Per anni la comunicazione scientifica ha avuto un presupposto implicito: dall’altra parte di un paper, di un abstract o di una medical response ci sarebbe stato un lettore umano. Oggi non è più necessariamente così. Sempre più spesso tra la pubblicazione originale e il medico compare un sistema di intelligenza artificiale che legge, sintetizza, seleziona e interpreta il contenuto.
Un Comment pubblicato il 24 agosto su npj Digital Medicine porta questa trasformazione alle sue conseguenze più concrete. Gli autori, tra cui Nicholas Peoples, sostengono che se le macchine stanno diventando un primo livello di interpretazione della ricerca biomedica, allora potrebbe essere necessario modificare anche il modo in cui la ricerca viene strutturata e pubblicata.
Il rischio, spiegano, non riguarda soltanto le hallucination. Il problema più sottile è che un modello possa riportare correttamente i dati ma allargarne impropriamente il significato. Un’associazione può essere interpretata come causalità, un risultato ottenuto in una popolazione specifica può essere generalizzato, una limitazione metodologica può scomparire nel riassunto.
SIMcard e FACTS label
Gli autori propongono per questo una Structured Interpretive Metadata card, o SIMcard, un insieme di informazioni strutturate in XML o JSON che potrebbe accompagnare le pubblicazioni scientifiche e indicare disegno dello studio, popolazione, claim principale, grado di causalità, limiti e inferenze non consentite. Per i lettori umani viene invece proposta una FACTS label, una sintesi delle indicazioni necessarie a interpretare correttamente lo studio.
Si tratta ancora di una proposta, non di uno standard editoriale. Ma la questione tocca direttamente il lavoro di Medical Affairs e Scientific Communication.
Oggi una pubblicazione genera un intero ecosistema di contenuti: abstract, poster, congress report, slide deck, FAQ, medical response, materiali educazionali. Quasi tutti sono progettati esclusivamente per essere letti da persone. In futuro potrebbe essere necessario aggiungere un secondo livello, costruito per garantire che anche i sistemi AI comprendano correttamente il contesto dell’evidenza.
“La medical communication si è sempre preoccupata di garantire che un contenuto fosse scientificamente corretto quando veniva letto da un medico”, osserva Francesco Maria Avitto, Direttore editoriale Homnya, “Ora nasce un secondo problema: dobbiamo fare in modo che resti scientificamente corretto anche quando viene letto, scomposto e ricostruito da una macchina. È una nuova dimensione della medical governance.”
La strutturazione dell’evidence
Per il pharma il tema è rilevante soprattutto sul fronte della strutturazione dell’evidence. Un evidence hub nel quale studi, popolazioni, endpoint, comparatori, risultati, limiti e fonti primarie siano organizzati in modo coerente è utile al medico, ma può diventarlo ancora di più quando quell’informazione deve essere letta e interpretata da un sistema AI.
La sfida, quindi, non sarà necessariamente produrre più contenuti. Potrebbe essere rendere l’evidenza più strutturata, più contestualizzata e meno esposta a interpretazioni scorrette.
La comunicazione scientifica ha imparato a scrivere per la carta, poi per il web, per il mobile e per i social. Adesso potrebbe dover imparare anche a scrivere per un lettore che non è umano.
