Negli ultimi anni, l’intelligenza artificiale ha progressivamente assunto un ruolo cruciale nell’evoluzione della medicina, specie in ambito oncologico. L’oncologia, più di altri settori, si confronta con la crescente complessità dei dati clinici, genomici, radiologici e comportamentali, ponendo sfide che la medicina tradizionale fatica a gestire in modo efficiente. In questo contesto, l’AI non si configura solo come uno strumento tecnico ma come un potenziale agente di cambiamento epistemologico e organizzativo, capace di ridefinire l’intero processo di diagnosi, cura e monitoraggio del paziente oncologico.
Indice degli argomenti:
Un nuovo paradigma per la cura del cancro
L’integrazione di algoritmi di apprendimento automatico (machine learning) e di reti neurali profonde (deep learning) nei sistemi clinici permette, infatti, di estrarre conoscenza da enormi volumi di dati eterogenei, favorendo l’individuazione precoce dei tumori, la personalizzazione dei trattamenti e il supporto decisionale ai team medici. Si sta delineando così un nuovo modello di medicina data-driven, in cui il paziente diventa al tempo stesso fornitore, beneficiario e custode dei propri dati, in un processo che ridefinisce le relazioni tra individuo, istituzioni sanitarie e tecnologie intelligenti.
Tuttavia questo scenario pone interrogativi cruciali: fino a che punto possiamo delegare all’AI funzioni cliniche complesse? Quali garanzie esistono sulla qualità, l’equità e la trasparenza delle decisioni automatizzate? E come garantire un accesso equo a queste tecnologie, evitando che amplifichino le disuguaglianze purtroppo già presenti nei sistemi sanitari?
Diagnosi precoce e imaging potenziato
L’individuazione tempestiva delle neoplasie rappresenta uno degli obiettivi fondamentali dell’oncologia moderna, poiché la diagnosi precoce incide significativamente sulla prognosi e sull’efficacia dei trattamenti. In questo ambito, l’intelligenza artificiale ha mostrato risultati promettenti nel potenziare gli strumenti di imaging diagnostico, migliorando la sensibilità, la specificità e la rapidità delle analisi.
Le tecnologie basate su reti neurali convoluzionali (convolutional neural networks, CNN) sono oggi in grado di analizzare con precisione immagini radiologiche, come tomografie computerizzate (CT), risonanze magnetiche (MRI) e mammografie, rilevando anomalie impercettibili all’occhio umano.
Esempio emblematico è fornito dal sistema di AI sviluppato da Google Health, impiegato in studi clinici pubblicati nel 2020 con dati raccolti tra il 2012 ed il 2015, che ha mostrato una performance superiore a quella dei radiologi esperti nella lettura delle mammografie. Dal novembre 2022 il modello è stato concesso in licenza alla società statunitense iCAD, Inc. che lo ha integrato nella ProFound Breast Health Suite, una piattaforma di intelligenza artificiale sviluppata per supportare la diagnosi precoce e la valutazione del rischio del tumore al seno attraverso l’analisi automatizzata delle immagini mammografiche.
Alcune piattaforme, come Paige.ai – sviluppata dalla società statunitense iPaige AI, Inc – impiegano il deep learning per supportare la diagnosi istologica del tumore prostatico e mammario, riducendo l’errore umano ed ottimizzando i tempi di refertazione.
Questi sviluppi segnano un passaggio importante verso una medicina di precisione visiva, in cui l’AI non sostituisce il medico ma ne potenzia le capacità diagnostiche, agendo come “secondo lettore” intelligente. Tuttavia, l’efficacia di questi strumenti dipende dalla qualità dei dati di training, dalla trasparenza degli algoritmi e dalla capacità dei sistemi sanitari di integrare tali tecnologie nei percorsi clinici reali, evitando derive automatistiche e garantendo un controllo umano costante.
AI contro il cancro: cosa si sta facendo in Europa e in Italia
In Europa, l’iniziativa AI4Health Imaging, promossa nel 2023 dalla Commissione Europea, sostiene lo sviluppo di soluzioni di AI per l’imaging oncologico attraverso un ecosistema di centri clinici, istituti di ricerca ed aziende biotech. In linea con questi obiettivi, anche in Italia sono state avviate iniziative rilevanti; in particolare, l’Istituto Europeo di Oncologia (IEO) è attivamente coinvolto nella sperimentazione di soluzioni basate sull’intelligenza artificiale applicate allo screening mammografico, con l’obiettivo di supportare la diagnosi precoce del carcinoma mammario e migliorare l’accuratezza diagnostica.
Parallelamente, il Centro Diagnostico Italiano (CDI) di Milano è impegnato nello studio e nello sviluppo di progetti sull’intelligenza artificiale applicata alla diagnostica per immagini. In un contributo collegato al convegno EuSoMII 2023, il CDI ha presentato i risultati di una survey pubblicata sulla rivista scientifica European Journal of Radiology, condotta su 232 radiologi lombardi: ne è emerso che l’AI viene vista come un valido supporto all’interpretazione delle immagini, con potenzialità di miglioramento della precisione e dell’efficienza diagnostica.
Oltre alle immagini radiologiche, l’AI si sta rivelando efficace anche nell’analisi citologica e istopatologica.
Genomica, dati omici e terapie personalizzate
L’evoluzione dell’imaging oncologico grazie all’intelligenza artificiale si inserisce in un più ampio scenario di personalizzazione della medicina, in cui la comprensione profonda delle caratteristiche biologiche del tumore diventa cruciale.
In questo contesto, l’AI rappresenta uno strumento strategico per l’analisi dei dati omici – in particolare genomica, trascrittomica, proteomica ed epigenomica – al fine di identificare vulnerabilità molecolari specifiche e sviluppare approcci terapeutici mirati.
Un esempio emblematico è rappresentato dalla piattaforma DeepVariant, sviluppata da Google Brain in collaborazione con Verily Life Sciences, che utilizza reti neurali profonde per identificare con elevata precisione varianti genetiche a partire dai dati di sequenziamento. Sebbene la piattaforma non esegua direttamente la classificazione dei tumori o la selezione dei farmaci, i suoi risultati costituiscono una base fondamentale per applicazioni successive nell’oncologia di precisione.
In ambito europeo, il progetto Oncovalue, finanziato da Horizon Europe e operativo dal 2023, mira a integrare dati clinici real-world – come esami di imaging, note mediche e indicatori riportati dai pazienti (Patient-Reported Outcomes) – utilizzando strumenti di AI per supportare sia il personale clinico sia le agenzie di Health Technology Assessment (HTA) nella valutazione dell’efficacia delle terapie oncologiche.
In Italia, l’IRCCS Istituto Nazionale Tumori ‘Regina Elena’ di Roma dispone di un’unità dedicata alla bioinformatica e machine learning, attiva nella ricerca traslazionale genomica su pazienti oncologici. Tale approccio è applicato in contesti multicentrici, come i Molecular Tumor Board real‑world, per integrare dati di tumore primario e ctDNA circolante nella valutazione delle alterazioni molecolari non più standard. L’obiettivo è migliorare la previsione della progressione e della risposta ai trattamenti, anche nei tumori complessi.
Un ulteriore esempio nazionale è rappresentato dall’IRCCS Ospedale San Raffaele di Milano: la sua Functional Genomics of Cancer Unit conduce studi sul glioblastoma ed altri tumori complessi, utilizzando dati genomici ed epigenetici e approcci di AI per sviluppare strategie terapeutiche personalizzate basate su screening funzionali e organoidi.
Tuttavia, la gestione dei dati omici pone rilevanti sfide bioetiche e tecnologiche: l’eterogeneità delle fonti, la necessità di standardizzazione e la disparità nell’accesso a queste tecnologie avanzate rappresentano ancora ostacoli concreti. Inoltre, l’impiego dell’IA per finalità predittive solleva interrogativi sull’uso delle informazioni genetiche sensibili, in particolare nei contesti assicurativi.
Progettazione di nuovi farmaci e molecole immunoattive
La capacità dell’intelligenza artificiale di analizzare dati genomici e molecolari ha aperto prospettive inedite nella progettazione razionale di nuovi farmaci, specialmente in ambito oncologico. Questo approccio, noto come drug discovery assistita da AI, consente di ridurre significativamente i tempi e i costi della ricerca farmacologica, accelerando il passaggio dallo screening computazionale alla sperimentazione clinica.
Tra gli esempi più significativi si ricorda il modello MT‑DTI (Molecule Transformer – Drug‑Target Interaction), presentato dalla società biotech farmaceutica sudcoreana, Deargen Inc., nel 2019. Il sistema utilizza un’architettura Transformer per codificare sequenze Smiles delle molecole e sequenze Fasta delle proteine, al fine di stimare l’affinità farmaco‑bersaglio. MT‑DTI ha dimostrato performance predittive elevate su dataset pubblici benchmark come KIBA e Davis.
In campo europeo, il consorzio Exscalate4CoV, coordinato da Dompé Farmaceutici in collaborazione con CINECA e altri centri di ricerca UE, ha impiegato durante la pandemia una piattaforma di supercalcolo e intelligenza artificiale (nota come Exscalate) per valutare migliaia di miliardi di molecole. Successivamente, le stesse infrastrutture e competenze sono state applicate allo sviluppo di molecole antitumorali, in particolare attraverso la collaborazione con la società biofarmaceutica Engitix Therapeutics, permettendo una scoperta virtuale rapida di composti da testare nella terapia oncologica.
Un ulteriore caso di studio particolarmente significativo è il progetto MUSK (Multimodal transformer with Unified maSKed modeling), sviluppato da Stanford University; si tratta di un modello di intelligenza artificiale multimodale che integra immagini patologiche e testi clinici per prevedere la prognosi del cancro e identificare pazienti oncologici ad alta probabilità di beneficiare dell’immunoterapia. Ad esempio, nel caso del carcinoma polmonare e gastroesofageo, il modello ha ottenuto un’accuratezza del 77 % nella previsione della risposta all’immunoterapia, superando di 16 punti percentuali i metodi tradizionali basati su biomarcatori come PD‑L1. Inoltre, il modello ha dimostrato ottime performance nel predire la recidiva del melanoma (83 %) e la sopravvivenza specifica per tumore (75 %), usando dataset non necessariamente accoppiati di immagini e testi medici per l’addestramento su 16 tipi tumorali principali.
In Danimarca, un team della Technical University of Denmark (DTU), in collaborazione con il Scripps Research Institute, ha sviluppato una piattaforma AI in grado di progettare in silico minibinder proteici personalizzati per armare le cellule T del paziente e indirizzarle verso cellule tumorali tramite molecole pMHC. Il nuovo metodo, reso noto a luglio 2025 sulla rivista Science, consente di generare molecole terapeutiche in appena 4-6 settimane, con lo scopo di potenziare l’immunoterapia oncologica in modo altamente specifico e rapido.
Un altro esempio recente e rilevante in questa direzione è rappresentato da Accelerate, un progetto approvato nel contesto del bando europeo TRANSCAN‑3 e focalizzato sul carcinoma pancreatico, che coinvolge l’IRST ‘Dino Amadori’ IRCCS di Meldola. L’obiettivo è quello di sviluppare una piattaforma di functional precision medicine basata su test di sensibilità farmacologica in vitro su organoidi, profiling molecolare e dati clinici, con l’impiego di sistemi AI/deep learning per identificare terapie efficaci in tempo utile per la decisione clinica.
Le applicazioni anzidette mostrano come l’AI stia trasformando profondamente la fase di scoperta ed individuazione dei trattamenti oncologici, introducendo paradigmi orientati all’efficacia biologica e alla personalizzazione.
Digital twin e simulazioni cliniche personalizzate
La progettazione di farmaci supportata dall’intelligenza artificiale sta trovando un naturale proseguimento nella modellazione digitale del paziente attraverso i cosiddetti digital twin sanitari.
Questi modelli non si limitano a riprodurre lo stato fisiologico del paziente ma consentono di testare virtualmente l’impatto di terapie farmacologiche, modifiche dello stile di vita o interventi chirurgici, minimizzando i rischi reali e ottimizzando la personalizzazione delle cure. L’approccio si inserisce nel paradigma della medicina predittiva e preventiva, contribuendo a superare la logica reattiva tradizionale.
In Europa, il progetto EDITH (Ecosystem for Digital Twins in Healthcare), finanziato dalla Commissione Europea nel 2023, mira a creare una piattaforma condivisa per lo sviluppo e la validazione di gemelli digitali in ambito sanitario. Coordinato da un consorzio che include INSERM (acronimo di Istituto Nazionale francese per la salute e la ricerca medica) ed altri enti accademici europei, EDITH si propone di standardizzare i modelli di simulazione clinica e renderli interoperabili tra sistemi sanitari nazionali.
In ambito internazionale, la Cleveland Clinic ha avviato una collaborazione strategica con la nota azienda statunitense IBM nell’ambito del programma Discovery Accelerator. Il programma utilizza intelligenza artificiale e calcolo quantistico per accelerare la ricerca biomedica avanzata, compresa la scoperta di nuovi target e modulazione immunogenica. Sebbene non sia ancora stato ufficializzato l’uso clinico di gemelli digitali cardiaci su pazienti oncologici, questa iniziativa rappresenta uno dei progetti più ambiziosi nel panorama delle simulazioni predittive integrate con il care delivery nell’ambito sanitario. L’impiego dei gemelli digitali apre infatti la possibilità di rendere l’oncologia del futuro non solo più precisa, ma anche più sicura e anticipatoria.
AI contro il cancro: supporto decisionale per oncologi e team clinici
Il potenziale impiego dei digital twin in oncologia richiede strumenti capaci di tradurre la complessità dei dati in scelte terapeutiche concrete. In questo contesto, le piattaforme di supporto decisionale basate sull’intelligenza artificiale stanno assumendo un ruolo sempre più rilevante nell’affiancare gli oncologi nell’interpretazione delle informazioni e nella pianificazione dei trattamenti.
Questi sistemi, noti come Clinical Decision Support Systems (CDSS), elaborano grandi volumi di dati eterogenei – genomici, clinici, farmacologici e comportamentali – per suggerire diagnosi differenziali, individuare opzioni terapeutiche personalizzate o proporre aggiustamenti di dosaggio delle terapie. La loro utilità si manifesta soprattutto nei casi clinici complessi, in cui il numero di variabili in gioco supera la capacità di elaborazione del singolo specialista.
A livello europeo, il progetto individualizedPaediatricCure (iPC), finanziato da Horizon 2020 (grant 826121) e coordinato dalla società austriaca Technikon Forschungs‑ und Planungsgesellschaft mbH con la partecipazione del Barcelona Supercomputing Center – centro nazionale di supercomputazione spagnolo, situato a Barcellona e fondato nel 2005 -, ha sviluppato modelli predittivi basati su machine learning integrati con modelli meccanicistici per personalizzare le terapie nei tumori pediatrici ad alto rischio. Il sistema, basato su avatar virtuali, mira a supportare la selezione terapeutica personalizzata rispetto agli approcci convenzionali.
Negli Stati Uniti, uno dei CDSS più noti è Watson for Oncology, sviluppato da IBM in collaborazione con il Memorial Sloan Kettering Cancer Center, che ha addestrato l’algoritmo su migliaia di casi clinici reali. Uno studio condotto nel 2023 in Corea del Sud ha valutato le raccomandazioni fornite da Watson per 55 pazienti affetti da tumori urologici, rilevando un tasso di concordanza del 92,7% con le decisioni del Multidisciplinary Tumor Board locale. Tuttavia, lo studio ha anche evidenziato alcune limitazioni legate all’applicabilità clinica delle raccomandazioni nel contesto sanitario nazionale, sottolineando la necessità di adattamenti localizzati.
Tali strumenti non si propongono di sostituire il medico, ma piuttosto di amplificarne le capacità decisionali, promuovendo un’interazione sinergica tra competenza clinica e intelligenza artificiale. In ambienti sanitari sempre più complessi e multidisciplinari, l’IA si configura come una leva strategica per garantire coerenza terapeutica, tempestività nelle scelte e maggiore qualità delle cure. Tale potenzialità si estende, come evidenziato nel prosieguo, anche alla fase di monitoraggio post-terapia.
AI e monitoraggio continuo del paziente oncologico
L’integrazione dell’intelligenza artificiale nel monitoraggio continuo dei pazienti oncologici rappresenta una delle frontiere più promettenti della medicina digitale. Dopo aver esaminato il supporto decisionale per clinici e oncologi, è opportuno approfondire il ruolo dell’AI nella fase post-diagnosi e lungo il decorso terapeutico, dove la raccolta continua di dati può offrire un valore aggiunto sia in termini di prevenzione delle recidive che di gestione personalizzata degli effetti collaterali.
Sistemi basati su machine learning e deep learning stanno trasformando i dispositivi indossabili e le app mediche in strumenti capaci di rilevare parametri fisiologici, segnalare anomalie in tempo reale e adattare i protocolli terapeutici al mutare delle condizioni del paziente. Tali tecnologie consentono di spostare l’attenzione dal solo momento clinico alla cura continua e distribuita, aprendo la strada a un modello di sanità predittiva e proattiva.
In Europa, un esempio pionieristico è rappresentato dal progetto MyPath, finanziato dal programma Horizon Europe e coordinato dal Oslo University Hospital. L’iniziativa sviluppa soluzioni digitali basate su ePROM/ePREM (electronic Patient-Reported Outcome/Experience Measures) per favorire l’interazione tra paziente oncologico e team medico lungo tutto il percorso di cura, con l’obiettivo di implementare percorsi personalizzati di assistenza in diversi centri clinici europei.
Parallelamente il progetto CAPABLE (Cancer Patients Better Life Experience), finanziato da Horizon 2020 e coordinato dall’Università degli Studi di Pavia, ha sviluppato un sistema di coaching digitale basato su AI e modelli predittivi, integrando dati clinici, sensori ambientali, wearable e questionari, con l’obiettivo di identificare bisogni non previsti dei pazienti oncologici e fornire supporto personalizzato a domicilio.
Un caso altrettanto rilevante di tecnologia digitale volta al supporto domiciliare è la piattaforma OncoSmart, sviluppata dall’impresa salernitana RiAtlas S.r.l. insieme a clinici dell’Università degli Studi della Campania “Luigi Vanvitelli”. La soluzione consente il monitoraggio remoto di pazienti oncologici tramite wearable e app mobile, raccogliendo ePROs – ovvero le “risposte” fornite direttamente dai pazienti, tramite strumenti digitali, riguardo al proprio stato di salute, sintomi, funzionamento fisico o psicologico e qualità della vita – e dati vitali per generare alert clinici sull’andamento sintomatologico e supportare l’early detection degli eventi avversi.
Sul fronte statunitense si segnala la piattaforma Carevive, sviluppata da Carevive Systems, Inc., che permette il monitoraggio remoto dei pazienti oncologici integrando ePROs, dati clinici e linee guida all’interno della cartella clinica elettronica (EHR). Il sistema genera alert clinici in tempo reale quando emergono sintomi moderati o severi, supportando interventi tempestivi e contribuendo a migliorare la qualità della vita e ridurre ricoveri evitabili.
Queste soluzioni delineano un paradigma in cui la continuità della cura non è più affidata alla sola presenza ospedaliera ma è sostenuta da una rete intelligente di strumenti digitali, capaci di estendere l’attenzione clinica oltre le mura dell’ospedale.
AI nei pagamenti biometrici e nella gestione decentralizzata della salute
L’evoluzione dell’intelligenza artificiale nella medicina oncologica non si limita al supporto clinico e alla personalizzazione delle terapie, ma si estende anche a nuove modalità di gestione dei dati sanitari e di accesso ai servizi, delineando il paradigma emergente della sanità computazionale personalizzata. In questo modello, l’identità biologica dell’individuo – tratti fisiologici come volto, voce o impronte digitali – può diventare una chiave sicura per l’interazione con le infrastrutture sanitarie.
Un caso emblematico nei pagamenti biometrici è rappresentato da Uniqul, un’azienda finlandese che ha sviluppato una delle prime tecnologie di riconoscimento facciale per autorizzare transazioni retail, riducendo i tempi di pagamento a pochi secondi. Il sistema utilizza algoritmi di sicurezza “military grade”, ovvero standard di crittografia e protezione dei dati comparabili a quelli impiegati in ambito militare, al fine di garantire l’identificazione sicura degli utenti e la protezione contro accessi non autorizzati.
Parallelamente, si sta affermando il concetto di gestione decentralizzata dei dati sanitari tramite infrastrutture blockchain e intelligenza artificiale. Un’iniziativa significativa in questo senso è il progetto europeo MyHealthMyData (MHMD), finanziato dal programma Horizon 2020 e coordinato dall’azienda italiana Lynkeus S.r.l., che ha condotto allo sviluppo di una piattaforma decentralizzata per proteggere la privacy dei dati clinici, automatizzare i processi di consenso informato e consentire lo scambio sicuro e controllato delle informazioni tra cittadini, medici, istituzioni e ricercatori, sfruttando anche tecnologie di AI per la gestione dinamica dei diritti d’accesso.
Inoltre, a livello globale, la società statunitense BurstIQ ha sviluppato la piattaforma blockchain LifeGraph, per la gestione sicura e decentralizzata dei dati sanitari. Gli utenti possono controllare i propri profili sanitari cifrati tramite smart contracts e verifiable credentials, autorizzando selettivamente l’accesso a clinici, ricercatori o assicuratori. Pur non essendo focalizzata sull’oncologia, la piattaforma abilita lo sharing controllato dei dati, promuove privacy-by-design ed integra analisi predittive aggregate, garantendo conformità a standard come il Health Insurance Portability and Accountability Act e il GDPR.
Tutti gli anzidetti sviluppi tecnologici aprono possibilità significative per migliorare la trasparenza, la sicurezza e la personalizzazione nell’accesso ai servizi sanitari ma pongono, al contempo, anche nuove sfide in termini di equità, governance algoritmica e protezione dei diritti individuali.
Limiti, rischi e sfide etiche
L’integrazione pervasiva dell’intelligenza artificiale nella medicina oncologica – dalla diagnosi precoce alla gestione dei dati sanitari decentralizzati – solleva, come anticipato, interrogativi profondi ed urgenti sul piano etico, sociale e giuridico. Se da un lato queste tecnologie promettono benefici significativi in termini di efficienza, personalizzazione e accessibilità alle cure, dall’altro emergono criticità che impongono una riflessione strutturata sulle modalità di implementazione, sulla trasparenza algoritmica e sull’equità dei processi decisionali.
Un nodo cruciale riguarda la discriminazione algoritmica: numerosi studi dimostrano che algoritmi clinici utilizzati per la previsione del rischio di tumore al seno possono sottostimare il rischio nei pazienti appartenenti a minoranze etniche, essenzialmente perché addestrati prevalente su dati di donne caucasiche.
Anche il Garante per la protezione dei dati personali in Italia ha sottolineato, in contesti ufficiali, l’urgenza di audit algoritmici, trasparenza dei processi decisionali e supervisione umana nei sistemi automatizzati usati in sanità.
La sovranità dei dati sanitari
Altro tema cruciale è la sovranità dei dati sanitari, soprattutto quando vengono gestiti tramite reti digitali controllate da soggetti privati. Il progetto europeo TEHDAS (Towards European Health Data Space), attivo tra il 2021 e il 2023, ha sviluppato linee guida e un framework tecnico per garantire un uso etico, sicuro ed interoperabile dei dati sanitari in UE.
Il Regolamento EHDS (EU 2025/327), entrato in vigore il 26 marzo 2025, introduce diritti come la portabilità dei dati elettronici di salute, l’opt‑out per l’uso secondario e criteri rigorosi per l’interoperabilità e audit dei sistemi di EHR. Nonostante ciò, alcuni esperti di regolamentazione digitale evidenziano che la trasparenza sull’uso algoritmico e la gestione del consenso dinamico restano aspetti da consolidare sul piano pratico.
Inoltre, l’adozione di sistemi di intelligenza artificiale nei processi decisionali clinici solleva interrogativi etici rilevanti, tra cui il rischio di deresponsabilizzazione degli operatori sanitari.
Studi recenti pubblicati su riviste come The Lancet Digital Health e Nature Medicine segnalano come l’eccessiva fiducia nei risultati generati da algoritmi predittivi possa ridurre la centralità del giudizio clinico, con potenziali ripercussioni sulla personalizzazione della cura. In ambito oncologico, ad esempio, l’uso di sistemi AI per la valutazione del rischio di metastasi o la scelta delle terapie deve essere sempre accompagnato da una supervisione medica attiva e da processi di validazione clinica rigorosa.
Il rischio di un gap nell’accesso alle nuove tecnologie
Infine, vi è un rischio crescente di disuguaglianza nell’accesso alle innovazioni: tecnologie come i digital twin, la medicina predittiva omica e le piattaforme biometriche tendono a concentrarsi nei centri d’eccellenza e nei paesi ad alto reddito.
In Italia, fondazioni come Gimbe sottolineano l’esistenza di una ‘frattura strutturale’ tra Nord e Sud riguardo l’accessibilità ai servizi oncologici avanzati e alle risorse tecnologiche come il sequenziamento NGS (acronimo di Next-Generation Sequencing).
Sul piano globale, l’Organizzazione Mondiale della Sanità, attraverso la sua strategia digitale per la salute, riafferma la necessità che l’innovazione in sanità digitale sia implementata in modo da ridurre, non accrescere, le disuguaglianze nei servizi sanitari.
Alla luce di questi scenari, è evidente come il progresso tecnologico non possa prescindere da una governance etica solida, partecipata ed orientata alla giustizia sanitaria. La sfida, ora più che mai, è operare una riflessione collettiva finalizzata alla creazione di un modello di sanità digitale in cui l’AI sia non solo strumento di precisione terapeutica ma anche fattore di equità, responsabilità e umanità.
In questa direzione si inseriscono anche iniziative formative come l’hackathon AI-DEA promosso dall’IRST “Dino Amadori” IRCCS di Meldola, in cui un centinaio di studenti liceali si sono confrontati sull’uso dell’intelligenza artificiale in ambito sanitario, in particolare nel miglioramento dell’accesso alle cure oncologiche. L’evento ha contribuito a promuovere una maggiore consapevolezza delle potenzialità dell’AI nella salute e dell’importanza di una cultura educativa che includa dimensioni scientifiche, etiche e digitali.
Conclusione
L’applicazione dell’intelligenza artificiale alla medicina oncologica rappresenta uno dei più rilevanti punti di svolta della sanità contemporanea. Come emerso lungo il percorso tracciato da questo articolo, l’AI si configura oggi non soltanto come strumento ausiliario, ma come un vero e proprio motore epistemico capace di trasformare l’intera filiera dell’oncologia: dalla prevenzione alla diagnosi, dalla prognosi alla terapia, fino alla gestione personalizzata del paziente.
Tuttavia, l’efficacia di queste tecnologie dipenderà sempre più dalla capacità delle istituzioni e dei centri di ricerca di governare con consapevolezza il cambiamento. Non è sufficiente che l’AI sia performante: deve essere anche trasparente, auditabile, inclusiva e coerente con i principi di giustizia sanitaria. Il rischio di una medicina aumentata per pochi – selettiva, algoritmica, escludente – è concreto. In questo contesto, la dimensione etica e regolatoria non può essere marginale o accessoria ma deve rappresentare l’asse portante nello sviluppo della medicina del futuro.
