L’intelligenza artificiale supporta già oggi i fisioterapisti nelle attività di documentazione, ricerca e gestione delle informazioni dei pazienti. Ma di quali compiti può farsi carico? Ricerche recenti spiegano perché, sulla base delle conoscenze odierne, le competenze essenziali della fisioterapia rimangono quelle umane.
Testo: Physioswiss / Barbara Zesiger
Uno studio dell’istituto KOF del Politecnico federale di Zurigo dimostra che i cambiamenti portati dall’IA generativa nel mercato del lavoro svizzero sono già percepibili. A tale riguardo, è decisivo misurare il potenziale di automatizzazione non per le professioni nel loro insieme, ma a livello di singoli compiti (task). Sono interessate soprattutto le attività linguistiche, analitiche e digitali per le quali i modelli linguistici riescono ad abbreviare notevolmente il tempo di elaborazione (Kläui & Siegenthaler, 2025). Questo approccio basato sui compiti può essere applicato anche alla fisioterapia. A tale scopo è bene chiarire qual è l’essenza del lavoro fisioterapico.
L’IA automatizza compiti isolati. A prima vista si direbbe che anche la fisioterapia possa essere in gran parte suddivisa in singoli compiti – ad esempio anamnesi, acquisizione di reperti o documentazione. Il processo terapeutico non nasce però dalla corretta esecuzione dei singoli compiti, bensì dalla capacità dei fisioterapisti di collegarli progressivamente l’uno all’altro.
Il ragionamento clinico è descritto nella letteratura specialistica come un processo decisionale dipendente dal contesto, adattivo e progressivo (Huhn et al., 2019; Oostendorp et al., 2020). I fisioterapisti osservano, interpretano, formulano ipotesi, prendono decisioni e adattano costantemente il loro modo di procedere. Nel processo confluiscono anche i reperti fisici, come pure le reazioni al dolore, le abitudini quotidiane, le risorse e gli obiettivi personali dei pazienti (Huhn et al., 2019; Oostendorp et al., 2020).
È dunque possibile che due pazienti con la stessa diagnosi necessitino di trattamenti diversi. La capacità di carico, gli obiettivi, le patologie pregresse, la motivazione e le condizioni di vita variano. Solamente collegando fra loro tutte queste informazioni è possibile una decisione terapeutica ponderata (Oostendorp et al., 2020).
Una componente fondamentale di questo processo è la relazione terapeutica. Alcune revisioni sistematiche indicano che un’alleanza solida fra fisioterapista e paziente migliora i risultati del trattamento, soprattutto nelle patologie muscoloscheletriche (Taccolini Manzoni et al., 2018; Kinney et al., 2020; Puustinen et al., 2026). Gli elementi distintivi di tale alleanza sono la definizione condivisa degli obiettivi, la fiducia reciproca e la collaborazione attiva (Puustinen et al., 2026).
Nella fisioterapia questa relazione non si sviluppa solo in fase di colloquio. Anche l’esame fisico e l’intervento manuale sono forme di contatto professionale (Geri et al., 2019) che coniugano competenza specialistica e interazione umana e al tempo stesso forniscono informazioni sulle reazioni dei pazienti. Questo feedback confluisce direttamente nel ragionamento clinico e nell’ulteriore trattamento (Geri et al., 2019). A oggi non esistono evidenze del fatto che l’IA sia altrettanto capace di effettuare questo collegamento fra contatto, relazione e processi decisionali situazionali (Hao et al., 2025).
Secondo le attuali conoscenze, non risulta che l’IA possa farsi carico dell’intero processo fisioterapico. Il suo potenziale consiste piuttosto nel sostegno che essa può fornire ai fisioterapisti in compiti standardizzabili e che occupano molto tempo. Scoping review recenti analizzano l’uso del machine learning per formulare prognosi e supportare le decisioni cliniche e l’acquisizione dei reperti (Reis et al., 2024).
La ricerca definisce questo approccio «augmentation»: l’IA amplia le possibilità per i professionisti, ma senza sostituirli (Reis et al., 2024; Hao et al., 2025). Il suo potenziale consiste nel lasciare loro più tempo da dedicare al ragionamento clinico, al dialogo con i pazienti e alla personalizzazione della terapia (Omon et al., 2025).
A oggi, il potenziale di automatizzazione dell’IA riguarda soprattutto i singoli compiti. La competenza chiave della fisioterapia consiste però nella capacità di integrare progressivamente le informazioni, di adattare le decisioni alle situazioni e di definire insieme ai pazienti l’ulteriore percorso di trattamento. L’IA può supportare questo processo ma, con le conoscenze attuali, non sostituirsi a esso. Piuttosto, essa aumenta i margini di libertà per fare ciò che contraddistingue questa professione: osservare, ascoltare, identificare connessioni e prendere decisioni terapeutiche personalizzate. Nell’era dell’IA questa competenza essenziale, e prettamente umana, riveste un’importanza ancor maggiore.
Geri, T., Viceconti, A., Minacci, M., Testa, M., & Rossettini, G. (2019). Manual therapy: Exploiting the role of human touch. Musculoskeletal Science and Practice, 44, 102044. https://doi.org/10.1016/j.msksp.2019.07.008
Hao, Y., et al. (2025). Artificial Intelligence in Physical Therapy: Evaluating ChatGPT’s Role in Clinical Decision Support for Musculoskeletal Care. Journal of Medical Systems. https://doi.org/10.1007/s10439-025-03676-4
Huhn, K., Gilliland, S. J., Black, L. L., Wainwright, S. F., & Christensen, N. (2019). Clinical reasoning in physical therapy: A concept analysis. Physical Therapy, 99(4), 440–456. https://doi.org/10.1093/ptj/pzy148
Kinney, M., Seider, J., Beaty, A. F., Coughlin, K., Dyal, B. W., & Clewley, D. (2020). The impact of therapeutic alliance in physical therapy for chronic musculoskeletal pain: A systematic review of the literature. Physiotherapy Theory and Practice, 36(8), 886–898. https://doi.org/10.1080/09593985.2018.1512034
Kläui, J., & Siegenthaler, M. (2025). KI und der Schweizer Arbeitsmarkt: Erste Evidenz zu Auswirkungen auf Arbeitslosigkeit und Stellenausschreibungen (KOF Studien Nr. 186).
Taccolini Manzoni, A. C., Bastos de Oliveira, N. T., Nunes Cabral, C. M., & Aquaroni Ricci, N. (2018). The role of the therapeutic alliance on pain relief in musculoskeletal rehabilitation: A systematic review. Physiotherapy Theory and Practice, 34(12), 901–915. https://doi.org/10.1080/09593985.2018.1431343
Omon, K., et al. (2025). Effects of Introducing Generative AI in Rehabilitation Clinical Documentation. Cureus. https://doi.org/10.7759/cureus.81313
Oostendorp, R. A. B., Elvers, J. W. H., & van Trijffel, E. (2020). Concept analysis of clinical reasoning in physical therapist practice. Physical Therapy, 100(8), 1353–1356. https://doi.org/10.1093/ptj/pzaa065
Puustinen, S., Kvist, T., & Stolt, M. (2026). The Core Components and Instruments of the Therapeutic Relationship in Musculoskeletal Physiotherapy. Musculoskeletal Care. https://doi.org/10.1002/msc.70219
Reis, F. J. J., Carvalho, M. B. L. D., Neves, G. D. A., Nogueira, L. C., & Meziat-Filho, N. (2024). Machine learning methods in physical therapy: A scoping review of applications in clinical context. Musculoskeletal Science & Practice, 74, 103184. https://doi.org/10.1016/j.msksp.2024.103184
