AI nella ricerca clinica: dall'accelerazione al rigore metodologico
Bracci di controllo sintetici, selezione delle coorti, monitoraggio basato sul rischio: l'AI è già dentro gli studi clinici moderni. Dove EMA, FDA e AI Act europeo stanno tracciando la linea, e cosa ci si aspetta che una CRO validi prima di lasciare che un modello si avvicini a un protocollo.
Insight · · 4 min
L'intelligenza artificiale è entrata nella ricerca clinica dalla porta di servizio, come argomento di efficienza. Analizzare più record, trovare la coorte più in fretta, segnalare i centri che richiedono una visita. Quella lettura è stata accurata per un certo periodo ed è oggi insufficiente, perché le stesse tecniche si sono spostate dalla periferia dello studio a posizioni in cui influenzano ciò che l'evidenza afferma. Quando un modello contribuisce a decidere chi viene incluso, che aspetto ha un comparatore o quale segnale di sicurezza viene escalato, smette di essere uno strumento di produttività e diventa parte del metodo.
Tre usi sono già abbastanza consolidati da meritare una descrizione precisa.
Selezione delle coorti e fattibilità. Modelli addestrati su cartelle cliniche elettroniche e dati di registro identificano popolazioni eleggibili, stimano l'arruolamento ed espongono criteri di inclusione che escludono silenziosamente la popolazione target. Il guadagno è reale, e lo è anche il rischio: un modello addestrato sui pazienti che un sistema sanitario incontra riprodurrà i pattern di invio di quel sistema, e una stima di fattibilità che li eredita sarà sbagliata con grande sicurezza proprio nei contesti in cui il reclutamento è più difficile.
Bracci di controllo sintetici ed esterni. Costruire un comparatore a partire da dati storici di trial, coorti di registro o dati raccolti di routine è attraente dove la randomizzazione è difficile da giustificare o impossibile da gestire. Porta però con sé una precedente regolatoria emergente più che un'accettazione consolidata: i regolatori hanno accettato comparatori esterni in contesti specifici, tipicamente oncologia a braccio singolo e malattie rare con storia naturale ben caratterizzata, e li hanno respinti dove definizioni di esito, standard of care o pratiche di misurazione differivano tra lo studio e la fonte. Trattare questa strada come consolidata è l'eccesso più comune nel settore. Trattarla come indisponibile è il secondo.
Monitoraggio basato sul rischio e supervisione della qualità. L'ICH E6(R3) mette la gestione della qualità proporzionata e basata sul rischio al centro della conduzione degli studi, ed è esattamente lo spazio in cui rilevamento delle anomalie e monitoraggio statistico centralizzato si guadagnano il posto. È l'applicazione meno controversa, perché il modello dà priorità all'attenzione umana invece di sostituire un giudizio.
Il quadro regolatorio non è più scarno. L'EMA ha pubblicato un reflection paper sull'uso dell'intelligenza artificiale lungo il ciclo di vita del medicinale, con un'aspettativa basata sul rischio proporzionata all'impatto del modello sui pazienti o sull'affidabilità dell'evidenza, e incoraggia una qualification advice precoce per gli usi ad alto impatto. La FDA ha emesso una draft guidance sull'AI a supporto delle decisioni regolatorie per farmaci e biologici, costruita su un framework di context of use: lo stesso modello comporta aspettative probatorie diverse a seconda di ciò per cui viene utilizzato. E il Regulation (EU) 2024/1689, l'AI Act, è entrato in vigore nell'agosto 2024 con obblighi progressivi nel 2026 e 2027, aggiungendo requisiti orizzontali su gestione del rischio, governance dei dati, documentazione tecnica, logging e supervisione umana.
Ciò che ne deriva è convergente, e non richiede scienza nuova. Richiede la disciplina che il settore applica già a strumenti e saggi, applicata ai modelli.
Context of use, dichiarato prima di costruire il modello. Quale decisione informa l'output, chi agisce di conseguenza e cosa accade se è sbagliato. Tutto il resto discende da questa frase.
Provenienza e rappresentatività dei dati. Da dove vengono i dati di addestramento, quali popolazioni coprono, come si comportano i dati mancanti e in cosa la popolazione di impiego differisce da quella di addestramento. Una performance riportata senza questo è un numero senza denominatore.
Pre-specificazione. Configurazione del modello, soglie e piano di analisi fissati prima di vedere i dati, con ogni adattamento descritto in anticipo.
Supervisione umana reale. Un revisore responsabile identificato, un percorso di escalation e una registrazione degli override. Una supervisione che non può essere documentata non è avvenuta.
Monitoraggio dopo il rilascio. Il drift non è un'eccezione, è il comportamento atteso di un modello che incontra una popolazione che continua a cambiare. Soglie di rilevamento e regola di decisione per il riaddestramento appartengono al piano, non al report di incidente.
Una tracciabilità che un revisore possa seguire. Modello versionato, dati versionati, input e output registrati e capacità di ricostruire perché un caso è stato classificato come è stato.
La posizione onesta è che l'AI alza l'asticella metodologica invece di abbassarla. Un modello può individuare in giorni una coorte che la fattibilità manuale impiegherebbe mesi a caratterizzare, e può anche codificare un effetto di selezione così bene che nessuno se ne accorge finché l'analisi non si replica. L'efficienza è reale; vale la pena averla solo se l'evidenza supera la revisione.
Per una CRO l'obbligo è semplice da enunciare ed esigente da rispettare: sapere quali modelli toccano l'evidenza, documentare cosa ciascuno è chiamato a fare, validare rispetto a quel contesto ed essere in grado di mostrare l'intera catena a un ispettore che non era nella stanza. L'accelerazione è la metà facile. Il rigore è ciò che la rende utilizzabile.
Fonti. EMA reflection paper sull'uso dell'intelligenza artificiale nel ciclo di vita del medicinale. FDA draft guidance sull'uso dell'intelligenza artificiale a supporto delle decisioni regolatorie per farmaci e prodotti biologici. Regulation (EU) 2024/1689 (AI Act), in vigore da agosto 2024, obblighi progressivi 2026 – 2027. ICH E6(R3) Good Clinical Practice.
Scritto dal team scientifico di Evidilya. Per interviste, riferimenti bibliografici o l'elenco completo delle pubblicazioni, usa la pagina contatti.
Parlate con il nostro team.
Portateci la domanda di evidenza su cui state lavorando: vi indichiamo il percorso più breve e difendibile.