AIGenerato
EN · IT · ES

L'AI analizza 4.000 studi medici: la maggior parte non condivide codice utile

I ricercatori hanno usato l'AI per capire se medici e scienziati possono effettivamente ricostruire i risultati degli studi pubblicati, e la risposta è stata prevalentemente no.

Due lacune permangono nel codice della ricerca medica: la condivisione è infrequente e il codice pubblico spesso manca della documentazione necessaria per il riutilizzo.
Immagine: news.mit.edu
Come funziona
  1. L'AI setaccia migliaia di articoli medici.
  2. L'AI recupera le dichiarazioni sulla condivisione del codice e i link.
  3. Un software scarica i repository di codice collegati.
  4. Delle persone controllano un campione per verificare i risultati.

Cosa si potrebbe fare con questi dati

  • I ricercatori potrebbero usare modelli linguistici di grandi dimensioni per setacciare quasi 4.000 articoli medici e identificare affermazioni sulla condivisione di codice, quindi seguire i link per valutare i repository associati 1.
  • Le riviste potrebbero utilizzare i risultati per orientare TRIPOD-Code, una linea guida per la segnalazione progettata per chiarire esattamente cosa i ricercatori dovrebbero condividere affinché il proprio lavoro sia riproducibile 1.
  • I revisori umani potrebbero controllare in modo indipendente un campione di articoli e repository di codice per verificare quanto trovato dagli strumenti di AI, cogliendo errori e divergenze prima di finalizzare i risultati 1.

Dalla comunicazione: due uomini davanti a un computer desktop d'epoca con un grafico sullo schermo

Immagine: news.mit.edu

Cosa ha fatto il team

Gli studi di previsione clinica sviluppano modelli informatici che stimano gli esiti dei pazienti, come il rischio di sviluppare una malattia. Poiché questi modelli possono influenzare scelte reali di cura del paziente, è importante che altri scienziati siano in grado di esaminare attentamente come sono stati sviluppati e valutati 1.

Per capire quanto spesso ciò avvenga realmente, un team internazionale guidato da ricercatori del MIT e di Dana-Farber ha utilizzato modelli linguistici di grandi dimensioni — sistemi di AI addestrati su enormi quantità di testo in grado di comprendere e elaborare informazioni non strutturate — per setacciare quasi 4.000 articoli disponibili attraverso la raccolta open access di PubMed Central 1.

I LLM hanno identificato affermazioni sulla condivisione di codice, estratto link e poi un software ha recuperato i repository di codice collegati per una valutazione ulteriore 1. Revisori umani hanno controllato in modo indipendente un campione di 500 articoli e repository per verificare il lavoro dell'AI, risolvendo le divergenze prima di confrontare i risultati .

Tom Pollard, autore principale dello studio 1 e ricercatore scientifico presso il Laboratory for Computational Physiology del MIT nonché il Computer Science and Artificial Intelligence Laboratory, ha dichiarato che il punto di forza più grande dei LLM è il modo in cui gestiscono dati non strutturati come il testo.

Cosa hanno scoperto

La revisione ha rivelato due lacune principali 1:

La condivisione di codice resta infrequente. Solo circa uno su otto studi ha riportato la condivisione di codice e, dove il codice era condiviso, la qualità variava in modo molto diverso 1. Alcuni repository di codice erano altamente strutturati e ben documentati, mentre altri fornivano molto poche indicazioni .

Il codice pubblico non equivale a codice riutilizzabile. Anche quando i ricercatori rendevano disponibile il proprio codice online, molti mancavano di includere la documentazione, i requisiti software e le informazioni di supporto necessarie perché qualcun altro potesse effettivamente eseguirlo e riprodurre i risultati 1.

Le pratiche variavano inoltre in modo sostanziale tra riviste e paesi 1. Tra le diverse riviste, la quota di studi che rendeva disponibile il proprio codice variava dallo zero a oltre il 70 percento . Alcune riviste che registravano bassi tassi di condivisione di codice mantenevano comunque politiche ufficiali che lo richiedevano, indicando che avere regole sulla carta potrebbe non bastare da solo a incoraggiare i ricercatori a condividere il proprio lavoro .

Thomas Sounack, primo autore dello studio, ha spiegato che una buona condivisione di codice significa "fornire informazioni sufficienti per comprendere cosa fa il codice e poterlo eseguire per riprodurre i risultati riportati nell'articolo" 1.

Definire un nuovo standard

I risultati, pubblicati recentemente su Nature Medicine, stanno ora contribuendo allo sviluppo di TRIPOD-Code, una linea guida per la segnalazione progettata per chiarire cosa i ricercatori dovrebbero condividere insieme al proprio codice 1. TRIPOD-Code si basa su checklist esistenti chiamate TRIPOD e TRIPOD+AI, che aiutano i ricercatori a riportare come i modelli di previsione clinica sono stati sviluppati e valutati .

Pollard ha detto che l'obiettivo è pratico: "Vogliamo dare ai ricercatori una guida pratica su come condividere il codice, e alle riviste aspettative più chiare da comunicare agli autori" 1.

Questa notizia segnala un andamento solo a scopo informativo. Non costituisce parere né incoraggiamento a effettuare alcuna di tali azioni.

La situazione

Solo circa uno su otto studi ha riportato la condivisione di codice, laddove il codice era effettivamente condiviso 1. Quando i ricercatori rendevano effettivamente pubblico il codice online, molti mancavano di includere la documentazione e i requisiti software necessari affinché qualcun altro potesse eseguirlo e riprodurre i risultati . La proporzione di studi che condividevano codice variava dallo zero a oltre il 70 percento a seconda della rivista, suggerendo pratiche disomogenee piuttosto che qualità uniforme . Avere politiche scritte sulla condivisione del codice appare insufficiente di per sé, poiché alcune riviste con bassi tassi di condivisione mantenevano comunque politiche ufficiali che lo richiedevano .

Correzioni e aggiornamenti

  • Corrected on 20 November 2026. Una versione precedente definiva TRIPOD-Code 'una nuova linea guida per la segnalazione'; la fonte lo descrive specificamente come 'una linea guida per la segnalazione in fase di sviluppo', riflettendo il suo attuale stadio di sviluppo anziché limitarsi a etichettarlo come nuovo.

I fatti principali

  • Quasi 4.000 studi medici e centinaia di repository di codice sono stati esaminati utilizzando AI
  • Solo circa uno su otto studi ha riportato la condivisione di codice
  • Dove il codice era condiviso, la qualità variava enormemente
  • - I risultati stanno orientando TRIPOD-Code, una linea guida per la segnalazione in fase di sviluppo
  • Studio pubblicato su Nature Medicine da ricercatori del MIT e di Dana-Farber

Fonti

  1. AI helps researchers investigate how thousands of medical studies share code

Se questa notizia riguarda te o la tua azienda, o usa qualcosa che ti appartiene, chiedi una correzione o la rimozione. Come funzionano le richieste

Continua a leggere