AI e Clinical Trials: il nuovo perimetro normativo e fiscale per le Big Pharma

a cura di Pierpaolo Molinengo - giornalista

L’industria farmaceutica globale sta attraversando una rivoluzione silenziosa ma radicale, dove il campo di battaglia strategico si è spostato dai banchi dei laboratori biologici alla potenza computazionale degli algoritmi predittivi. L’intelligenza artificiale (AI) sta accelerando la fase di ricerca clinica con una velocità senza precedenti, trasformando la tecnologia da mero strumento di supporto scientifico a leva finanziaria d’impatto per i bilanci delle Big Pharma.

I dati storici macroeconomici del settore – riassunti nei report del Tufts Center for the Study of Drug Development – evidenziano che lo sviluppo di una nuova entità chimica o biologica richiede mediamente dagli 11 ai 13 anni, con investimenti che superano i 2,6 miliardi di dollari e tassi di fallimento nelle fasi cliniche superiori al 90%. In questo scenario, la contrazione del Time-to-Market non è solo un obiettivo terapeutico, ma una necessità di bilancio. Diventa quindi essenziale analizzare l’impatto dell’AI non attraverso una lente ingegneristica, ma come un asset di governance finanziaria, strettamente interconnesso con un quadro normativo e fiscale profondamente ridisegnato.

Il ROI del tempo: l’impatto finanziario dell’AI nei trial

La fase di sperimentazione clinica rappresenta storicamente il principale collo di bottiglia economico nel ciclo di vita del farmaco, assorbendo fino al 60-70% dell’intero budget di R&D. L’introduzione di modelli algoritmici avanzati – dall’apprendimento automatico (Machine Learning) ai Large Language Models (LLM) specializzati – agisce direttamente sulle inefficienze strutturali dei trial attraverso tre direttrici finanziarie.

• L’ottimizzazione del reclutamento e dello screening: Il ritardo nell’arruolamento dei pazienti è la causa primaria del fallimento temporale dei clinical trials: le statistiche della Society for Clinical Trials evidenziano che circa l’80% delle sperimentazioni globali non rispetta le scadenze iniziali a causa di protocolli di inclusione troppo rigidi o difficoltà di tracciamento dei candidati. I sistemi di AI applicati alle cartelle cliniche elettroniche (Electronic Health Records – EHR) sono oggi in grado di analizzare istantaneamente milioni di dati clinici non strutturati. L’efficacia di questo approccio è stata misurata in uno studio fondamentale condotto dai ricercatori del National Institutes of Health (NIH) e del National Cancer Institute (NCI) di Bethesda, pubblicato sulla rivista scientifica JMIR Medical Informatics. La ricerca, focalizzata sul sistema TrialGPT, ha dimostrato che l’algoritmo ha raggiunto un’accuratezza del 87,3% nella rilevazione dell’eleggibilità dei pazienti, riducendo i tempi e i costi di screening manuale del 42,6%. Per una Big Pharma, contrarre di sei mesi la fase di arruolamento di un trial globale di Fase III significa risparmiare milioni di dollari in costi vivi di gestione dei centri clinici.

• I bracci di controllo sintetici (Synthetic Control Arms – SCA): Una delle innovazioni a più alto impatto finanziario è la progressiva sostituzione dei gruppi di controllo tradizionali (i pazienti a cui viene somministrato il placebo) con i cosiddetti “Gemelli Digitali” (Digital Twins). Utilizzando Real-World Data (RWD) e dati storici aggregati da precedenti trial, gli algoritmi generano coorti di pazienti virtuali. La validità scientifica di questa metodologia è stata sancita dal progetto Trial Pathfinder, uno studio guidato dalla Stanford University e pubblicato sulla rivista Nature (Vol. 592). Analizzando i dati storici di oltre 61.000 pazienti affetti da carcinoma polmonare avanzato forniti da Genentech (gruppo Roche), l’algoritmo ha dimostrato che l’ottimizzazione dei criteri tramite dati sintetici avrebbe quasi raddoppiato la platea dei pazienti idonei (un aumento del 107%) senza compromettere la sicurezza della sperimentazione. L’impatto sul bilancio è duplice: si azzerano i costi logistici e assicurativi per la coorte di controllo e si accelera il trial, poiché tutti i pazienti fisici arruolati ricevono il trattamento attivo.

• La predictive attrition e la strategia del Fail Fast: La capacità predittiva dell’AI consente di intercettare precocemente, tramite modelli di simulazione tossicologica, i segnali latenti di inefficacia di un farmaco. Come rilevato in un’analisi della società di consulenza strategica McKinsey & Company sull’efficienza della R&D farmaceutica, scoprire che una molecola è tossica o inefficace durante la Fase III rappresenta il picco di perdita finanziaria per un’azienda. L’AI permette l’applicazione sistematica del principio del fail fast: identificare il fallimento potenziale nelle primissime fasi del trial (Fase I o pre-clinica), interrompendo gli investimenti prima di allocare centinaia di milioni di dollari in trial massivi multicentrici.

Il nuovo perimetro normativo europeo: tra AI Act e GDPR

L’accelerazione tecnologica deve fare i conti con un quadro regolatorio europeo rigido. Le Big Pharma si trovano a operare all’interno di una complessa architettura normativa a doppio binario, definita dall’incrocio tra il Regolamento Europeo sull’Intelligenza Artificiale (AI Act) e il Regolamento Generale sulla Protezione dei Dati (GDPR).

• La classificazione ad alto rischio dell’AI medicale: in base al testo definitivo del Regolamento (UE) 2024/1689 (AI Act), e in particolare ai criteri tassativi sanciti dall’Allegato III, i software di AI impiegati nei trial clinici con finalità diagnostiche, predittive o di selezione dei pazienti rientrano pienamente nella categoria dei sistemi ad Alto Rischio. Come evidenziato dalle analisi giuridiche pubblicate sul Journal of Law and the Biosciences, questa classificazione vincola le aziende a requisiti di compliance rigorosi: data governance (Art. 10): obbligo di utilizzare dataset di addestramento e validazione privi di bias, di alta qualità e pienamente tracciabili; trasparenze e spiegabilità (Art. 13): gli algoritmi “black box”, il cui output non è logicamente ricostruibile, non sono ammissibili. Lo sperimentatore deve poter comprendere la logica sottostante a ogni decisione algoritmica; supervisione umana (Art. 14): presenza costante di protocolli di human-in-the-loop. Le sanzioni per il mancato rispetto di queste norme sono severe, potendo raggiungere il 7% del fatturato globale dell’impresa (Art. 99).

• Il paradosso del GDPR e il ruolo del Federated Learning: Il GDPR stabilisce che i dati relativi alla salute appartengono alle categorie particolari di dati personali (Art. 9). Fino ad oggi, le Pharma hanno fatto affidamento sulla pseudonimizzazione. Tuttavia, diversi studi di informatica giuridica ripresi dal European Data Protection Supervisor (EDPS) dimostrano che gli algoritmi di AI avanzati, incrociando i dati del trial con database pubblici o cartelle cliniche esterne, sono tecnicamente in grado di effettuare una re-identificazione del paziente. Per mitigare questo rischio legale, le Big Pharma stanno investendo nel Federated Learning (Apprendimento Federato) combinato con la Differential Privacy. Invece di centralizzare i dati sensibili dei pazienti trasferendoli dagli ospedali ai server della multinazionale (operazione complessa sotto il profilo della compliance transfrontaliera), il modello matematico viene inviato ed addestrato localmente all’interno delle infrastrutture dei singoli nodi ospedalieri. Come validato nei framework di ricerca dell’iniziativa europea MELLODY (un consorzio che unisce 10 Big Pharma e università), al server centrale della Pharma tornano solo gli aggiornamenti dei pesi algoritmici (valori numerici astratti), garantendo la privacy dei dati sensibili alla fonte e rispettando i principi di minimizzazione del dato sanciti dall’Art. 5 del GDPR.

Proprietà intellettuale: i nodi brevettuali dell’AI generativa

La ridefinizione dei trial tramite AI solleva un interrogativo giuridico fondamentale: a chi appartiene il valore generato quando la scoperta e l’ottimizzazione di un farmaco vedono la partecipazione di un sistema artificiale?

• Il dogma dell’inventore umano: La posizione ufficiale dei principali uffici brevettuali mondiali, inclusi l’European Patent Office (EPO) e l’USPTO statunitense, rimane rigida: l’inventore deve essere una persona fisica. Le istanze legali volte a riconoscere sistemi di AI come inventori – come nei noti contenziosi internazionali legati al progetto DABUS guidato dal professor Stephen Thaler e respinti formalmente dalla Corte di Giustizia Europea e dalla Corte Suprema degli Stati Uniti – hanno stabilito che l’AI è considerata un mero strumento nelle mani dello scienziato umano. Se da un lato questo protegge l’impianto tradizionale dei brevetti, dall’altro introduce un’area di incertezza: se l’apporto dell’AI nella definizione della struttura molecolare è stato esclusivo, la validità stessa del brevetto potrebbe essere impugnata dai concorrenti per mancanza di attività inventiva umana.

• Il rischio di contaminazione e la tutela tramite Trade Secret: Nell’architettura contrattuale delle Big Pharma emergono nuovi rischi legati all’utilizzo di modelli di AI di terze parti. L’immissione di dati proprietari relativi a target biologici all’interno di un’AI commerciale per simularne l’efficacia clinica può configurare una “contaminazione”: il dato privato rischia di entrare nel dataset di addestramento permanente del fornitore del software, distruggendo il requisito della novità assoluta richiesto per la brevettabilità in base alla Convenzione sul Brevetto Europeo (EPC). La strategia aziendale si sta quindi orientando verso una tutela ibrida: brevettazione classica: focalizzata sulla molecola fisica finale e sulle sue applicazioni terapeutiche; segreto commerciale (Trade Secret): regolato in Europa dalla Direttiva (UE) 2016/943, viene utilizzato per proteggere l’architettura dei dati, i modelli di simulazione dei trial e i pesi degli algoritmi proprietari, blindando il vantaggio competitivo tecnologico tramite accordi di non divulgazione (NDA).

La nuova geopolitica fiscale degli asset immateriali

Lo spostamento del valore economico dei clinical trials dai laboratori fisici alle infrastrutture computazionali ha un impatto immediato sulla pianificazione fiscale internazionale delle Big Pharma.

• La riqualificazione dei costi R&D per il Patent Box: I regimi fiscali agevolati sul reddito derivante dall’utilizzo di beni immateriali (i sistemi di Patent Box) e i crediti d’imposta per la ricerca e lo sviluppo richiedono una profonda revisione per includere le spese legate all’AI. In conformità con le linee guida fornite dalle agenzie fiscali europee (tra cui l’Agenzia delle Entrate in Italia nelle circolari di aggiornamento sui beni immateriali), i costi di locazione di server ad altissima capacità, i contratti di Cloud Computing per le simulazioni molecolari, le licenze di software di Machine Learning e gli stipendi dei data scientist devono essere riconosciuti come spese di R&D a tutti gli effetti, equiparandoli ai costi storici per reagenti chimici o laboratori bagnati.

• Le sfide del Transfer Pricing nell’AI condivisa: Nelle multinazionali del farmaco, le funzioni sono tipicamente parcellizzate in diverse giurisdizioni. Questa frammentazione genera complesse sfide in materia di Transfer Pricing (Prezzi di Trasferimento). Se la sussidiaria italiana raccoglie i dati clinici reali, la filiale irlandese sviluppa e addestra il modello di AI e la casa madre statunitense valida il trial clinico accelerato, come deve essere ripartito il profitto derivante dall’enorme risparmio di Time-to-Market? Le autorità fiscali applicano le linee guida OCSE sul Transfer Pricing basate sull’analisi DEMPE (Development, Enhancement, Maintenance, Protection, and Exploitation). Le Big Pharma devono documentare con precisione dove viene effettivamente esercitato il controllo economico e decisionale sull’algoritmo per evitare pesanti contestazioni di doppia imposizione o di shifting dei profitti verso paesi a fiscalità agevolata, un tema centrale nei controlli del Forum on Tax Administration dell’OCSE.