La ricerca sul clinical reasoning (CR: ragionamento clinico) diagnostico spiega come nascono le decisioni cliniche e perché è fondamentale disporre di conoscenze ben organizzate. Al tempo stesso, l’adozione di strategie di apprendimento mirate consente di sviluppare sistematicamente le competenze diagnostiche.
Testo: Dr. Roger Hilfiker
Foti: StarDweller/peopleimages.com – AdobeStock
I fisioterapisti prendono ogni giorno tante decisioni – spesso con poco tempo a disposizione e informazioni incomplete. Il processo di ragionamento alla base di queste decisioni, noto come CR, consiste nel raccogliere, interpretare e collegare fra loro le informazioni lungo tutto il percorso terapeutico. Un elemento cardine di questo processo è la formulazione di diagnosi fisioterapiche – ed è di questo che tratta il presente articolo. Sono state volutamente escluse altre componenti del CR, quali il ragionamento narrativo (comprensione della storia e dell’esperienza del paziente), il ragionamento procedurale (pianificazione ed esecuzione di misure terapeutiche), il ragionamento interattivo (relazione terapeutica), il ragionamento collaborativo (definizione condivisa degli obiettivi), il ragionamento educativo (trasmissione mirata di conoscenze), il ragionamento predittivo (previsioni) e il ragionamento etico (gestione di dilemmi morali) (Edwards et al., 2004). Quando si prendono decisioni diagnostiche sbagliare è inevitabile: può capitare di formulare una diagnosi errata – o di scartare quella giusta. Per questo uno dei quesiti chiave della ricerca sul CR è: come ridurre gli errori?
Già negli anni ’70 del secolo scorso la ricerca ha dimostrato che il CR non è una strategia di risoluzione dei problemi isolata, che si possa apprendere o applicare in modo disgiunto dalle conoscenze cliniche. Al contrario, novizi ed esperti procedono in modo diverso: mentre i primi passano molto tempo a raccogliere dati e spesso formulano ipotesi troppo precise e «da manuale», i secondi elaborano ben presto fra tre e cinque ipotesi abbastanza generiche che poi riescono rapidamente a circoscrivere attingendo a conoscenze ben organizzate e informazioni rilevanti (Arocha et al., 1993). Inoltre, gli esperti si pongono meno domande che però sono più rilevanti e hanno un maggiore valore predittivo riguardo al fatto di includere o escludere una diagnosi. Chi è alla prime armi, invece, solleva più interrogativi che però incidono in misura minore sulla probabilità di un’ipotesi (Barrows & Bennett, 1972; Elstein et al., 1978; Kleinmuntz, 1968).
Negli anni ’80 è emerso anche che i clinici esperti formulano ipotesi grazie alla loro capacità di riconoscere i pattern, ossia di paragonare inconsciamente la situazione attuale del paziente ai casi di studio che hanno memorizzato. Questo approccio è preponderante nei casi di routine, mentre nei casi atipici anche gli esperti procedono in modo analitico (Feltovich & Barrows, 1984; Norman et al., 2007). Non essendo in grado di riconoscere questi pattern, i clinici meno esperti sono costretti a ricorrere a un più lento procedimento ipotetico-deduttivo (Jones et al., 2018).
Per riconoscere i pattern è necessario possedere conoscenze ben organizzate – ossia memorizzate in modo da poter collegare rapidamente la nuova situazione di un paziente con esperienze precedenti e con le nozioni specialistiche apprese. Un concetto risalente agli anni ’80 che ben descrive questo modo di strutturare le conoscenze è quello dei cosiddetti illness scripts (copioni di malattia) (Feltovich & Barrows, 1984), che spiegano come vengono memorizzati i decorsi tipici delle malattie e come riattivarli rapidamente durante il processo decisionale clinico. Secondo Feltovich & Barrows (1984) gli illness scripts constano di tre classici elementi:
Già nell’antichità si distingueva fra il pensiero rapido e intuitivo e quello lento e analitico. Nel CR il riconoscimento dei pattern corrisponde al processo rapido e intuitivo, mentre il procedimento ipotetico-deduttivo è associato al pensiero lento e analitico (Croskerry, 2009). Il cosiddetto approccio dual process che dagli anni ’80 è oggetto di discussioni sistematiche descrive l’elaborazione cognitiva come un’interazione fra questi due processi mentali (Evans, 1984). A far conoscere entrambi, nonché l’importanza della loro interazione, ad esempio per evitare errori, è stato il libro «Thinking, Fast and Slow» di Daniel Kahnemann (Kahneman, 2011).
Alcuni autori identificano come causa principale degli errori diagnostici il pensiero intuitivo incontrollato e per ridurli raccomandano l’adozione di strategie metacognitive (Gojanovic et al., 2022; Schwartzstein & Iyer, 2025). Altri sono dell’idea che un buon CR dipenda soprattutto da conoscenze specialistiche attinenti al problema in esame e non dalla scelta deliberata di una strategia di ragionamento (Norman et al., 2024). Le strategie di apprendimento volte a insegnare processi di ragionamento generici, come le strategie cognitive di de-biasing, sono verosimilmente meno efficaci di quelle che organizzano le conoscenze in modo mirato (Cooper et al., 2021; Norman et al., 2024). Fra queste rientra la riflessione strutturata incentrata su un raffronto di ipotesi sistematico e specifico, sui reperti che sostengono o confutano tali ipotesi e sulle spiegazioni alternative – ad esempio ponendosi domande come «Quali elementi avvallano l’ipotesi? Quali la smentiscono? Di cos’altro potrebbe trattarsi?» (Mamede & Schmidt, 2023; Prakash et al., 2019). Altrettanto importanti sono i casi di studio ripetuti e corredati di feedback.
Gli errori diagnostici possono verificarsi sia in caso di elaborazione rapida che di elaborazione analitica. Certo, in ogni situazione la verità non è mai solo bianca o solo nera (Elstein & Schwartz, 2002). In situazioni molto complesse con numerosi fattori di influenza e un’alta incertezza, come nella diagnosi della causa o nella prognosi del mal di schiena aspecifico, prendere decisioni basate su regole semplici può essere preferibile a seguire un procedimento analitico complesso (Gigerenzer & Gaissmaier, 2011). L’elemento determinante non è la strategia di ragionamento in sé e per sé, ma se essa sia adatta alla situazione specifica – il che, di nuovo, presuppone conoscenze specialistiche. Anche l’intuizione è importante nel riconoscimento dei pattern e deriva dall’esperienza e dalle conoscenze apprese. Pensieri come «qui qualcosa non torna» vanno presi sul serio (Langridge et al., 2016; Oliva-Fanlo et al., 2022), soprattutto quando intuito e reperti non collimano (Stolper et al., 2011).
Le strategie di apprendimento attivo si sono dimostrate particolarmente efficaci nella pratica. Fra queste rientrano l’auto-test per mezzo di schede o quiz, la spiegazione orale o scritta dei reperti o delle loro cause e il raffronto sistematico di argomenti pro o contro una diagnosi. È utile anche raccogliere e annotare le informazioni più importanti per poi cercare di capire quali reperti mancano. Serve anche paragonare diagnosi simili, analizzandone le analogie e le differenze – ad esempio relativamente ai sintomi chiave e alle red flags.
Altri metodi utili sono la discussione di casi in piccoli gruppi e i formati che prevedono uno scambio strutturato, come nell’approccio think-pair-share: ognuno riflette per conto proprio per circa 90 secondi e annota un paio di punti, dopodiché gli studenti si confrontano a coppie per 1-3 minuti e chiariscono gli interrogativi irrisolti. I risultati possono eventualmente essere poi condivisi con tutto il gruppo. Un altro metodo valido è il one-minute paper, in cui gli studenti riassumono brevemente per iscritto quali conclusioni chiave porteranno con sé, quali punti sono ancora poco chiari e come si sono sentiti nell’effettuare la valutazione (Bucklin et al., 2021; Chernikova et al., 2020; Mamede & Schmidt, 2023).
Le strategie di apprendimento dovrebbero adattarsi al livello di conoscenze pregresse: se queste sono limitate, l’uso di esempi predefiniti con soluzioni modello è particolarmente indicato. Cimentarsi nella soluzione di casi di studio reali è opportuno solo se le conoscenze preliminari sono maggiori. Per chi possiede già un solido bagaglio di conoscenze l’analisi sistematica di casi reali è estremamente proficua, mentre limitarsi agli esempi di soluzioni non apporta alcun beneficio in termini di apprendimento. Va ricordato che le strategie di apprendimento attivo sono molto più efficaci se accompagnate da feedback, sia esterno da parte di colleghi che interno tramite auto-verifica o attraverso il riconoscimento degli errori e il conseguente processo di riflessione (Chernikova et al., 2020; Chernikova et al., 2023; Chernikova et al., 2024).
Nel risolvere casi di studio a fini di perfezionamento personale, formulate le vostre ipotesi prima di leggere la soluzione. Strutturate ogni diagnosi sotto forma di illness script con queste tre componenti:
Enabling conditions: chi viene tipicamente colpito da questa malattia? Questi indicatori epidemiologici determinano la probabilità pre-test – ossia quanto è probabile la diagnosi prima di effettuare accertamenti. Un podista 25enne con dolore al ginocchio ha una probabilità pre-test diversa di soffrire di gonartrosi rispetto a una paziente 65enne sovrappeso.
Fault: cosa è alterato dal punto di vista fisiopatologico? Comprenderlo aiuta a ricavare i reperti attesi e riconoscere decorsi atipici.
Consequences: quali reperti vi aspettate – e in quale misura incidono sulla vostra stima di probabilità? Qui entrano in gioco i likelihood ratios, o rapporti di verosimiglianza, che indicano in quale misura il risultato di un test modifica la stima della presenza o assenza di una determinata diagnosi in un paziente. È un indicatore calcolato in base alla sensibilità e specificità di un test, che aiuta a stimare la probabilità di una diagnosi dopo il test rispetto alla probabilità prima del test. Un test positivo (LR+) rende più probabile la diagnosi, un test negativo (LR−) la rende meno probabile (Pewsner et al., 2001). Alcuni reperti sono rilevanti dal punto di vista diagnostico, altri non influiscono quasi per niente sulla probabilità. I vostri illness scripts dovrebbero quindi contenere non solo indicatori tipici, ma anche identificare espressamente i reperti rilevanti ai fini diagnostici – ossia quelli che avvallano fortemente la diagnosi (LR+ >5) e quelli che in pratica la escludono (LR− <0.2). Quali reperti distinguono questa malattia dalle principali diagnosi differenziali? Cosa non collima con la vostra ipotesi? Annotate negli illness scripts anche potenziali situazioni e misure precauzionali.
Fisioterapista/epidemiologo PhD, comproprietario dello studio di fisioterapia Tschopp und Hilfiker a Glis
Arocha, J. F., Patel, V. L., & Patel, Y. C. (1993). Hypothesis generation and the coordination of theory and evidence in novice diagnostic reasoning. Medical Decision Making, 13(3), 198–211.
Barrows, H. S., & Bennett, K. (1972). The diagnostic (problem solving) skill of the neurologist: experimental studies and their implications for neurological training. Archives of Neurology, 26(3), 273–277.
Boshuizen, H. P., & Schmidt, H. G. (1992). On the role of biomedical knowledge in clinical reasoning by experts, intermediates and novices. Cognitive science, 16(2), 153–184.
Bucklin, B. A., Asdigian, N. L., Hawkins, J. L., & Klein, U. (2021). Making it stick: use of active learning strategies in continuing medical education. BMC Medical Education, 21(1), 44.
Chernikova, O., Heitzmann, N., Fink, M. C., Timothy, V., Seidel, T., Fischer, F., & COSIMA, D. R. g. (2020). Facilitating diagnostic competences in higher education—a meta-analysis in medical and teacher education. Educational Psychology Review, 32(1), 157–196.
Chernikova, O., Holzberger, D., Heitzmann, N., Stadler, M., Seidel, T., & Fischer, F. (2023). Where salience goes beyond authenticity. Zeitschrift für Pädagogische Psychologie.
Chernikova, O., Sommerhoff, D., Stadler, M., Holzberger, D., Nickl, M., Seidel, T., Kasneci, E., Küchemann, S., Kuhn, J., & Fischer, F. (2024). Personalization through adaptivity or adaptability? A meta-analysis on simulation-based learning in higher education. Educational Research Review, 100662.
Cooper, N., Bartlett, M., Gay, S., Hammond, A., Lillicrap, M., Matthan, J., Singh, M., & group, U. C. R. i. M. E. c. s. (2021). Consensus statement on the content of clinical reasoning curricula in undergraduate medical education. Medical Teacher, 43(2), 152–159.
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public interest, 14(1), 4–58.
Edwards, I., Jones, M., Carr, J., Braunack-Mayer, A., & Jensen, G. M. (2004). Clinical reasoning strategies in physical therapy. Phys Ther, 84(4), 312–330; discussion 331–315.
Elstein, A. S., & Schwartz, A. (2002). Clinical problem solving and diagnostic decision making: selective review of the cognitive literature. BMJ, 324(7339), 729–732. https://doi.org/10.1136/bmj.324.7339.729
Elstein, A. S., Shulman, L. S., & Sprafka, S. A. (1978). Medical problem solving: An analysis of clinical reasoning. Harvard University Press.
Evans, J. S. B. (1984). Heuristic and analytic processes in reasoning. British Journal of Psychology, 75(4), 451–468.
Feltovich, P. J., & Barrows, H. S. (1984). Issues of generality in medical problem solving. Tutorials in problem-based learning, 128–142.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual review of psychology, 62(2011), 451–482.
Gojanovic, B., Fourchet, F., & Gremeaux, V. (2022). Cognitive biases cloud our clinical decisions and patient expectations: A narrative review to help bridge the gap between evidence-based and personalized medicine. Ann Phys Rehabil Med, 65(4), 101551. https://doi.org/10.1016/j.rehab.2021.101551
Harvey, C.-J., Leedham-Green, K. E., Koppel, C., Maini, A., Smith, S. F., Morrell, M. J., & Emerson, M. (2025). Improving medical students’ learning strategies, management of workload and wellbeing: a mixed methods case study in undergraduate medical education. BMC Medical Education, 25(1), 606.
Jones, M., Edwards, I., & Jensen, G. M. (2018). Clinical reasoning in physiotherapy. Clinical reasoning in the health professions, 4, 247–260.
Kahneman, D. (2011). Thinking, fast and slow. macmillan.
Kleinmuntz, B., & (1968). Formal representation of human judgment (Vol. 3). Wiley.
Langridge, N., Roberts, L., & Pope, C. (2016). The role of clinician emotion in clinical reasoning: Balancing the analytical process. Manual therapy, 21, 277–281.
Mamede, S., & Schmidt, H. G. (2023). Deliberate reflection and clinical reasoning: Founding ideas and empirical findings. Med Educ, 57(1), 76–85. https://doi.org/10.1111/medu.14863
Norman, G., Pelaccia, T., Wyer, P., & Sherbino, J. (2024). Dual process models of clinical reasoning: The central role of knowledge in diagnostic expertise. J Eval Clin Pract, 30(5), 788–796. https://doi.org/10.1111/jep.13998
Norman, G., Young, M., & Brooks, L. (2007). Non‐analytical models of clinical reasoning: the role of experience. Medical education, 41(12), 1140–1145.
Oliva-Fanlo, B., March, S., Gadea-Ruiz, C., Stolper, E., Esteva, M., & group, C. (2022). Prospective Observational Study on the Prevalence and Diagnostic Value of General Practitioners’ Gut Feelings for Cancer and Serious Diseases. Journal of general internal medicine, 37(15), 3823–3831.
Pewsner, D., Bleuer, J. P., Bucher, H. C., Battaglia, M., Jüni, P., & Egger, M. (2001). Der Intuition auf der Spur? Das Bayes’sche Theorem und die Diagnostik in der Grundversorgung: Teil I. Schweizerisches Medizinisches Forum, 1(3), 41–45.
Prakash, S., Sladek, R. M., & Schuwirth, L. (2019). Interventions to improve diagnostic decision making: a systematic review and meta-analysis on reflective strategies. Medical Teacher, 41(5), 517–524.
Schwartzstein, R. M., & Iyer, A. A. (2025). Critical Thinking for 21st-Century Medicine-Moving Beyond Illness Scripts. JAMA, 334(17), 1509–1510. https://doi.org/10.1001/jama.2025.14901
Stolper, E., Van de Wiel, M., Van Royen, P., Van Bokhoven, M., Van der Weijden, T., & Dinant, G. J. (2011). Gut feelings as a third track in general practitioners’ diagnostic reasoning. Journal of general internal medicine, 26(2), 197–203.
