OpenEvidence ha introdotto una nuova famiglia di modelli di intelligenza artificiale progettati specificamente per la ricerca e il supporto informativo in ambito medico. La nuova gamma comprende tre modelli destinati all’utilizzo in produzione, Osler, Sackett e Snow, messi gratuitamente a disposizione dei medici verificati, e un quarto modello, Darwin, attualmente disponibile soltanto in research preview e accessibile ai ricercatori tramite candidatura. I tre modelli di produzione sono differenziati principalmente per profondità della ricerca e tempo impiegato per elaborare la risposta, mentre OpenEvidence dichiara di applicare a tutti lo stesso standard di accuratezza clinica. I modelli vengono distribuiti progressivamente agli utenti di OpenEvidence attraverso la piattaforma web e le applicazioni iOS e Android, con un selettore che consente al medico di scegliere il sistema più adatto alla complessità della richiesta.
Osler è il modello più rapido della famiglia e richiede indicativamente circa cinque secondi per produrre una risposta. Rappresenta l’evoluzione del modello precedentemente utilizzato per generare le risposte di OpenEvidence e diventa ora il sistema predefinito della piattaforma. Sackett è invece progettato per svolgere ricerche più approfondite, con un tempo di elaborazione indicativo di circa 30 secondi, ed è destinato soprattutto alle domande nelle quali è necessario valutare con maggiore attenzione il peso delle evidenze disponibili. Snow costituisce il livello più approfondito tra i modelli attualmente disponibili in produzione ed è il successore della funzione OpenEvidence Deep Consult. Può impiegare circa cinque minuti per risposta e conduce un’indagine estesa della letteratura medica prima di produrre il relativo rapporto. Le denominazioni richiamano tre figure della storia della medicina: William Osler, associato alla diffusione della formazione medica direttamente al letto del paziente, David Sackett, considerato uno dei padri della medicina basata sulle evidenze, e John Snow, noto per aver ricondotto l’epidemia di colera di Broad Street del 1854 a una specifica pompa dell’acqua e per il suo contributo alla nascita dell’epidemiologia moderna.
Darwin occupa invece il livello più avanzato della nuova famiglia e non viene distribuito al pubblico generale. OpenEvidence lo definisce il proprio modello medico più avanzato e dichiara che si tratta del primo sistema di intelligenza artificiale ad aver ottenuto un punteggio perfetto su MedQA, benchmark indipendente utilizzato per valutare le capacità dei modelli nel dominio medico. La società riporta inoltre un risultato del 72,8% su MedXpertQA, dell’82,7% su HealthBench Professional e dell’87,2% su NOHARM. Secondo i dati pubblicati da OpenEvidence, Darwin supera nei test considerati i modelli concorrenti utilizzati come riferimento, tra cui Claude Fable 5 e Gemini 3.7. L’accesso rimane tuttavia limitato e viene concesso esclusivamente tramite candidatura, una scelta che OpenEvidence collega ai potenziali rischi dual-use derivanti dalle capacità avanzate del modello in settori come virologia, immunologia e genetica umana. Capacità di ragionamento particolarmente evolute in questi campi potrebbero infatti essere utilizzate anche per attività fortemente regolamentate, comprese ricerche rilevanti per lo sviluppo di armi biologiche o interventi di editing della linea germinale condotti al di fuori dei normali sistemi di supervisione scientifica.
Nella fase attuale Darwin viene quindi utilizzato con partner istituzionali e gruppi di ricerca selezionati. Tra questi figura la National Organization for Rare Disorders, che sottopone al modello alcuni dei casi più complessi, oltre a collaboratori scientifici e ricercatori accreditati nel campo dell’intelligenza artificiale appartenenti a istituzioni accademiche impegnate nella valutazione dell’accuratezza e della sicurezza dei sistemi AI nella medicina clinica. OpenEvidence prevede di trasferire progressivamente nei modelli Osler, Sackett e Snow le capacità sviluppate con Darwin man mano che i relativi meccanismi di sicurezza saranno verificati insieme a questi partner.
La valutazione di Darwin su MedQA è stata condotta partendo dalle riannotazioni effettuate da medici sul test split del benchmark, composto originariamente da 1.273 domande a quattro opzioni. OpenEvidence ha applicato criteri di esclusione per eliminare quesiti caratterizzati da informazioni mancanti, ambiguità o errori nelle etichette e nell’agosto 2026 ha effettuato un secondo processo di revisione affidato a tre medici della società, concentrandosi su tutte le domande alle quali almeno uno dei modelli valutati aveva fornito una risposta errata. La procedura ha prodotto un set finale di 660 domande, alle quali Darwin ha risposto senza commettere errori. OpenEvidence ha inoltre deciso di rendere disponibili sia le annotazioni utilizzate per la valutazione sia le risposte complete fornite da Darwin sui quattro benchmark presi in considerazione.
Per MedXpertQA il modello è stato valutato sull’intero Text split composto da 2.450 domande, escludendo quindi la componente multimodale del benchmark. Nel caso di HealthBench Professional è stato utilizzato il test set disponibile pubblicamente, dal quale sono stati rimossi i casi multi-turn, portando il numero complessivo da 525 a 410 attività. La valutazione delle risposte è stata eseguita attraverso una configurazione LLM-as-a-judge pubblicata da Anthropic, utilizzando Claude Opus 4.8 con un thinking budget massimo di 32.000 token. NOHARM, benchmark destinato a misurare frequenza e gravità delle raccomandazioni potenzialmente dannose all’interno di casi di consultazione reali, è stato invece valutato attraverso il pacchetto open source ufficiale utilizzando il sottoinsieme pubblico composto da 30 casi.
I modelli utilizzati come baseline sono stati eseguiti nelle configurazioni claude-fable-5 con adaptive thinking, gpt-5.6-sol con reasoning effort predefinito e gemini-3.7-flash con reasoning effort predefinito. Per ciascun provider sono state utilizzate le impostazioni API standard, senza strumenti aggiuntivi e senza system prompt personalizzati. I punteggi di HealthBench Professional sono stati calcolati effettuando almeno cinque prove indipendenti per ogni modello, mentre gli altri dataset sono stati valutati attraverso una singola esecuzione, riportando in ogni caso i valori medi ottenuti. Nei risultati pubblicati, Darwin supera di 7,7 punti il baseline migliore su MedXpertQA e di 12,1 punti il modello immediatamente successivo su HealthBench Professional. Su NOHARM raggiunge inoltre un F1 severity-weighted pari a 0,872 rispetto allo 0,740 del concorrente più vicino.
OpenEvidence segnala però una particolarità nei risultati di NOHARM: la precision non pesata di Darwin risulta inferiore a quella di diversi modelli baseline. La società attribuisce questo comportamento alla metodologia del benchmark, che considera falso positivo ogni consiglio non esplicitamente previsto dalla rubric di valutazione. Darwin è invece configurato per proporre ai medici un insieme più completo delle opzioni clinicamente rilevanti, aumentando quindi la possibilità che alcune raccomandazioni corrette ma non presenti nella rubric vengano conteggiate come errori. Considerando la precision ponderata in funzione della gravità, il valore dichiarato per Darwin sale a 0,9.
Osler, Sackett e Snow sono disponibili senza limiti di utilizzo e gratuitamente per tutti i medici verificati sulla piattaforma OpenEvidence, mentre Darwin rimane accessibile esclusivamente ai ricercatori ammessi attraverso il processo di candidatura. OpenEvidence prevede inoltre di ampliare progressivamente la famiglia di modelli e di estenderne l’accesso, sviluppando anche sistemi specificamente progettati per singole specialità mediche. I primi ambiti indicati per questa espansione sono oncologia, radiologia e genetica clinica.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)