Abstract

Contesto. L’intelligenza artificiale (IA) viene utilizzata sempre più frequentemente per la valutazione delle lesioni cutanee. Tuttavia, la fiducia in questa tecnologia dipende non soltanto dalla sua accuratezza in condizioni di laboratorio, ma anche dalla trasparenza dei dati relativi alle sue prestazioni nella pratica clinica reale. La maggior parte degli studi dimostra un’elevata accuratezza in condizioni controllate, ma pochi rapporti combinano la validazione tecnica, una valutazione clinica indipendente e il confronto con la letteratura scientifica.

Obiettivo. Valutare le potenzialità e i limiti dell’analisi della pelle mediante IA sulla base di tre fonti: lo Skinive Accuracy Report 2026, una valutazione clinica indipendente condotta presso un centro medico specializzato e le più recenti pubblicazioni scientifiche sottoposte a revisione paritaria.

Metodi. È stata condotta un’analisi approfondita dei dati di validazione tecnica dell’algoritmo Skinive, di una valutazione clinica indipendente su un campione di casi clinici complessi e della letteratura scientifica pubblicata.

Risultati. L’algoritmo Skinive mostra un miglioramento continuo delle proprie prestazioni da una versione all’altra. Durante la valutazione indipendente di casi clinici complessi, è stato ottenuto un risultato clinicamente utile nell’80% dei casi. Questo comprendeva una diagnosi corretta tra le prime tre previsioni, l’identificazione corretta del gruppo di patologie oppure una raccomandazione appropriata per l’invio del paziente a uno specialista.

Conclusioni. L’analisi della pelle mediante IA può fornire un contributo clinicamente significativo alla valutazione iniziale delle lesioni cutanee, a condizione che venga utilizzata come strumento di supporto decisionale e non come sostituto del medico. Sono necessari ulteriori studi prospettici multicentrici.

Introduzione

L’intelligenza artificiale è diventata una delle tecnologie in più rapida evoluzione nel campo della dermatologia. In condizioni controllate, i sistemi di deep learning possono raggiungere livelli di accuratezza paragonabili a quelli dei dermatologi esperti. Tuttavia, trasferire questi risultati nella pratica clinica quotidiana rimane una sfida importante.

La maggior parte degli studi valuta l’IA utilizzando metriche tradizionali, tra cui sensibilità, specificità e area sotto la curva ROC (AUROC). Tuttavia, questi indicatori non descrivono completamente il comportamento di un sistema quando vengono utilizzate immagini di qualità variabile, in presenza di patologie rare o in popolazioni di pazienti eterogenee.

Per questo motivo, le evidenze provenienti dalla pratica clinica reale (Real-World Evidence, RWE) stanno assumendo un’importanza crescente nella valutazione delle tecnologie mediche basate sull’intelligenza artificiale.

Il presente rapporto combina validazione tecnica, valutazione clinica indipendente e confronto con la letteratura scientifica.

L’obiettivo non è affermare che l’IA sia in grado di formulare una diagnosi definitiva.

L’attenzione si concentra invece sul suo ruolo come strumento di supporto decisionale per la valutazione precoce dei rischi, l’autoesame della pelle e la definizione delle priorità nell’invio dei pazienti agli specialisti.

Fonti delle evidenze scientifiche

Il rapporto si basa su tre fonti indipendenti di evidenze:

1. Skinive Accuracy Report 2026 — validazione tecnica dell’algoritmo mediante una metodologia standardizzata.
2. Valutazione clinica indipendente, condotta presso un centro medico specializzato su un campione di casi clinici complessi.
3. Letteratura scientifica recente, dedicata all’intelligenza artificiale in dermatologia e nella sanità digitale.

Ogni fonte fornisce un livello distinto di evidenza.

La validazione tecnica misura le prestazioni in condizioni standardizzate; la valutazione clinica esamina il comportamento del sistema nei casi complessi; la letteratura scientifica offre un contesto esterno per interpretare i risultati.

Risultati di 6,5 milioni di analisi della pelle con IA in condizioni reali

Come viene utilizzata l’intelligenza artificiale nella pratica dermatologica quotidiana?

Dal lancio della piattaforma, Skinive ha effettuato oltre 6,57 milioni di analisi della pelle mediante IA (terzo trimestre 2026).

Questo rappresenta uno dei più grandi insiemi di dati proprietari relativi alla valutazione della pelle tramite smartphone in condizioni reali.

Questi dati non rappresentano la prevalenza delle patologie nella popolazione generale. Tuttavia, permettono di comprendere come gli utenti utilizzino effettivamente l’intelligenza artificiale dermatologica nella vita quotidiana.

Figura: Distribuzione geografica delle analisi della pelle mediante IA.

Interpretazione principale: il dataset riflette l’utilizzo quotidiano della tecnologia in diversi sistemi sanitari e regioni geografiche, rappresentando un’ampia varietà di condizioni di utilizzo reali.

Distribuzione geografica. La maggior parte delle analisi proviene da Germania, Russia, India, Regno Unito, Francia, Italia, Bangladesh, Spagna, Australia e Brasile.

Seguono Argentina, Colombia, Paesi Bassi, Messico, Polonia, Bielorussia, Stati Uniti, Austria, Cile e Filippine.

Quali problemi della pelle vengono realmente analizzati dagli utenti?

Gli utenti non ricorrono all’intelligenza artificiale esclusivamente per individuare il cancro della pelle.

Tra le alterazioni cutanee rilevate, le patologie infiammatorie della pelle rappresentano la categoria più numerosa.

Figura: Distribuzione delle alterazioni cutanee rilevate dall’IA.

Interpretazione principale: le patologie infiammatorie della pelle costituiscono la principale categoria di utilizzo dell’IA dermatologica in condizioni reali, mentre la valutazione del rischio di cancro della pelle rimane una delle applicazioni clinicamente più importanti.

Rilevamento dei rischi clinicamente significativi

Nel 14,68% di tutte le analisi effettuate mediante IA sono state rilevate alterazioni classificate come indicatori di rischio clinicamente significativi, che richiedono ulteriore attenzione.

Non si tratta di diagnosi confermate, ma di raccomandazioni generate dall’algoritmo riguardo alla possibile necessità di una visita specialistica.

Figura: Rilevamento dei rischi clinicamente significativi.

Interpretazione principale: percentuale di analisi della pelle mediante IA che hanno prodotto raccomandazioni associate a indicatori di rischio clinicamente significativi.

L’elevata frequenza di rilevamento dei rischi può essere spiegata in parte da un bias di autoselezione: gli utenti scelgono autonomamente di analizzare le alterazioni cutanee che considerano sospette.

Piattaforme mobili e accessibilità

Circa il 60–65% delle analisi è stato effettuato su dispositivi Android, mentre le restanti sono state eseguite da utenti iPhone.

Questa distribuzione dimostra l’ampia accessibilità delle tecnologie dermatologiche basate su smartphone, indipendentemente dall’ecosistema mobile utilizzato.

Figura: Distribuzione delle analisi per piattaforma mobile.

La qualità delle immagini rimane il principale fattore migliorabile

Tra le analisi che non è stato possibile completare correttamente, la maggior parte degli errori era associata a due fattori prevenibili:

• illuminazione insufficiente;
• immagini sfocate a causa di una messa a fuoco errata o del movimento della fotocamera.

A differenza delle limitazioni legate alla morfologia delle lesioni cutanee o alle caratteristiche tecniche della fotocamera, questi fattori possono essere corretti direttamente dagli utenti.

Figura: Principali cause della riduzione della qualità delle immagini.

Interpretazione principale: fornire agli utenti istruzioni più efficaci per fotografare correttamente la pelle può migliorare ulteriormente le prestazioni diagnostiche senza modificare l’algoritmo di IA.

Principali osservazioni basate sui dati reali

L’analisi di oltre 6,57 milioni di valutazioni della pelle mediante IA permette di individuare diverse tendenze importanti che vanno oltre i tradizionali studi di validazione.

• L’IA dermatologica viene utilizzata per valutare le patologie infiammatorie della pelle più frequentemente di quanto molti professionisti sanitari potrebbero aspettarsi.
• Gli utenti ricorrono all’IA per valutare problemi cutanei specifici, piuttosto che principalmente per uno screening preventivo generalizzato.
• La qualità delle immagini è il principale fattore modificabile che influenza il completamento corretto di un’analisi.
• Il continuo ampliamento dei dataset clinici proprietari ha consentito di migliorare progressivamente l’algoritmo, soprattutto nel riconoscimento delle lesioni pigmentate e nella valutazione del rischio di cancro della pelle.

Accuracy Report 2026: risultati principali

Il Skinive Accuracy Report 2026 documenta l’evoluzione dell’algoritmo Skinive utilizzando una metodologia standardizzata, applicata in modo coerente alle diverse versioni.

• L’algoritmo riconosce 55 patologie cutanee.
• Per l’addestramento sono state utilizzate circa 250.000 immagini annotate clinicamente.
• Dal lancio della piattaforma sono state effettuate oltre 6,5 milioni di analisi della pelle mediante IA.
• È stato documentato un miglioramento continuo di sensibilità, specificità, accuratezza e punteggio F1.

Figura: Evoluzione degli indicatori di prestazione dell’IA Skinive (2021–2026).

Interpretazione principale: i miglioramenti sono stati ottenuti senza ottimizzare un indicatore a scapito degli altri. Le prestazioni complessive dell’algoritmo sono diventate più equilibrate.

Questo equilibrio è particolarmente importante per i sistemi di supporto alle decisioni cliniche, che devono considerare sia il rischio di non rilevare determinate lesioni sia la probabilità di risultati falsi positivi.

Valutazione clinica in condizioni complesse presso un centro medico specializzato

Disegno dello studio

Nel 2026, Skinive è stato sottoposto a una valutazione clinica presso un centro medico specializzato, il cui nome non viene divulgato a causa di obblighi di riservatezza.

Il centro gestisce casi clinici complessi inviati da medici di medicina generale e dermatologi.

Lo studio rappresenta quindi una valutazione in condizioni particolarmente impegnative, e non uno studio di screening sulla popolazione generale.

• Sono stati effettuati complessivamente 241 esami.
• 160 casi disponevano di dati completi e hanno costituito il campione principale dello studio.
• Diagnosi di riferimento: esame istopatologico in 117 casi, esame citologico in 22 casi e diagnosi clinica formulata da un dermatologo in 21 casi.

La valutazione è stata effettuata su diversi livelli:

• Corrispondenza esatta con la prima, seconda o terza previsione dell’algoritmo (Top 1, Top 2 e Top 3).
• Corretta identificazione del gruppo di patologie.
• Appropriato invio del paziente a uno specialista in base al livello di rischio.
• Assenza completa di corrispondenza.
• Casi relativi a patologie non riconosciute dall’algoritmo.

Le differenze tra carcinoma basocellulare e carcinoma squamocellulare della pelle, così come tra melanoma e melanoma su lentigo maligna, non sono state considerate errori.

Queste patologie possono essere difficili da distinguere visivamente e richiedono un esame istologico.

Popolazione dello studio

Il campione era particolarmente selezionato e complesso.

Prevalevano i casi con sospetto di melanoma, carcinoma basocellulare, carcinoma squamocellulare, malattia di Bowen e nevi displastici.

Le lesioni benigne semplici erano praticamente assenti.

Questa caratteristica è fondamentale per interpretare correttamente i risultati.

In una normale popolazione sottoposta a screening, la maggior parte delle lesioni cutanee è benigna e presenta caratteristiche tipiche.

In questo studio, invece, erano rappresentate in misura sproporzionata lesioni atipiche, maligne, precancerose e difficili da distinguere mediante diagnosi differenziale.

Pertanto, i risultati non possono essere direttamente generalizzati allo screening della popolazione generale.

Risultati

• Corrispondenza esatta con la prima previsione (Top 1): 87 casi su 160, pari al 54,4%.
• Corrispondenza esatta tra le prime tre previsioni (Top 3): in altri 19 casi (11,9%) la diagnosi corretta corrispondeva alla seconda previsione e in 7 casi (4,4%) alla terza. Complessivamente, la diagnosi corretta era inclusa tra le prime tre previsioni in 113 casi su 160, pari al 70,6%.
• Corretta identificazione del gruppo di patologie: altri 6 casi (3,75%). La diagnosi specifica non coincideva, ma il gruppo di patologie era stato identificato correttamente.
• Invio appropriato allo specialista: 9 casi (5,6%). La diagnosi e il gruppo di patologie non coincidevano, ma la valutazione del rischio portava a una decisione appropriata sull’invio del paziente.
• Risultato complessivamente utile dal punto di vista clinico: combinando le corrispondenze tra le prime tre previsioni, la corretta classificazione per gruppi di patologie e le raccomandazioni appropriate per l’invio allo specialista, Skinive ha fornito un risultato clinicamente utile in 128 casi su 160, pari all’80,0%.
• Casi rimanenti: 6 patologie non riconosciute (3,75%) e 26 risultati completamente errati (16,25%).
• Analisi del sottogruppo: tra 23 casi senza esame istologico o con risultati citologici incerti, una delle prime tre previsioni coincideva con la diagnosi clinica del dermatologo in 19 casi (82,6%). Sono state osservate discrepanze in 4 casi (17,4%), di cui 3 riguardavano patologie non riconosciute dall’algoritmo.

Interpretazione clinica

La conclusione principale non è che Skinive abbia formulato una diagnosi esatta in tutti i casi: non è stato così.

L’aspetto fondamentale è che il sistema ha mantenuto un valore diagnostico o un’utilità pratica per le decisioni di invio allo specialista nell’80% dei casi di un campione particolarmente complesso proveniente da un centro medico specializzato.

Per uno strumento di supporto decisionale, la corrispondenza diagnostica esatta e l’invio appropriato del paziente rappresentano due risultati correlati, ma distinti.

L’esame istopatologico rimane indispensabile per la classificazione definitiva di molte lesioni cutanee maligne e borderline.

Pertanto, una risposta dell’IA basata sulla fotografia di una lesione cutanea non dovrebbe essere valutata esclusivamente in base alla capacità di riprodurre una classificazione istologica.

Anche la capacità del sistema di riconoscere segni clinicamente sospetti, determinare il livello di rischio e favorire una visita specialistica tempestiva ha un valore clinico.

Profilo degli errori: i risultati completamente errati rappresentavano il 16,25% dei casi.

Riguardavano principalmente patologie rare, tra cui nevo di Spitz, xantogranuloma giovanile e granuloma piogenico, oltre a manifestazioni atipiche di patologie comuni.

I risultati falsi positivi erano più frequenti dei falsi negativi.

Dal punto di vista della prevenzione oncologica, una tendenza ai falsi positivi può essere preferibile in determinate circostanze, poiché può ridurre il rischio di non individuare una lesione pericolosa.

Tuttavia, anche i falsi positivi hanno conseguenze: possono provocare ansia, determinare visite mediche non necessarie e aumentare il carico sul sistema sanitario.

L’equilibrio ottimale dipende dal contesto clinico e dalla disponibilità degli specialisti.

I risultati supportano l’utilizzo di Skinive come strumento complementare per il rilevamento dei rischi e il supporto alle decisioni cliniche, ma non come sistema diagnostico autonomo.

Limiti dello studio

• Il campione principale comprende soltanto 160 casi, limitando la precisione statistica dei risultati.
• Il campione non è stato reclutato consecutivamente e non è rappresentativo della popolazione generale. Contiene un’elevata proporzione di lesioni complesse e maligne, introducendo un bias di spettro e un bias di selezione.
• Non tutte le diagnosi di riferimento sono state confermate mediante esame istologico.
• L’indicatore complessivo dell’80% combina tre diversi livelli di valutazione. Pertanto, non deve essere presentato come un’«accuratezza diagnostica dell’80%». Le percentuali rigorose di corrispondenza Top 1 e Top 3 sono rispettivamente del 54,4% e del 70,6%.
• I risultati non possono essere trasferiti direttamente allo screening della popolazione generale, all’assistenza primaria o all’autovalutazione della pelle da parte degli utenti.

Confronto con la letteratura scientifica pubblicata

Negli ultimi dieci anni, numerosi studi hanno dimostrato che i sistemi di deep learning possono raggiungere prestazioni paragonabili a quelle dei dermatologi in specifiche attività di classificazione svolte in condizioni controllate.

Tuttavia, gli stessi studi sottolineano che l’accuratezza raggiunta in laboratorio non garantisce prestazioni equivalenti nella pratica clinica quotidiana.

Le revisioni sistematiche evidenziano una notevole eterogeneità tra gli studi.

Le differenze nelle modalità di acquisizione delle immagini, nella prevalenza delle patologie, nei metodi di riferimento e negli indicatori utilizzati rendono difficili i confronti diretti.

Per questo motivo, vengono sempre più raccomandate la validazione clinica prospettica e l’utilizzo di dati provenienti dalla pratica reale.

I risultati di Skinive sono coerenti con questa tendenza.

Mostrano miglioramenti progressivi ottenuti attraverso uno sviluppo iterativo, l’ampliamento dei dataset e una validazione continua, piuttosto che grazie a un singolo progresso tecnologico.

Il rapporto non intende dimostrare la superiorità di Skinive rispetto ad altri sistemi.

Le differenze nel disegno degli studi e nella composizione dei campioni non consentono confronti diretti scientificamente fondati.

Le conclusioni sono coerenti con il consenso scientifico emergente: una valutazione affidabile dei sistemi di supporto alle decisioni cliniche richiede diverse fonti di evidenza complementari.

Discussione

Il presente rapporto combina tre fonti di evidenza: validazione tecnica, valutazione clinica indipendente e confronto con la letteratura scientifica.

La validazione tecnica dimostra il miglioramento continuo dell’algoritmo.

La valutazione clinica integra questi risultati mostrando come il sistema funzioni in condizioni diagnostiche significativamente più complesse.

La letteratura scientifica fornisce un contesto esterno che permette di interpretare le osservazioni in modo più accurato.

Una conclusione importante è che la valutazione dell’IA medica deve andare oltre un singolo indicatore.

La corrispondenza diagnostica esatta rimane importante, ma non rappresenta completamente il valore clinico dei sistemi progettati per la valutazione iniziale e l’invio dei pazienti agli specialisti.

Anche in un campione specializzato di casi complessi, Skinive ha spesso fornito un contributo clinicamente significativo attraverso indicazioni per la diagnosi differenziale, il riconoscimento dei gruppi di patologie o raccomandazioni per la visita specialistica.

Implicazioni pratiche per l’assistenza primaria, la teledermatologia e l’autovalutazione della pelle: spesso la domanda principale non è «Qual è la diagnosi esatta?», ma «Questo paziente dovrebbe essere visitato da un medico?».

Se utilizzata correttamente, l’IA può contribuire al rilevamento precoce dei rischi, aumentare la consapevolezza dei pazienti e supportare la definizione delle priorità nelle visite specialistiche.

La tecnologia integra quindi l’esame clinico, la dermatoscopia e l’esame istologico, senza sostituirli.

Il rapporto sottolinea inoltre l’importanza della trasparenza.

La sola accuratezza tecnica fornisce una rappresentazione incompleta delle prestazioni di un sistema.

Le valutazioni indipendenti, l’analisi dei limiti e il confronto con la letteratura scientifica consentono un’interpretazione più realistica dei risultati.

Limiti e prospettive future

• La valutazione clinica è stata condotta presso un centro medico specializzato su un campione di pazienti altamente selezionato. Pertanto, i risultati non riflettono le normali condizioni dell’assistenza primaria o dell’autoesame della pelle.
• Non tutte le lesioni cutanee sono state sottoposte alle stesse procedure di conferma diagnostica.
• La mancanza di accesso pubblico al dataset completo limita la possibilità di riprodurre indipendentemente i risultati, nonostante la pubblicazione della metodologia e degli indicatori di prestazione.
• Nessun singolo dataset, studio o indicatore può descrivere completamente l’affidabilità di un sistema di IA. Sono necessari ulteriori dati reali, valutazioni esterne indipendenti e studi prospettici multicentrici.
• I futuri rapporti dovrebbero includere dataset prospettici più ampi, studi longitudinali, nuove valutazioni indipendenti e ulteriori risultati relativi all’invio dei pazienti agli specialisti.

Conclusioni

L’intelligenza artificiale svolge un ruolo sempre più importante nella dermatologia moderna.

Tuttavia, la fiducia in queste tecnologie deve basarsi su evidenze scientifiche trasparenti, non su singoli indicatori di prestazione.

Conclusioni principali:

1. La validazione tecnica dimostra il miglioramento continuo dell’algoritmo Skinive da una versione all’altra.
2. La valutazione clinica indipendente conferma un’utilità clinicamente significativa in condizioni complesse: in un campione particolarmente impegnativo, sono stati ottenuti risultati clinicamente utili nell’80% dei casi.
3. L’utilità clinica non si limita all’accuratezza diagnostica. La corretta classificazione delle patologie e le raccomandazioni appropriate per l’invio agli specialisti rappresentano componenti importanti del supporto decisionale.
4. I risultati sono coerenti con la letteratura scientifica, che sottolinea sempre più la necessità di combinare validazione tecnica, dati reali e valutazioni cliniche indipendenti.
5. La trasparenza riguardo ai punti di forza e ai limiti è fondamentale. Un utilizzo responsabile dell’IA richiede validazione continua, valutazioni indipendenti e pubblicazione regolare dei risultati.

L’IA non sostituisce il dermatologo.

Tuttavia, se integrata correttamente nei percorsi dermatologici esistenti, può supportare la valutazione precoce dei rischi, aumentare la consapevolezza dei pazienti e migliorare la definizione delle priorità nelle visite specialistiche.

Disponibilità dei dati

Il dataset completo utilizzato per l’addestramento e le raccolte proprietarie di immagini non sono disponibili pubblicamente a causa della presenza di dati clinici protetti e dei diritti di proprietà intellettuale.

Gli indicatori aggregati delle prestazioni, la metodologia e i risultati della validazione sono riportati nello Skinive Accuracy Report 2026 e nelle relative pubblicazioni scientifiche.

Dichiarazione sui conflitti di interesse

Kirill Sokol è il fondatore di Skinive.

Gli autori sono coinvolti nello sviluppo, nella validazione e nella commercializzazione della piattaforma di intelligenza artificiale Skinive.

La valutazione clinica indipendente descritta nel presente rapporto è stata condotta da professionisti sanitari di un centro dermatologico specializzato di terzo livello.

La struttura sanitaria ha mantenuto la piena responsabilità della definizione delle diagnosi di riferimento secondo la normale pratica clinica.

Il nome della struttura non viene divulgato in conformità con un accordo di riservatezza. Questa circostanza non influisce sull’interpretazione dei risultati presentati.

Gli autori dichiarano di non avere ulteriori conflitti di interesse.

Domande frequenti (FAQ)

Che cos’è lo Skinive Real-World Evidence Report?

Lo Skinive Real-World Evidence Report riassume i risultati di oltre 6,5 milioni di analisi della pelle mediante IA, combinandoli con dati di validazione clinica ed evidenze scientifiche provenienti da pubblicazioni sottoposte a revisione paritaria.

L’obiettivo del rapporto è descrivere in modo trasparente le prestazioni dell’IA Skinive nell’utilizzo quotidiano, la sua accuratezza diagnostica e i limiti dei grandi dataset raccolti in condizioni reali.

Perché un dataset di 6,5 milioni di analisi della pelle è così importante?

I grandi dataset reali permettono di valutare gli algoritmi di IA su un’ampia varietà di tipi di pelle, condizioni di acquisizione delle immagini e manifestazioni cliniche che possono essere difficili da riprodurre completamente negli studi controllati.

Forniscono inoltre informazioni preziose su come le persone utilizzano effettivamente le tecnologie dermatologiche basate sull’IA nella vita quotidiana.

L’intelligenza artificiale può rilevare accuratamente il cancro della pelle?

L’intelligenza artificiale può aiutare a identificare lesioni cutanee che richiedono attenzione medica, comprese lesioni pigmentate sospette che potrebbero essere associate al melanoma o ad altre forme di cancro della pelle.

Tuttavia, l’IA deve essere considerata uno strumento di supporto decisionale e non un sostituto dell’esame clinico o della diagnosi istopatologica.

L’intelligenza artificiale può sostituire un dermatologo?

No. L’IA è progettata per supportare la valutazione precoce dei rischi e la decisione sulla necessità di una visita specialistica, non per sostituire i dermatologi.

Le diagnosi definitive e le decisioni terapeutiche devono sempre essere formulate da professionisti sanitari qualificati.

Quali fattori compromettono più frequentemente le prestazioni dell’IA nell’analisi della pelle?

Le cause più comuni di analisi delle immagini non riuscite o di riduzione della qualità delle immagini sono:

• illuminazione insufficiente;
• immagini sfocate;
• messa a fuoco errata;
• inquadratura incompleta della lesione cutanea.

Migliorare la qualità delle immagini aumenta significativamente l’affidabilità dell’analisi della pelle mediante IA.

Skinive è stato sottoposto a validazione clinica?

Sì. Skinive ha pubblicato diversi studi di validazione e un rapporto annuale sull’accuratezza (Accuracy Report), che descrive la metodologia, i dataset di validazione e gli indicatori delle prestazioni diagnostiche dell’algoritmo.

Le evidenze cliniche vengono aggiornate continuamente con l’evoluzione della piattaforma.

Per maggiori informazioni, consulta Clinical Evidence Hub.

Quali smartphone sono stati utilizzati per le analisi della pelle mediante IA?

Circa il 60–65% degli esami è stato effettuato su dispositivi Android, mentre le restanti analisi sono state eseguite da utenti iPhone.

Questa varietà di dispositivi permette di valutare le prestazioni dell’algoritmo con fotocamere differenti e in diverse condizioni di acquisizione delle immagini nella vita reale.