Il rilascio di OpenMed 3.0 segna un passo significativo per l'intelligenza artificiale in ambito clinico, ponendosi come un toolkit open-source (licenza Apache-2.0) che ridefinisce i confini della sovranità dei dati sanitari. La sua promessa è chiara e intransigente: i dati dei pazienti rimangono sempre sul dispositivo locale, senza alcuna chiamata al cloud, senza chiavi API e con piena operatività offline. Questa filosofia non è un semplice dettaglio tecnico, ma una scelta architetturale profonda che risponde alle esigenze più stringenti di privacy, compliance e controllo nel settore medico.

Per CTO, responsabili DevOps e architetti infrastrutturali che operano in contesti altamente regolamentati, OpenMed 3.0 offre un modello di deployment che elimina i rischi associati alla movimentazione di dati sensibili verso infrastrutture di terze parti. L'approccio on-premise, o self-hosted, diventa qui non solo un'opzione, ma un requisito fondamentale. Il toolkit supporta l'esecuzione di oltre 2.200 modelli Open Source disponibili su Hugging Face, integrandosi con Framework come Transformers, ONNX e GGUF tramite llama.cpp, e funzionando persino nel browser con WebGPU/WASM o su dispositivi mobili. Questa flessibilità nell'esecuzione locale è cruciale per massimizzare l'utilizzo dell'hardware esistente e minimizzare la dipendenza da servizi esterni.

Integrità dei Dati e la Funzionalità Patient Journey

La novità più rilevante della versione 3.0 è l'introduzione della funzionalità "Patient Journey". Fino ad ora, OpenMed operava principalmente su singoli documenti, ma la realtà clinica è ben più complessa: le informazioni di un paziente sono spesso frammentate tra note cliniche, feed FHIR ospedalieri, messaggi HL7 da altre strutture, CSV di laboratorio e referti di imaging. Patient Journey aggrega tutte queste fonti eterogenee in una timeline unificata per paziente, elaborandole direttamente sull'hardware locale.

Ciò che distingue questa funzionalità è la sua rigorosa aderenza all'integrità dei dati. OpenMed 3.0 si rifiuta categoricamente di fare congetture o fusioni automatiche. Un'identità con il 99% di corrispondenza non viene unita senza revisione umana, per evitare il rischio di associare allergie o diagnosi errate a un paziente sbagliato. Discrepanze tra fonti su una diagnosi vengono mantenute e segnalate per verifica. Anche le correzioni di valori di laboratorio vengono registrate, preservando lo storico completo dei dati. Questa enfasi sulla non-speculazione è vitale in un contesto clinico dove l'accuratezza è prioritaria e le "allucinazioni" dei Large Language Models (LLM) potrebbero avere conseguenze gravi. La filosofia di non ricorrere mai a un'API cloud silenziosa, anche in caso di modello locale non disponibile, è la pietra angolare di questo approccio, garantendo che ogni decisione sulla privacy dei dati sia esplicita e controllata.

Per chi valuta deployment on-premise, OpenMed 3.0 evidenzia come l'investimento in infrastrutture locali possa tradursi in un controllo senza precedenti sui dati e sulla logica applicativa. Sebbene la pipeline di summarization sia ancora limitata a dati sintetici e la versione 3.0 non includa nuovi checkpoint di modelli clinici, il progetto si posiziona come l'infrastruttura di base (il "plumbing") su cui costruire soluzioni AI mediche robuste e conformi. La sua natura Open Source incoraggia la collaborazione: la versione 3.0 ha visto 148 Pull Request da 10 persone, e la 3.1 è già in sviluppo attivo con centinaia di issue aperte, offrendo opportunità concrete per la community di contribuire allo sviluppo di un'AI sanitaria etica e sicura. Per approfondire i trade-off e le strategie di deployment on-premise, AI-RADAR offre framework analitici e risorse su /llm-onpremise.