematica a dichiarare con estrema trasparenza:

1. L'identità dello strumento: Nome esatto dell'applicazione, versione e modello LLM sottostante (es. GPT-4, Claude 3.5 Sonnet) impiegato in ciascuna fase della ricerca.
2. L'interazione Umano-Macchina (Human-in-the-loop): Chiarire se lo screening effettuato dall'IA è stato utilizzato in modo del tutto autonomo (sconsigliato) o se è stato sottoposto a verifica incrociata umana, definendo le soglie di confidenza sotto le quali l'intervento umano diventava obbligatorio.
3. Regole di arresto e validazione: Nello screening assistito, devono essere riportate le metriche di accuratezza (sensibilità e specificità) verificate su un set di test validato dall'uomo, indicando eventuali regole di stop automatizzate.

Parallelamente, la prestigiosa organizzazione Cochrane Library ha assunto una posizione di leadership nel definire le buone pratiche per lo sviluppo e l'adozione degli algoritmi attraverso il progetto RAISE (Responsible AI in Evidence SynthEsis). Nei documenti rilasciati dal consorzio RAISE, viene ribadito un principio inderogabile: l'uso dell'IA è promosso e accettato per alleggerire il carico di lavoro cognitivo ripetitivo (es. individuare studi in database frammentati, deduplicazione), ma l'Accountability (la responsabilità finale per i contenuti, i bias e gli esiti della ricerca) ricade interamente sugli autori umani.

A tal fine, Cochrane ha avviato studi pionieristici integrando selettivamente piattaforme commerciali certificate (come Laser AI e Nested Knowledge) all'interno dei propri complessi workflow editoriali, al fine di valutare prospetticamente come questi strumenti possano potenziare l'efficienza della stesura e dell'aggiornamento (Living Systematic Reviews) senza mai erodere il rigore metodologico che contraddistingue i loro output.

Il lato oscuro dell'automazione: cognitive deskilling e automation Bias

Se dal punto di vista tecnologico l'IA rappresenta un'opportunità straordinaria, dal punto di vista umano, educativo e psicologico essa introduce una minaccia insidiosa per la classe infermieristica: il rischio di Cognitive Deskilling (dequalificazione cognitiva).

Il termine descrive la graduale atrofizzazione dell'esperienza e della capacità di ragionamento clinico indipendente che si verifica quando i professionisti sanitari iniziano a fare eccessivo affidamento su algoritmi e raccomandazioni automatizzate. Il ragionamento clinico, in infermieristica, non è un semplice esercizio di predizione matematica; esso è un processo iterativo fondato sull'integrazione di dati frammentari, gestione dell'incertezza, valutazione del contesto e comprensione dei valori del paziente. L'esperienza (expertise), come teorizzato da Benner, non si forma leggendo passivamente linee guida, ma affrontando l'ambiguità, elaborando incertezze e riflettendo sulle proprie decisioni cliniche passate.

Delegando sistematicamente l'analisi dei dati, lo screening della letteratura o la formulazione di piani assistenziali all'IA, i professionisti rischiano di incorrere nell'Automation Bias (o Automation Complacency). Questa distorsione cognitiva spinge il clinico ad accettare acriticamente il risultato fornito dal computer, ignorando segnali discordanti che la propria esperienza clinica avrebbe normalmente intercettato, o viceversa, a modificare decisioni inizialmente corrette per allinearsi all'output della macchina.

Il rischio è particolarmente elevato per i neolaureati e i giovani ricercatori, i quali potrebbero trovarsi privati di quelle fondamentali opportunità di apprendimento basate sulla "lotta cognitiva" non assistita (unsupported reasoning), essenziali per sviluppare la cosiddetta Adaptive Expertise. La capacità di adattarsi a situazioni impreviste in scenari in cui la tecnologia potrebbe temporaneamente non essere disponibile (es. arresto di sistema) si ridurrebbe drasticamente. Prove in altri ambiti medici (come l'identificazione visiva dei polipi in gastroenterologia assistita dall'IA) suggeriscono che la sovraesposizione all'assistenza digitale riduce significativamente le capacità diagnostiche innate dei professionisti quando l'aiuto viene rimosso, confermando che il deskilling non è solo teorico ma fenomenologicamente rilevabile.

Per mitigare questa deriva, la letteratura esorta a un'integrazione pedagogica strutturata dell'Intelligenza Artificiale, che non miri a rimpiazzare il ragionamento, ma ad amplificarlo. Le IA non devono essere viste come oracoli infallibili, ma come "sparring partner" cognitivi con cui dialogare, da interrogare e di cui validare attivamente gli output.

FNOPI, competenze digitali e il nuovo profilo dell'infermiere (DigComp 2.2)

Nel contesto italiano, la transizione algoritmica si intreccia con una profonda riorganizzazione del Servizio Sanitario Nazionale, spinta dalla Missione 6 del PNRR e dal D.M. 77/2022, che riposizionano il baricentro dell'assistenza dall'ospedale al territorio. Questa riorganizzazione si avvale di miliardi di euro investiti in telemedicina, Connected Care e cartelle cliniche intelligenti.

La Federazione Nazionale Ordini Professioni Infermieristiche (FNOPI) ha assunto una leadership proattiva in questo dibattito. Nel suo Position Statement sulla Sanità Digitale, la Federazione ribadisce che il processo evolutivo deve essere accolto positivamente, a patto che generi una crescita armonica delle competenze e valorizzi l'apporto inestimabile dell'équipe di cura umana. La tecnologia non deve mai sostituire la presenza; piuttosto, deve fungere da ponte per azzerare le distanze e presidiare il cosiddetto "ultimo miglio" assistenziale (dal domicilio alle aree interne svantaggiate).

Una delle preoccupazioni centrali evidenziate dalla FNOPI è la "fragilità digitale", ovvero il rischio che pazienti cronici o anziani vengano tagliati fuori dall'accesso alle cure a causa dell'incapacità di gestire i nuovi strumenti digitali (digital divide). Di fronte a questa minaccia, l'Infermiere di Famiglia e Comunità (IFeC) emerge nel suo ruolo primario di Advocate (difensore e facilitatore) del cittadino. È l'infermiere che deve valutare l'eleggibilità tecnologica del nucleo familiare, formarlo all'uso degli strumenti di telemonitoraggio o di AI-predictive analytics e intervenire qualora i canali digitali risultino insufficienti, garantendo che la tecnologia sia sempre integrata in un approccio omnicanale (omnichannel) che non rinunci mai al contatto umano.

Per assolvere a questo mandato, l'implementazione dell'IA esige un drastico aggiornamento del corpus formativo della professione. La FNOPI insiste sulla necessità che i professionisti della salute padroneggino competenze digitali allineate al framework europeo DigComp 2.2, posizionandosi a livelli intermedi-avanzati (livelli 3-4) per quanto riguarda la gestione sicura dei dati, la collaborazione digitale e la comprensione dell'algoritmo (AI Literacy). Questo significa trascendere il ruolo di esecutori passivi della tecnologia (low-tech) per abbracciare un futuro in cui l'infermiere unisce la massima complessità tecnologica e algoritmica (High-Tech) con la suprema densità relazionale (High-Touch), creando una narrativa professionale estremamente attrattiva e stimolante per i giovani nativi digitali.

Conclusioni

L'introduzione dell'Intelligenza Artificiale Generativa e del Natural Language Processing segna l'alba di un vero e proprio rinascimento per la ricerca Evidence-Based Nursing. Strumenti ad accesso gratuito come Consensus, NotebookLM o SciSpace stanno fornendo a studenti e clinici le capacità per ottenere rapide risposte guidate dall'evidenza al letto del paziente. Allo stesso tempo, ecosistemi premium sofisticati come Elicit e Paperguide stanno rivoluzionando la struttura stessa delle revisioni sistematiche, riducendo di ordini di grandezza il tempo necessario per estrarre, sintetizzare e mappare moli di dati inimmaginabili, aderendo rigorosamente ai framework metodologici del PRISMA-trAIce e alle indicazioni cautelative del sistema RAISE.

Tuttavia, queste straordinarie capacità algoritmiche coprono unicamente i livelli del dato, dell'informazione e della conoscenza. La Saggezza (Wisdom), che è l'essenza ontologica della professione infermieristica, non è computabile. La sfida per la professione non è resistere all'IA, ma dominarla attraverso un sofisticato Prompt Engineering e una rigorosa alfabetizzazione digitale (Digital Literacy). Solo presidiando lo spazio tra l'output della macchina e l'intervento sul paziente, mantenendo saldo il pensiero critico e scongiurando l'automation bias, l'infermieristica potrà sfruttare appieno l'efficienza degli algoritmi senza mai sacrificare l'empatia, l'etica e la prossimità umana che la rendono insostituibile.

Bibliografia

1. Presentazione - Assistenza Infermieristica e Ricerca, https://www.air-online.it/presentazione/
2. EBN - InfermieriAttivi.it, https://www.infermieriattivi.it/risorse-sito/lista-tags-2/ebn.html
3. N. 2 2025 - Nursing Foresight, https://www.nursingforesight.it/pubblicazioni/2025/n-2.pdf
4. Elicit: AI for scientific research, https://elicit.com/
5. Application of generative artificial intelligence by nurse academics in higher education: A scoping review - Edith Cowan University, https://ro.ecu.edu.au/cgi/viewcontent.cgi?article=8289&context=ecuworks2022-2026
6. 5 Best AI Tools for Systematic Review in 2026 (Free + Paid) - Paperguide, https://paperguide.ai/blog/ai-tools-for-systematic-review/
7. Enhancing Transparency, Auditability, and Reproducibility of Deduplication in Systematic Reviews: Tutorial for the Rayyan Method and Systematic Auto Resolver - Interactive Journal of Medical Research, https://www.i-jmr.org/2026/1/e94317
8. Artificial intelligence in nursing: A journey from data to wisdom - PubMed, https://pubmed.ncbi.nlm.nih.gov/40122866/
9. Artificial intelligence in nursing: A journey from data to wisdom - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC11922186/
10. Transforming clinical data into wisdom - PMC - NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC8018525/
11. Revisiting artificial intelligence diagnosis of hepatocellular carcinoma with DIKWH framework - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10064216/
12. The integration of AI in nursing: addressing current applications, challenges, and future directions - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC11850350/
13. Embracing artificial intelligence in nursing: exploring the relationship between artificial intelligence-related attitudes, creative self-efficacy, and clinical reasoning competency among nurses - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC12181922/
14. Development and Application of a Nurse-Led Clinical Decision Support System for Safe Intravenous Medication Administration: A Nonrandomized Controlled Trial - PubMed, https://pubmed.ncbi.nlm.nih.gov/42091056/
15. From data to meaning: nursing clinical judgement in the age of artificial intelligence - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC12602268/
16. PICO Framework: A Guide to Evidence-based Research - Pubrica, https://pubrica.com/insights/study-guide/guide-to-evidence-based-research-on-pico-framework/
17. (PDF) PICO: Model for Clinical Questions - ResearchGate, https://www.researchgate.net/publication/326922937_PICO_Model_for_Clinical_Questions
18. Integrating PICO principles into generative artificial intelligence prompt engineering to enhance information retrieval for medical librarians - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC12058339/
19. Chained Prompting for Better Systematic Review Search Strategies - arXiv, https://arxiv.org/html/2602.00011v1
20. Kyle Robinson's research works | California Health Sciences University, Clovis and other places - ResearchGate, https://www.researchgate.net/scientific-contributions/Kyle-Robinson-2282430274
21. The PICCO Framework for Large Language Model Prompting: A Taxonomy and Reference Architecture for Prompt Structure - arXiv, https://arxiv.org/pdf/2604.14197
22. [PDF] Integrating PICO principles into generative artificial, https://www.semanticscholar.org/paper/Integrating-PICO-principles-into-generative-prompt-Robinson-Bontekoe/c2b04353746556e41f61888f40642ab2e0903f83
23. Designing AI-Informed Learning Experiences: The EPICS Framework for Health Professions Education - Human Kinetics Journals, https://journals.humankinetics.com/view/journals/ijatt/30/4/article-p211.pdf
24. Integrating PICO principles into generative artificial intelligence prompt engineering to enhance information retrieval for medical librarians - PubMed, https://pubmed.ncbi.nlm.nih.gov/40342302/
25. How to Write Effective Prompts for Screening Biomedical Literature Using Large Language Models - MDPI, https://www.mdpi.com/2673-7426/5/1/15
26. Pricing | Elicit: The AI Research Assistant, https://elicit.com/pricing
27. Elicit Review: Best AI Research Assistant Tool in 2026? (Honest Review) - YouTube, https://www.youtube.com/watch?v=AhLXDmdCROQ
28. Elicit Tutorial | How to Automate Literature Reviews with AI in 2026 (Step-by-Step), https://www.youtube.com/watch?v=Fm5Mn36amOI
29. How To Sign Up For Elicit AI For Free (2026 Guide) - YouTube, https://www.youtube.com/watch?v=6aKI7bI2uvc
30. 7 Best Elicit Alternatives in 2026 (Free + Paid) - Paperguide, https://paperguide.ai/blog/elicit-alternatives/
31. Consensus review 2026 — evidence-based academic search - toolsforhumans.ai, https://www.toolsforhumans.ai/ai-tools/consensus
32. AI tools for nurses (2025): iatroX, NICE CKS/BNF, BMJ Best Practice (OpenAthens), Trip/AskTrip, and NHS-guided ambient scribes, https://www.iatrox.com/blog/ai-tools-for-nurses-iatrox-nice-cks-bnf-bmJ-best-practice-trip-asktrip-ambient-scribes
33. SciSpace vs Consensus: Best Tool for Deep Research in 2026 - Paperguide, https://paperguide.ai/blog/scispace-vs-consensus/
34. SciSpace Premium - Unlimited access to AI research tools, https://scispace.com/pricing
35. Elicit Systematic Review: Now Built for PRISMA 2020, https://elicit.com/blog/systematic-review-for-prisma-2020
36. PRISMA AI reporting guidelines for systematic reviews and meta-analyses on AI in healthcare | Request PDF - ResearchGate, https://www.researchgate.net/publication/367180953_PRISMA_AI_reporting_guidelines_for_systematic_reviews_and_meta-analyses_on_AI_in_healthcare
37. How is Cochrane advancing responsible AI for evidence synthesis?, https://www.cochrane.org/about-us/news/how-cochrane-advancing-responsible-ai-evidence-synthesis
38. Cochrane launches innovative study to assess AI tools for evidence synthesis, https://www.cochrane.org/about-us/news/cochrane-launches-innovative-study-assess-ai-tools-evidence-synthesis
39. Transparent Reporting of AI in Systematic Literature Reviews: Development of the PRISMA-trAIce Checklist - JMIR AI, https://ai.jmir.org/2025/1/e80247
40. PRISMA-trAIce: A Proposed Checklist for Transparent Reporting of Artificial Intelligence in Comprehensive Evidence-Synthesis - JMIR Preprints, https://preprints.jmir.org/preprint/80247
41. AI in Systematic Reviews: What RAISE Requires in 2026 | ScribeLabWriter, https://www.scribelabwriter.com/blog/ai-tools-systematic-review-raise-framework
42. SCC 2025 Contributed Content - South Central Chapter of the Medical Library Association (SCC/MLA), https://www.sccmla.org/Meetings/2025/Abstracts
43. Cochrane announces selected AI tools for innovative platform study, https://www.cochrane.org/about-us/news/cochrane-announces-selected-ai-tools-innovative-platform-study
44. Deskilling dilemma: brain over automation - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC12909220/
45. Artificial intelligence and deskilling in medicine | The British Journal of Psychiatry, https://www.cambridge.org/core/journals/the-british-journal-of-psychiatry/article/artificial-intelligence-and-deskilling-in-medicine/641F0B39DC9494C7B9561F63E718EAC6
46. Balancing act: the complex role of artificial intelligence in addressing burnout and healthcare workforce dynamics - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC11344516/
47. Artificial intelligence in medicine: a scoping review of the risk of deskilling and loss of expertise among physicians - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC13015734/
48. [AI and clinical reasoning : between promises and the risks of "deskilling"] - PubMed, https://pubmed.ncbi.nlm.nih.gov/41755525/
49. Teaching Critical Thinking in the Age of AI: Safeguarding Clinical Reasoning in Healthcare Documentation - PubMed, https://pubmed.ncbi.nlm.nih.gov/40845221/
50. SANITA' DIGITALE: IL POSITION FNOPI, https://www.fnopi.it/aree-tematiche/position-sanita-digitale/
51. Sanità digitale e professione infermieristica: la visione strategica della fnopi tra prossimità e innovazione - InfermieriAttivi, https://www.infermieriattivi.it/news-infermieri-attivi/infermieri/7594-sanita-digitale-e-professione-infermieristica.html
52. Intelligenza artificiale: come il sistema salute può trarne vantaggio. - FNOPI, https://www.fnopi.it/2024/04/10/intelligenza-artificiale-audizione/
53. “Sanità Digitale: sinergie istituzionali per guidare l'innovazione” – 23 aprile 2026 – Exposanità - Ordine Professioni Infermieristiche - Bologna, https://www.ordineinfermieribologna.it/2026/sanita-digitale-sinergie-istituzionali-per-guidare-linnovazione-23-aprile-2026-exposanita.html
54. POSITION STATEMENT SANITÀ DIGITALE - FNOPI, https://www.fnopi.it/wp-content/uploads/2024/09/Approfondimento-al-Position-Fnopi-17_9.pdf
55. La professione infermieristica nella transizione digitale, FNOPI a "Health for dreamers", https://www.fnopi.it/2024/10/06/health-dreamers/
56. I-Advocacy: nuove frontiere tecnologiche nell'avanguardia infermieristica di famiglia e comunità. - FNOPI, https://www.fnopi.it/wp-content/uploads/2025/03/I-Advocacy-nuove-frontiere-tecnologiche.pdf
57. Le competenze digitali dei professionisti sanitari nell'era dell'e-health - Fnopi L'infermiere, https://www.infermiereonline.org/2024/10/08/le-competenze-digitali-dei-professionisti-sanitari-nellera-delle-health/
58. Intelligenza artificiale e assistenza infermieristica. Dall'algoritmo alla valorizzazione professionale - Quotidiano Sanità, https://www.quotidianosanita.it/lettere-al-direttore/intelligenza-artificiale-e-assistenza-infermieristica-dallalgoritmo-alla-valorizzazione-professionale/

 

Foto di Szymon Shields