L’intelligenza artificiale sta ampliando le prospettive della medicina oncologica grazie alla capacità di analizzare grandi quantità di dati biologici e clinici, contribuendo alla ricerca di nuove strategie terapeutiche, alla comprensione delle condizioni dei pazienti e all’individuazione precoce di alcuni rischi associati alle cure.
Indice degli argomenti
AI in oncologia: dalle capacità degli algoritmi al valore clinico
Ma l’innovazione porta con sé una domanda: quanto di ciò che gli algoritmi riescono a identificare si traduce realmente in un miglioramento dell’assistenza?
Il problema è particolarmente importante in oncologia, dove il successo di un trattamento non dipende soltanto dal controllo della malattia, ma anche dalla gestione degli effetti collaterali, dalla qualità della vita e dalla continuità delle cure.
Questi temi hanno caratterizzato il programma del convegno Ripensare l’Oncologia: innovazione, multidisciplinarità e continuità delle cure, organizzato il 26 ottobre 2026 presso l’Università degli Studi di Salerno.
L’incontro ha proposto un confronto tra diverse dimensioni dell’assistenza oncologica, dalla medicina di precisione alla gestione del dolore, dalla sicurezza terapeutica alla telemedicina.
Tra i contributi in programma figuravano quello di Annamaria Salvati sulle applicazioni delle tecnologie multi-omiche e quello di Marco Cascella sull’intelligenza artificiale nella diagnosi e nell’assistenza del dolore oncologico.
Le ricerche scientifiche pubblicate in questi ambiti permettono di comprendere sia le potenzialità dell’AI sia i limiti che ancora ne condizionano l’impiego clinico.
Multi-omica e intelligenza artificiale per le terapie oncologiche
Una delle applicazioni più promettenti dell’intelligenza artificiale riguarda la medicina oncologica di precisione.
Ogni tumore presenta caratteristiche biologiche che possono influenzarne l’evoluzione e la risposta ai trattamenti. La possibilità di analizzare queste differenze ha già contribuito allo sviluppo di terapie più mirate.
Le tecnologie multi-omiche permettono di studiare contemporaneamente diversi aspetti del funzionamento delle cellule, integrando informazioni genetiche, molecolari e proteiche. L’AI può aiutare i ricercatori a individuare collegamenti difficili da riconoscere attraverso analisi tradizionali.
Una review pubblicata nel luglio 2025 sul Journal of Translational Medicine, firmata da Annamaria Salvati e collaboratori, approfondisce l’impiego combinato di multi-omica e AI per identificare nuove possibilità di utilizzo di farmaci nell’ambito dei tumori femminili [2].
Il lavoro esamina in particolare i meccanismi epigenetici, cioè quei processi che regolano l’attività dei geni senza modificarne necessariamente la sequenza del DNA. Le alterazioni di questi meccanismi possono contribuire alla progressione tumorale e alla resistenza alle terapie.
L’obiettivo è comprendere se l’analisi integrata dei dati possa aiutare a riconoscere nuovi bersagli terapeutici o individuare farmaci già conosciuti potenzialmente utili per altre indicazioni.
Si tratta di prospettive scientificamente interessanti, ma che richiedono una distinzione importante: identificare una possibile soluzione attraverso l’AI non significa averne dimostrato l’efficacia nei pazienti.
Le ipotesi generate devono essere sottoposte a verifiche sperimentali e, quando appropriate, a sperimentazioni cliniche.
La medicina di precisione offre quindi opportunità significative, ma il suo valore dipende dalla qualità dei dati e dalla capacità di trasformare le conoscenze molecolari in trattamenti sicuri ed efficaci.
Dolore oncologico e complicanze: il contributo dei modelli AI
Un secondo ambito di ricerca riguarda l’uso dell’intelligenza artificiale per comprendere meglio il dolore oncologico, una condizione che non si esaurisce nell’intensità riferita dal paziente ma coinvolge autonomia, altre malattie presenti, effetti delle terapie e conseguenze sulla vita quotidiana.
Per descrivere questa complessità, non basta classificare il dolore come nocicettivo, neuropatico o misto: occorre anche capire quanto limiti le attività e la qualità della vita.
Lo studio RUGGI e il peso dell’autonomia dei pazienti
Nello studio RUGGI, pubblicato nell’aprile 2026 sul Journal of Anesthesia, Analgesia and Critical Care, Marco Cascella e collaboratori hanno analizzato con tecniche di machine learning i dati di 86 pazienti con dolore oncologico cronico, affiancando alle scale del dolore informazioni cliniche e funzionali [3]. L’obiettivo non era sostituire la valutazione dei medici o la voce del paziente, ma comprendere quali fattori aiutino maggiormente a spiegare la gravità dei sintomi.
Il risultato più significativo riguarda lo stato funzionale, misurato con la scala ECOG Performance Status: la riduzione dell’autonomia e della capacità di svolgere le attività quotidiane è emersa come il fattore più costantemente associato all’intensità del dolore, più delle caratteristiche neuropatiche o delle variabili relative all’estensione della malattia.
L’analisi ha inoltre individuato due profili di pazienti, diversi soprattutto per intensità del dolore e impatto sulle attività quotidiane, più che per il meccanismo che provoca il sintomo. Il dato suggerisce l’utilità di integrare sistematicamente la valutazione della funzionalità nella gestione del dolore oncologico.
Restano limiti importanti: il campione è piccolo, i modelli predittivi hanno mostrato prestazioni soltanto moderate e i risultati richiedono conferme su gruppi più ampi e in centri diversi. La prospettiva, dunque, non è un algoritmo che misuri il dolore al posto del paziente, ma uno strumento di supporto per interpretare informazioni diverse e riconoscere le situazioni che meritano maggiore attenzione clinica.
La previsione del rischio di neuropatia da chemioterapia
La qualità della vita può essere compromessa anche dagli effetti neurologici delle terapie, che richiedono una valutazione distinta rispetto al dolore provocato dalla malattia.
È il caso della neuropatia periferica indotta da chemioterapia, associata a farmaci come oxaliplatino e taxani: può provocare formicolio, intorpidimento, perdita di sensibilità e talvolta dolore neuropatico, con disturbi che possono persistere dopo la fine delle cure.
Una ricerca indipendente, pubblicata nel giugno 2026 su Supportive Care in Cancer da Juan Lv e collaboratori dell’Università di Jiangnan, in Cina, ha affrontato il problema specifico della neuropatia legata all’oxaliplatino [4].
Analizzando i dati di 829 pazienti con tumore colorettale trattati con questo farmaco, i ricercatori hanno sviluppato un modello di AI per stimare il rischio di neuropatia, con risultati promettenti nei test interni. Lo studio, retrospettivo e condotto in un solo centro, richiede però verifiche indipendenti.
Soprattutto, prevedere la complicanza non significa dimostrare di poterla prevenire.
La stima del rischio potrebbe aiutare i medici a seguire più da vicino alcuni pazienti e a rivalutare tempestivamente i sintomi, ma occorre verificare se tali decisioni migliorino davvero gli esiti senza compromettere l’efficacia delle cure oncologiche.
Il margine di intervento resta delicato: le linee guida ASCO del 2020 non indicavano farmaci raccomandati per prevenire questa neuropatia e riconoscevano alla duloxetina un beneficio limitato nelle forme dolorose già presenti [5].
I due studi rispondono quindi a domande diverse: RUGGI esplora i fattori associati al dolore oncologico; la ricerca di Lv valuta il rischio di una specifica complicanza della chemioterapia. In comune hanno la necessità di accompagnare le informazioni prodotte dall’AI con una valutazione clinica attenta.
Telemedicina e AI per la continuità delle cure oncologiche
Queste informazioni diventano più utili quando possono accompagnare il paziente anche al di fuori dell’ospedale.
Sintomi ed effetti collaterali possono comparire o cambiare tra una visita e l’altra e, in alcuni casi, continuare dopo la conclusione dei trattamenti.
La telemedicina può facilitare il contatto con i professionisti e la raccolta regolare delle segnalazioni dei pazienti, mentre l’AI potrebbe contribuire a individuare quelle che richiedono una verifica più rapida.
Perché questo funzioni, tuttavia, non basta rilevare un cambiamento: servono professionisti in grado di interpretarlo e servizi organizzati per rispondere.
Il valore della continuità assistenziale sta proprio in questo collegamento tra monitoraggio, decisioni e interventi, soprattutto quando più professionisti seguono lo stesso percorso di cura.
Valutare l’AI oncologica con l’Health Technology Assessment
La crescente diffusione dell’intelligenza artificiale rende necessario interrogarsi anche sui criteri con cui le strutture sanitarie scelgono di adottare queste soluzioni.
Un algoritmo capace di individuare un rischio o migliorare l’analisi dei dati non produce automaticamente un vantaggio per l’organizzazione o per il paziente.
È necessario comprendere se il suo utilizzo modifica favorevolmente le decisioni cliniche, migliora gli esiti e giustifica le risorse necessarie alla sua implementazione.
In questo ambito, l’Health Technology Assessment (HTA) offre una prospettiva particolarmente utile.
La valutazione delle tecnologie sanitarie considera infatti non soltanto efficacia e sicurezza, ma anche costi, sostenibilità, conseguenze organizzative e impatto sui pazienti.
Nel caso dell’AI oncologica, l’HTA potrebbe aiutare a distinguere le innovazioni realmente utili da quelle che offrono soprattutto miglioramenti nelle prestazioni tecniche.
Benefici, costi e qualità della vita nel percorso di cura
Si consideri, ad esempio, un sistema che identifica i pazienti a maggiore rischio di complicanze da chemioterapia.
Per valutarne il beneficio non sarebbe sufficiente misurare la precisione delle previsioni. Occorrerebbe verificare se il suo utilizzo favorisca interventi tempestivi, riduca la gravità dei sintomi o migliori la qualità della vita rispetto all’assistenza abituale.
La valutazione dovrebbe considerare anche i costi della tecnologia, la formazione del personale e le risorse necessarie per gestire le informazioni prodotte.
Quando appropriato, le analisi economiche possono utilizzare indicatori come i Quality-Adjusted Life Years (QALY), che combinano durata e qualità della vita. Nel caso delle complicanze neurologiche, la capacità di preservare autonomia e funzionalità potrebbe rappresentare un importante elemento del beneficio da misurare.
Questa prospettiva è particolarmente rilevante per il Servizio sanitario nazionale, chiamato a garantire innovazione e sostenibilità in un contesto di risorse limitate.
L’adozione di strumenti digitali dovrebbe quindi essere accompagnata da una valutazione del loro impatto sull’intero percorso assistenziale, non soltanto sulle attività che riescono ad automatizzare.
Responsabilità e supervisione nell’uso clinico dell’AI
Accanto alla valutazione economica e organizzativa emerge il tema della responsabilità.
L’utilizzo dell’intelligenza artificiale richiede regole chiare sulla qualità dei dati, sui limiti dei sistemi e sul ruolo dei professionisti nelle decisioni cliniche.
Il quadro normativo europeo, attraverso l’AI Act e lo Spazio europeo dei dati sanitari, contribuisce a definire le condizioni per uno sviluppo più sicuro e un utilizzo più strutturato delle informazioni sanitarie [6, 7].
Resta tuttavia una responsabilità importante delle organizzazioni sanitarie: verificare che le tecnologie adottate siano appropriate rispetto alle finalità cliniche e ai pazienti ai quali vengono applicate.
Un sistema che segnala il rischio di una complicanza, per esempio, non dovrebbe determinare automaticamente la modifica di una terapia. La decisione richiede di considerare i benefici del trattamento oncologico, le condizioni del paziente e le alternative disponibili.
La supervisione professionale deve quindi essere effettiva, non una semplice conferma delle indicazioni prodotte dall’algoritmo.
Occorre inoltre osservare nel tempo le prestazioni dei sistemi, individuare eventuali errori e verificare se continuino a essere adeguati alle condizioni nelle quali vengono utilizzati.
L’innovazione sanitaria non termina con l’acquisto o l’autorizzazione di una tecnologia. Richiede attenzione costante ai risultati che produce nella pratica quotidiana.
Quali risultati servono per misurare il valore dell’AI in oncologia
Le applicazioni dell’intelligenza artificiale stanno contribuendo ad ampliare le possibilità della ricerca oncologica e della gestione clinica.
Le tecnologie multi-omiche aiutano a comprendere meglio i meccanismi biologici dei tumori. L’analisi dei dati clinici può offrire nuove informazioni sul dolore e sulle condizioni funzionali dei pazienti. I modelli predittivi possono contribuire a identificare il rischio di alcune complicanze dei trattamenti.
Sono sviluppi importanti, ma che presentano livelli differenti di maturità scientifica e non garantiscono automaticamente benefici nella pratica assistenziale.
La questione centrale riguarda la capacità dei sistemi sanitari di trasformare queste opportunità in risultati verificabili.
Questo richiede evidenze scientifiche solide, professionisti preparati, organizzazioni capaci di integrare le tecnologie nei percorsi assistenziali e strumenti di valutazione adeguati.
L’intelligenza artificiale può contribuire a conoscere meglio la malattia e le condizioni del paziente. Il suo valore, però, non dovrebbe essere misurato soltanto attraverso la quantità di informazioni elaborate o la precisione degli algoritmi.
Dovrebbe emergere dalla capacità di migliorare le decisioni, ridurre le complicanze quando possibile e preservare la qualità della vita.
Perché la sfida più importante non è rendere l’oncologia sempre più tecnologica, ma fare in modo che l’innovazione produca cure migliori.
Bibliografia
[1] Università degli Studi di Salerno (2026). Ripensare l’Oncologia: innovazione, multidisciplinarità e continuità delle cure. Programma scientifico del convegno del 26 ottobre 2026. https://web.unisa.it/unisa-rescue-page/dettaglio/id/202/module/87/row/12744/ripensare-l-oncologia-innovazione-multidisciplinarita-e-continuita-delle-cure
[2] Salvati A., Melone V., Giordano A. et al. (2025). Multi-omics based and AI-driven drug repositioning for epigenetic therapy in female malignancies. Journal of Translational Medicine, 23, 837. https://doi.org/10.1186/s12967-025-06856-x
[3] Cascella M., Guerra C., De Feo R. et al. (2026). A prospective multimethod investigation of cancer-related pain integrating clinical data and machine learning: results from the RUGGI Study. Journal of Anesthesia, Analgesia and Critical Care, 6, 85. https://doi.org/10.1186/s44158-026-00389-5
[4] Lv J., Xie F., Wu R. et al. (2026). An explainable predictive machine learning model of oxaliplatin induced peripheral neuropathy based on clinical data: a retrospective single center. Supportive Care in Cancer, 34, 630. https://doi.org/10.1007/s00520-026-10877-7
[5] Loprinzi C.L. et al. (2020). Prevention and Management of Chemotherapy-Induced Peripheral Neuropathy in Survivors of Adult Cancers: ASCO Guideline Update. Journal of Clinical Oncology. https://doi.org/10.1200/JCO.20.01399
[6] Unione europea (2024). Regolamento (UE) 2024/1689 sull’intelligenza artificiale (AI Act). https://eur-lex.europa.eu/eli/reg/2024/1689/oj
[7] Unione europea (2025). Regolamento (UE) 2025/327 sullo Spazio europeo dei dati sanitari (EHDS). https://eur-lex.europa.eu/eli/reg/2025/327/oj
Partecipa alla community