Agenzie Regolatorie, il decalogo per utilizzare tool AI nello sviluppo di farmaci

A cura di David Frati By 11 Febbraio 2026No Comments
Speciali

Il Center for Drug Evaluation and Research (CDER) e il Center for Biologics Evaluation and Research (CBER) della U.S. Food and Drug Administration (FDA), in collaborazione con la European Medicines Agency (EMA), hanno definito un set di dieci principi guida per l’utilizzo di tool di Intelligenza Artificiale (AI) nello sviluppo dei farmaci. Tali principi sono rivolti agli operatori del settore farmaceutico e agli sviluppatori che utilizzano l’AI per facilitare e accelerare l’iter di approvazione di farmaci e prodotti biologici.

Con l’espansione dell’utilizzo di strumenti AI lungo l’intero ciclo di vita del prodotto farmaceutico, FDA ed EMA hanno compreso quanto fosse urgente stabilire standard di Good Practice in questo campo in rapidissima espansione. Questi protocolli sono progettati per allinearsi ai rigorosi requisiti di qualità propri dello sviluppo farmaceutico, garantendo la sicurezza del paziente e il beneficio terapeutico. Le tecnologie di AI offrono prospettive significative per ridurre il time-to-market di nuove molecole, potenziare la farmacovigilanza e ridurre il ricorso alla sperimentazione animale — obiettivi coerenti del resto con la mission di FDA ed EMA. Tuttavia, in assenza di una supervisione rigorosa nel design, nella validazione e nell’applicazione di tali tecnologie, sussiste il rischio di generare risultati inaccurati o non affidabili. Attraverso questo framework, le agenzie mirano a promuovere un’integrazione responsabile dell’AI nei processi di produzione. I principi individuano inoltre aree d’intervento per le organizzazioni internazionali volte a definire ulteriori politiche regolatorie, legali e linee guida per il progresso responsabile dell’AI nello sviluppo dei farmaci e nella medicina in generale.

Ecco il decalogo FDA/EMA:

1. Design antropocentrico strutturale.
2. Approccio basato sul rischio.
3. Adesione agli standard legali, etici, tecnici, scientifici, di cybersicurezza e normativi.
4. Definizione chiara del contesto d’uso.
5. Competenza multidisciplinare.
6. Governance dei dati e documentazione, con particolare attenzione alla protezione dei dati sensibili.
7. Progettazione e sviluppo dei modelli: trasparenza, affidabilità, generalizzabilità e robustezza del design dei modelli AI.
8. Valutazione delle performance basata sul rischio.
9. Gestione del ciclo di vita con monitoraggio programmato e rivalutazione periodica dei sistemi per l’ottimizzazione delle prestazioni, inclusa la mitigazione del potenziale data drift.
10. Informazione chiara ed essenziale.