L’intelligenza artificiale può accelerare l’analisi di dati clinici e contribuire alla ricerca biomedica, ma apre interrogativi che i controlli tradizionali non sempre riescono a intercettare. Il 21 luglio 2026 l’Organizzazione mondiale della sanità ha pubblicato un rapporto dedicato alla revisione etica e alla supervisione degli studi sanitari che coinvolgono l’IA. Il documento non presenta un divieto né un allarme su un singolo sistema: analizza le lacune delle procedure esistenti e indica le aree in cui servono verifiche più adeguate. Il titolo di partenza va quindi precisato: il richiamo dell’OMS riguarda il rafforzamento della governance della ricerca, non una nuova misura universale già introdotta.
L’OMS ha pubblicato nel luglio 2026 un rapporto dedicato alla supervisione etica della ricerca sanitaria che utilizza intelligenza artificiale, con attenzione anche alle disuguaglianze tra Paesi. Immagine illustrativa generata con intelligenza artificiale.
who.intArtificial intelligence (AI) is increasingly used in health-related research to generate knowledge, insights and technologies, but its application may challenge established ethical principles and human rights protections and create novel risks that existing oversight systems do not fully address.
Un rapporto triplice
Il rapporto distingue tre ambiti: l’analisi di dati sanitari mediante IA, gli studi condotti utilizzando strumenti di intelligenza artificiale e la ricerca che valuta direttamente sistemi o applicazioni di IA. La distinzione è importante perché rischi e responsabilità cambiano con lo scopo: un algoritmo che rielabora cartelle cliniche non pone esattamente le stesse questioni di una sperimentazione su un nuovo modello o di uno studio in cui l’IA supporta attività dei ricercatori. Secondo l’OMS, i comitati etici e i sistemi di supervisione possono non essere attrezzati per cogliere tutti questi aspetti, soprattutto quando metodi, dati e uso previsto evolvono rapidamente.
Uno dei rischi centrali nasce dai dati utilizzati per addestrare o verificare i modelli. Se un insieme di dati rappresenta soprattutto determinati gruppi, strutture sanitarie o contesti nazionali, il sistema potrebbe funzionare peggio per persone e popolazioni meno presenti. La distorsione non è soltanto un problema tecnico: può influenzare quali condizioni vengono riconosciute, quali risultati vengono considerati attendibili e chi beneficia delle innovazioni. Le raccomandazioni STANDING Together, elaborate con il contributo di partecipanti da decine di Paesi, richiamano l’importanza di documentare composizione e limiti dei dataset e di valutare gli effetti sui diversi gruppi.
pmc.ncbi.nlm.nih.govWithout careful dissection of the ways in which biases can be encoded into artificial intelligence (AI) health technologies, there is a risk of perpetuating existing health inequalities at scale. One major source of bias is the data that underpins ...
La tutela delle informazioni personali è un altro nodo, perché la ricerca può basarsi su dati clinici, genetici o raccolti in precedenti attività sanitarie. Anche quando i dati sono trattati per ridurre l’identificazione diretta, restano da chiarire finalità, condizioni di accesso, tempi di conservazione e possibilità di riuso. La questione etica riguarda inoltre la comprensibilità del consenso: una persona può aver accettato uno studio specifico senza poter prevedere ogni futuro impiego dei propri dati per addestrare o testare strumenti. L’OMS considera la governance dei dati e i meccanismi di accesso parte integrante della supervisione, non un adempimento separato dalla valutazione scientifica.
Risposte plausibili ma errate, incomplete o distorte
Nei sistemi generativi si aggiunge il rischio di risposte plausibili ma errate, incomplete o distorte. In una ricerca, un errore può propagarsi dalla selezione delle informazioni alla formulazione di un’ipotesi, fino alla comunicazione dei risultati. Se le procedure non rendono trasparenti strumenti, versioni utilizzate e passaggi decisionali, diventa più difficile riprodurre un’analisi o capire chi debba intervenire quando il modello sbaglia. L’OMS aveva già richiamato nel 2024 i rischi di inaccuratezza, bias e automazione eccessiva nei modelli multimodali applicati anche alla ricerca scientifica e allo sviluppo di farmaci. L’uso dell’IA non trasferisce al software la responsabilità ultima delle decisioni di ricerca.
Il rapporto del 2026 richiama inoltre differenze tra Paesi e istituzioni: disponibilità di infrastrutture, competenze tecniche e capacità di negoziare l’accesso ai dati non sono distribuite in modo uniforme. Questo può produrre squilibri nella scelta delle domande di ricerca, nel controllo dei dataset e nella distribuzione dei vantaggi ottenuti. L’OMS menziona in particolare rischi per i Paesi a reddito basso e medio, tra cui pratiche estrattive sui dati, trasferimento di studi senza adeguata tutela locale e condivisione iniqua dei benefici. Una supervisione etica, in questa prospettiva, deve valutare non solo la sicurezza del modello, ma anche chi partecipa, chi decide e chi riceve i risultati.
Il quadro proposto non equivale a bloccare la ricerca né a sottoporre ogni uso dell’IA alla stessa procedura. La posta in gioco è adattare le verifiche al tipo di studio e ai rischi per le persone e le comunità. Tra gli elementi da considerare rientrano la qualità e la provenienza dei dati, la protezione della privacy, la possibilità di individuare errori, la trasparenza dei metodi e la distribuzione dei benefici. In precedenti indicazioni, l’OMS ha individuato principi come autonomia, sicurezza, equità, trasparenza e responsabilità; il nuovo rapporto porta l’attenzione sulle modalità concrete con cui la revisione etica può tenerne conto nella ricerca.
La letteratura scientifica converge su un punto: dichiarare che un algoritmo è accurato in media non basta a dimostrare che sia affidabile per ogni gruppo o ambiente. Le prestazioni possono cambiare quando i dati provengono da ospedali, popolazioni o pratiche cliniche diverse da quelle usate nello sviluppo. Per questo la valutazione deve includere controlli disaggregati, descrizione dei dati e limiti dichiarati, oltre a verifiche indipendenti e aggiornate. Le raccomandazioni sulla trasparenza dei dataset sottolineano che documentare ciò che manca nei dati aiuta a interpretare i risultati e a ridurre il rischio di amplificare disparità già presenti nei sistemi sanitari.
Coinvolte anche riviste scientifiche, finanziatori, autorità regolatorie
Anche riviste scientifiche, finanziatori, autorità regolatorie e soggetti che gestiscono l’accesso ai dati hanno un ruolo, secondo il rapporto OMS. Una ricerca responsabile dovrebbe rendere comprensibili il contributo dell’IA, i passaggi in cui è stata impiegata e le verifiche umane effettuate, senza presentare come certe conclusioni che dipendono da sistemi non pienamente interpretabili. La trasparenza serve a chi valuta lo studio e a chi potrebbe utilizzare i risultati in seguito. Non elimina da sola errori o distorsioni, ma permette di sottoporre metodi e conclusioni a controlli più solidi e di attribuire responsabilità in modo meno ambiguo.
La posta in gioco non è soltanto la correttezza di un singolo algoritmo. Se un modello sviluppato su dati limitati orienta studi successivi, le sue omissioni possono consolidarsi nelle evidenze disponibili e influenzare in futuro strumenti e priorità cliniche. È un rischio plausibile, non un esito automatico: dipende da come il modello viene costruito, testato e integrato nella ricerca. Proprio per questo il richiamo a una revisione etica più competente ha valore preventivo. La valutazione deve interrogare sia la qualità tecnica sia gli effetti distributivi, evitando che l’efficienza nell’elaborazione diventi il criterio dominante a scapito di equità e tutela dei partecipanti.
Il rapporto dell’OMS mette sul tavolo anche un tema istituzionale: trasformare principi condivisi in prassi verificabili nei diversi contesti. Sarà importante capire come comitati etici, finanziatori, editori e autorità applicheranno indicazioni su dati, responsabilità e partecipazione delle comunità, senza creare procedure identiche per studi con livelli di rischio molto diversi. La direzione auspicata è una valutazione proporzionata, capace di aggiornarsi quando cambiano modelli o finalità. Non è possibile dedurre dal documento tempi uniformi né l’adozione automatica di nuove leggi: l’evoluzione dipenderà dalle decisioni dei singoli sistemi e Paesi.
Un passaggio da monitorare riguarda la capacità concreta di verificare i modelli fuori dagli ambienti in cui sono stati sviluppati. Servono informazioni sulla provenienza dei dati, test su gruppi differenti e procedure per segnalare risultati inattesi; occorre inoltre chiarire chi risponde delle scelte quando l’IA è integrata nel lavoro di ricerca. L’OMS considera anche il ruolo complementare di agenzie regolatorie, riviste e finanziatori: la loro collaborazione potrebbe rendere più coerenti controlli oggi distribuiti tra attori diversi. La possibile evoluzione è quindi un rafforzamento graduale della governance, ma la sua efficacia andrà misurata sulla trasparenza degli studi, sulla tutela effettiva dei partecipanti e sulla distribuzione dei benefici, non soltanto sull’esistenza di nuove linee guida.
