Negli ultimi due anni i grandi player tecnologici hanno accelerato in modo evidente gli investimenti nell’intelligenza artificiale per la salute, integrando modelli generativi e assistenti digitali nei propri ecosistemi cloud e nei servizi per ospedali e pazienti.
Secondo le principali analisi europee, l’healthcare è ormai uno dei primi settori per crescita degli investimenti in AI, con un’espansione particolarmente marcata nei campi del supporto decisionale clinico, della trial intelligence e del real-world evidence.
Questa dinamica conferma una tendenza chiara: la medicina del prossimo quinquennio sarà sempre più dipendente da algoritmi in grado di leggere, correlare e sintetizzare grandi quantità di dati clinici.
Indice degli argomenti
Il vero collo di bottiglia: qualità e disponibilità dei dati
Eppure, se si guarda oltre l’enfasi tecnologica, il vero collo di bottiglia non è l’algoritmo in sé, ma la disponibilità di dati di qualità su cui costruire modelli affidabili e valutabili. Oggi la maggior parte dei dati sanitari europei – cartelle cliniche, immagini diagnostiche, referti, dati amministrativi – rimane difficile da utilizzare oltre il singolo ospedale, e una quota rilevante delle informazioni generate ogni anno non viene trasformata in conoscenza strutturata. Nel frattempo, la generazione di evidenze cliniche e regolatorie continua a essere un processo in gran parte manuale, che richiede mesi di lavoro umano per ogni studio, dal protocollo alla reportistica.
Il quadro normativo europeo: EHDS, AI Act e linee guida EDPB
In questo scenario, l’Europa ha scelto di giocare un ruolo attivo sul terreno delle regole. Le nuove linee guida dell’European Data Protection Board su anonimizzazione e riutilizzo dei dati per finalità scientifiche, l’avanzamento dello European Health Data Space e il coordinamento con l’AI Act e la normativa farmaceutica e medical device segnano un cambio di passo.
Il dato sanitario continua a essere considerato un bene altamente sensibile, ma viene sempre più riconosciuto come una risorsa strategica per la ricerca, la salute pubblica e lo sviluppo di sistemi di intelligenza artificiale affidabili.
Dal “possiamo usare i dati?” al “come li usiamo in modo verificabile?”
Questo cambio di prospettiva è importante perché sposta il focus dalla domanda “possiamo usare i dati?” alla domanda “come li usiamo in modo strutturato, sicuro e verificabile?”. Le indicazioni europee chiariscono che la ricerca scientifica non coincide con un uso generico del dato, ma con attività metodologicamente solide, tracciabili e orientate alla produzione di nuova conoscenza.
Allo stesso tempo, le iniziative su EHDS e AI Act iniziano a delineare requisiti concreti per la qualità dei dati, la documentazione dei modelli, la gestione del rischio e la trasparenza verso pazienti e autorità.
Vertical intelligence: AI specializzata per oncologia, cardiologia e oltre
L’evoluzione dell’intelligenza artificiale in sanità rende questo passaggio ancora più urgente. Accanto ai modelli generalisti stanno emergendo sistemi di “vertical intelligence“ progettati per domini specifici – ad esempio oncologia, cardiologia o ematologia – che integrano dati clinici, linee guida e letteratura scientifica per supportare il lavoro dei professionisti.
La loro efficacia non può essere giudicata solo in termini di accuratezza delle risposte: deve essere valutata rispetto alla capacità di migliorare diagnosi, percorsi assistenziali, uso delle risorse e risultati di salute per i pazienti.
Produzione sistematica di evidenze: oltre la logica del progetto pilota
Questo significa che la prossima fase dell’innovazione non sarà solo centrata sui modelli, ma sulla produzione sistematica di evidenze. Rapporti recenti della Commissione europea sottolineano proprio la necessità di strategie strutturate per sperimentare, valutare e monitorare l’impatto reale delle applicazioni di AI nei sistemi sanitari, superando la logica dei progetti pilota isolati. Perché questo approccio diventi davvero scalabile sono però necessari dataset affidabili, protocolli di validazione condivisi e una governance del dato che garantisca tracciabilità, qualità e riproducibilità.
Dati sintetici: privacy-preserving data science per superare le barriere
Qui si innestano alcune delle tecnologie più promettenti sul fronte della privacy-preserving data science, come i dati sintetici. Si tratta di dati generati artificialmente, in grado di riprodurre le proprietà statistiche e cliniche dei dataset reali senza contenere informazioni direttamente riferibili ai singoli pazienti.
Quando sviluppati e validati secondo standard rigorosi, i dati sintetici possono permettere di addestrare e testare modelli di AI, condividere casi complessi tra centri, costruire registri e coorti virtuali per malattie rare, riducendo in modo significativo il rischio di re-identificazione.
Hub regionali e infrastrutture di fiducia: un modello strutturato per l’accesso ai dati
L’adozione di queste soluzioni può contribuire a superare alcune delle principali barriere operative che ancora ostacolano l’uso dei dati per finalità di ricerca e innovazione. Invece di moltiplicare deroghe e compressioni dei diritti, è possibile creare ambienti strutturati – hub regionali di dati, spazi sanitari nazionali, piattaforme tematiche – in cui l’accesso ai dataset per studi clinici, HTA o sviluppo di AI avvenga secondo regole chiare, con strumenti tecnici che riducono il rischio alla fonte. In questo modo, la domanda di dati da parte di industria, ricerca pubblica e sistemi sanitari può incontrare la necessità di proteggere i cittadini, non in opposizione ma all’interno di una stessa infrastruttura di fiducia.
Una finestra di opportunità: il modello europeo tra Big Tech e interesse pubblico
L’Europa si trova quindi davanti a una finestra di opportunità. Da un lato, l’interesse delle Big Tech per l’healthcare mostra che la competizione globale non si giocherà solo sugli algoritmi, ma sul controllo delle infrastrutture che raccolgono, organizzano e trasformano i dati in evidenza. Dall’altro, il quadro regolatorio europeo e le raccomandazioni delle principali istituzioni internazionali offrono una base solida per costruire un modello di innovazione che metta al centro qualità dei dati, accountability e interesse pubblico.
La vera sfida: trasformare dati in conoscenza, conoscenza in cure più eque
La vera sfida non sarà decidere se usare l’intelligenza artificiale nella medicina, ma costruire le condizioni perché questa trasformazione avvenga in modo affidabile, misurabile e coerente con i principi che hanno guidato finora i sistemi sanitari europei. Questo implica investimenti nelle infrastrutture dati, nella capacità di produrre evidenze su base continuativa e in meccanismi di collaborazione tra ricerca pubblica, industria e istituzioni. Solo così i dati potranno diventare davvero conoscenza, la conoscenza potrà tradursi in evidenza scientifica e l’evidenza potrà sostenere decisioni cliniche migliori e cure più eque per i cittadini.
Partecipa alla community