Tumore del rene: al San Raffaele di Milano un modello di AI stima il rischio prima dell’intervento chirurgico
Pubblicato su Nature Communications uno studio che descrive un modello di intelligenza artificiale interpretabile, sviluppato dall’Università Vita-Salute San Raffaele e dall’IRCCS Ospedale San Raffaele, capace di stimare, utilizzando soltanto otto parametri clinici già disponibili prima della chirurgia, il rischio individuale di mortalità tumore-specifica nei pazienti con carcinoma renale localizzato.
Milano, 10 luglio 2026 – Non tutti i tumori del rene si comportano allo stesso modo: pazienti con caratteristiche cliniche apparentemente simili possono avere evoluzioni molto diverse dopo l’intervento chirurgico.
Capire, già prima dell’operazione, chi presenta un rischio più elevato di malattia aggressiva è oggi una delle sfide ancora aperte dell’urologia oncologica.
Per rispondere a questa esigenza, un gruppo multidisciplinare dell’Università Vita-Salute San Raffaele e dell’Istituto di Ricerca Urologica (URI) dell’IRCCS Ospedale San Raffaele, in collaborazione con l’Unità di Chirurgia Robotica Urologica e Trapianto Renale dell’Università di Firenze e dell’Ospedale Careggi, ha sviluppato un nuovo modello di intelligenza artificiale capace di stimare, prima della chirurgia, il rischio di mortalità tumore-specifica nei pazienti con carcinoma renale non metastatico.
Il lavoro, pubblicato su Nature Communications, è stato sviluppato utilizzando dati clinici reali dei pazienti del San Raffaele e successivamente validato su una coorte indipendente proveniente da un altro centro. I risultati hanno confermato prestazioni superiori rispetto ai principali modelli prognostici attualmente disponibili.
Una medicina sempre più personalizzata
Il carcinoma a cellule renali è la forma più frequente di tumore del rene. La chirurgia resta il trattamento di riferimento per la malattia localizzata, ma circa un paziente su tre va incontro a recidiva o progressione.
Per questo motivo è importante individuare già nella fase preoperatoria i pazienti a rischio più elevato, così da orientare con maggiore consapevolezza l’intero percorso terapeutico: dalla strategia chirurgica alla sorveglianza successiva all’intervento, fino all’eventuale ricorso a trattamenti sistemici.
«Nella pratica clinica osserviamo ogni giorno pazienti che, pur con tumori apparentemente simili, possono avere prognosi molto diverse», spiega il dottor Alessandro Larcher, medico urologo dell’Unità Operativa di Urologia dell’IRCCS Ospedale San Raffaele.
«Disporre di uno strumento capace di stimare il rischio già prima dell’intervento significa poter aggiungere un elemento oggettivo alla valutazione clinica, a supporto di decisioni sempre più personalizzate. Il modello non sostituisce il giudizio del medico, ma nasce per affiancarlo».
Otto informazioni cliniche per stimare il rischio
Il modello utilizza soltanto otto variabili, tutte disponibili nella normale pratica assistenziale prima dell’intervento:
- dimensione del tumore;
- interessamento dei linfonodi;
- livello di emoglobina;
- conta piastrinica;
- funzionalità renale;
- età;
- indice di massa corporea;
- performance status del paziente, una misura clinica standardizzata delle sue condizioni generali.
L’algoritmo è stato sviluppato utilizzando i dati di una coorte di 2.536 pazienti trattati al San Raffaele negli ultimi anni ed è stato successivamente validato su una coorte indipendente di 580 pazienti dell’Azienda Ospedaliero-Universitaria Careggi di Firenze.
Questo passaggio rafforza l’attendibilità dei risultati anche al di fuori del centro nel quale il modello è stato sviluppato.
Tra gli studi che propongono modelli prognostici basati esclusivamente su variabili preoperatorie, quello condotto rappresenta, a oggi, la ricerca sviluppata sulla casistica più ampia.
Un aspetto particolarmente rilevante riguarda l’approccio scelto per l’intelligenza artificiale. Il modello finale è stato progettato secondo i principi della Explainable AI, un metodo che rende visibile e comprensibile il contributo delle singole variabili cliniche alla stima del rischio, anziché restituire un risultato sotto forma di “scatola nera”.
Questa caratteristica potrebbe favorirne la futura integrazione nella pratica clinica.
S-RACE: quando i dati della pratica clinica diventano strumenti per la ricerca
Lo studio rappresenta una nuova applicazione di S-RACE, la piattaforma sviluppata dall’Università Vita-Salute San Raffaele e dall’IRCCS Ospedale San Raffaele per trasformare i dati raccolti nella pratica clinica quotidiana, i cosiddetti Real World Data, in strumenti di supporto alla ricerca e alle decisioni cliniche, secondo i principi di un’intelligenza artificiale responsabile e interpretabile.
«Questo studio dimostra concretamente il potenziale di S-RACE», afferma il dottor Alberto Traverso, responsabile scientifico del gruppo di Data Science S-RACE del Centro di eccellenza per l’intelligenza artificiale.
«La nostra piattaforma ci consente di integrare grandi quantità di dati clinici raccolti nella pratica quotidiana, sviluppando modelli non soltanto accurati, ma anche trasparenti e comprensibili. È un passaggio fondamentale affinché queste tecnologie possano essere adottate con fiducia, prima nella ricerca e, in prospettiva, nella pratica clinica».
Attraverso una pipeline dedicata, ovvero una sequenza automatizzata di procedure che organizza, controlla la qualità dei dati clinici e li prepara per l’analisi, i ricercatori hanno trasformato migliaia di informazioni raccolte nella pratica assistenziale in un dataset pronto per lo sviluppo del modello.
Il confronto con il tradizionale processo di selezione manuale dei dati, curato da un clinico esperto, ha mostrato prestazioni sovrapponibili. Il risultato conferma che la pipeline automatizzata può affiancare in modo affidabile il lavoro degli specialisti nella preparazione dei dati per la ricerca.
È inoltre rilevante che l’algoritmo abbia individuato due nuove variabili, oltre ai sei predittori già presenti nel dataset clinico curato manualmente.
Questo risultato apre alla possibile scoperta di biomarcatori non considerati dagli attuali modelli prognostici largamente diffusi nel mondo urologico e individuati dall’intelligenza artificiale in modo agnostico, basandosi esclusivamente sui dati raccolti.
La forza dell’integrazione tra competenze cliniche e innovazione tecnologica
«Questo studio nasce dall’incontro tra una consolidata esperienza clinica nella gestione del carcinoma renale e competenze avanzate di intelligenza artificiale e scienza dei dati», commenta il professor Andrea Salonia, urologo, andrologo, direttore dell’Istituto di Ricerca Urologica – URI e professore ordinario di Urologia all’Università Vita-Salute San Raffaele.
«Sviluppare modelli di questo tipo significa valorizzare il patrimonio di dati clinici raccolto in oltre trent’anni di attività, trasformandolo in conoscenza utile a migliorare la presa in carico dei pazienti».
Determinante per raggiungere questo risultato è stato il contributo multidisciplinare di urologi, radiologi, esperti di intelligenza artificiale, data scientist e bioinformatici, che hanno lavorato insieme allo sviluppo e alla validazione del modello.
Un’intelligenza artificiale responsabile al servizio della medicina
«L’intelligenza artificiale può produrre un reale valore per la medicina soltanto se sviluppata secondo criteri di trasparenza, robustezza e verificabilità», conclude il professor Carlo Tacchetti, ordinario di Anatomia Umana e direttore del Programma Strategico di Intelligenza Artificiale dell’Università Vita-Salute San Raffaele.
«Il nostro obiettivo non è costruire algoritmi fini a sé stessi, ma strumenti affidabili in grado di supportare il medico nelle decisioni cliniche. Per questo il modello è stato reso disponibile anche attraverso un’applicazione web, che ne faciliterà la validazione in altri centri e potrà favorirne, in futuro, l’integrazione nei percorsi di ricerca clinica.
Questo modello è il primo di una serie in via di sviluppo presso S-RACE, dedicata ad altrettante domande cliniche relative a patologie oncologiche, cardiovascolari, neurologiche e metaboliche. Tre di questi modelli sono già stati completati e saranno presto pubblicati».
Lo studio è stato finanziato dal Ministero dell’Università e della Ricerca nell’ambito del progetto D³4Health – Digital Driven Diagnostics, Prognostics and Therapeutics for Sustainable Healthcare.
Lo studio scientifico
Nature Communications, 16 giugno 2026.
Autori: Alessandro Larcher, Alberto Traverso, Patrick Scuri, Umberto Capitanio, Giacomo Musso, Daniela Canibus, Simone Barbieri, Luca Caivano, Alan Zambello, Marco Denti, Riccardo Campi, Sergio Serni, Salvatore Granata, Anna Palmisano, Davide Vignale, Francesco Montorsi, Antonio Esposito, Carlo Tacchetti e Andrea Salonia.