L’intelligenza artificiale e salute entrano in una nuova fase, con le agenzie regolatorie chiamate a guidare la trasformazione della ricerca farmaceutica e della medicina di precisione. In Italia l’Aifa ha acceso i riflettori sul tema con un dossier dedicato, mentre in Europa si consolidano piani, linee guida e principi comuni per integrare gli algoritmi nei processi decisionali senza arretrare su sicurezza, trasparenza ed equità.
Il baricentro si sposta sulla regolazione
La novità non riguarda soltanto i laboratori o le aziende tecnologiche. A cambiare è soprattutto il ruolo delle autorità pubbliche, che non osservano più l’innovazione da una posizione esterna ma provano a governarla dall’interno. Aifa, nel suo intervento pubblico sul tema, indica infatti l’IA come una leva capace di incidere su tempi di valutazione, analisi dei dati e sostenibilità delle decisioni.
Lo stesso orientamento emerge a livello europeo. L’Agenzia europea per i medicinali considera l’intelligenza artificiale uno strumento chiave per valorizzare grandi volumi di dati regolatori e sanitari, con l’obiettivo di sostenere decisioni più solide e un accesso più rapido ai medicinali sicuri ed efficaci. Il percorso è inserito nei programmi di lavoro della rete europea dei medicinali fino al 2028.
Anche la Food and Drug Administration statunitense ha rafforzato il quadro regolatorio. Nel 2025 ha pubblicato una bozza di linee guida sull’uso dell’IA a supporto delle decisioni regolatorie per farmaci e biologici, fondata su una valutazione del rischio e della credibilità dei modelli impiegati. A gennaio 2026 EMA e FDA hanno inoltre diffuso principi comuni per l’impiego dell’IA lungo l’intero ciclo di vita del medicinale.
Dalla scoperta dei farmaci ai trial clinici
Il primo impatto concreto si vede nella fase di scoperta. Secondo Aifa, reti neurali e modelli predittivi possono analizzare enormi insiemi di molecole, individuare più in fretta quelle promettenti ed escludere in anticipo i candidati con maggiori probabilità di fallimento o tossicità. Il risultato atteso è una ricerca più rapida e meno dispersiva.
Un altro fronte è quello del drug repurposing, cioè la ricerca di nuove indicazioni terapeutiche per farmaci già noti. Qui l’IA può accelerare l’incrocio tra evidenze biologiche, dati clinici e segnali emersi dalla letteratura scientifica, rendendo più efficiente una strada che interessa sia l’innovazione sia la sostenibilità dei sistemi sanitari.
Nei trial clinici, gli algoritmi promettono di alleggerire uno dei nodi più delicati: il reclutamento dei pazienti. L’analisi rapida di grandi quantità di dati sanitari può aiutare a identificare i profili idonei agli studi, mentre strumenti digitali e raccolta remota dei dati aprono la strada a sperimentazioni più distribuite e meno gravose per i partecipanti. La stessa FDA sottolinea che le tecnologie digitali consentono di acquisire dati clinici direttamente dai pazienti, anche fuori dai centri sperimentali.
Tra gli scenari più avanzati ci sono poi i trial virtuali e i cosiddetti gemelli digitali, modelli computazionali che simulano la risposta a un trattamento prima della somministrazione reale. La loro applicazione resta materia da valutare con rigore, ma il potenziale è chiaro: ridurre tempi, costi e passaggi preliminari, rafforzando al tempo stesso la qualità delle evidenze quando i modelli sono costruiti e validati correttamente.
La promessa della medicina di precisione
Il capitolo più vicino ai cittadini è quello della medicina personalizzata. L’integrazione di dati clinici, genetici, ambientali e comportamentali consente di superare l’approccio uniforme alle cure e di orientare la scelta terapeutica verso profili più specifici. Aifa segnala che questa capacità di personalizzazione può ridurre errori, eventi avversi e sprechi di risorse.
Per i regolatori, tuttavia, personalizzare non significa automatizzare senza controllo. Più un sistema influenza decisioni cliniche o regolatorie, maggiore deve essere la robustezza delle prove che ne dimostrano affidabilità, contesto d’uso e limiti operativi. È proprio su questo punto che la FDA insiste, chiedendo che la credibilità di ogni modello sia valutata in rapporto all’uso specifico per cui viene proposto.
In Europa, il quadro si intreccia con il nuovo AI Act, che la Commissione definisce il primo impianto legislativo organico sull’intelligenza artificiale. In sanità, il regolamento si affianca alle norme sui dispositivi medici e punta a rendere l’adozione dell’IA più affidabile, trasparente e prevedibile, soprattutto per le applicazioni ad alto rischio.
Le sfide aperte tra etica e responsabilità
L’accelerazione, però, non cancella le criticità. Le autorità regolatorie si trovano davanti a sistemi che possono amplificare bias, opacità e diseguaglianze se addestrati su dati incompleti o poco rappresentativi. Per questo la discussione non riguarda più soltanto l’efficienza dell’algoritmo, ma anche la qualità dei dati, la documentazione dei processi e la possibilità di spiegare le decisioni prodotte.
Il punto politico e scientifico è che la corsa all’innovazione non può tradursi in una deregulation. L’orientamento emerso negli ultimi mesi va nella direzione opposta: più l’IA entra nei passaggi decisivi dello sviluppo e della valutazione dei farmaci, più cresce l’esigenza di regole condivise tra agenzie, industria e comunità scientifica. La convergenza tra EMA e FDA sui principi comuni va letta in questa chiave.
La partita, in definitiva, si giocherà sulla capacità di tenere insieme innovazione e fiducia. L’intelligenza artificiale e salute non appare più come una frontiera lontana, ma come un terreno già operativo in cui il vero discrimine sarà la qualità della governance. Non soltanto farmaci più rapidi da sviluppare, dunque, ma regole più mature per decidere quando un algoritmo è davvero pronto a entrare nella sanità reale.
