Una radiografia mostra un torace credibile, con coste, polmoni e profilo cardiaco perfettamente riconoscibili. Eppure quel paziente non è mai entrato in ospedale. Non ha un nome, non ha respirato davanti all’apparecchio e non è mai stato esposto ai raggi X: l’immagine è stata interamente costruita dall’intelligenza artificiale.
Non è più soltanto un’ipotesi.
Nel marzo 2026 uno studio pubblicato sulla rivista Radiology ha mostrato quanto sia diventato difficile distinguere le radiografie autentiche da quelle sintetiche. Diciassette radiologi di sei Paesi hanno esaminato 264 immagini del torace, metà reali e metà generate con sistemi di IA. Quando non erano stati avvertiti della presenza di falsi, soltanto il 41 per cento ha intuito che nel gruppo si nascondevano immagini artificiali. Anche dopo l’avvertimento, la capacità media di separare le radiografie vere da quelle sintetiche si è fermata intorno al 75 per cento. Nemmeno i modelli multimodali di intelligenza artificiale sono risultati sempre affidabili nel riconoscere le immagini prodotte da altre IA.
Il risultato apre uno scenario che va ben oltre le truffe assicurative. Se una radiografia falsa può apparire clinicamente plausibile, la stessa tecnologia potrebbe teoricamente essere impiegata per costruire cartelle sanitarie, inventare malattie, simulare risposte a una terapia o creare pazienti mai esistiti da inserire in una sperimentazione.
Il caso Alzheimer che ha acceso l’allarme
A riportare il tema dentro la cronaca giudiziaria è stata anche una controversia nata negli Stati Uniti. Una Società impegnata nello sviluppo di un farmaco sperimentale contro la malattia di Alzheimer, ha chiamato in una causa alcuni centri di ricerca della Florida sostenendo di aver fornito dati falsificati o medicalmente impossibili. Secondo le contestazioni dell’azienda, rilanciate nel gennaio 2026 dalla rivista Science, in alcuni centri sarebbero stati arruolati soggetti che non possedevano realmente i requisiti previsti dal protocollo e sarebbero comparsi dati clinici incompatibili con la storia dei partecipanti. Le accuse sono oggetto di controversia e almeno uno dei gruppi coinvolti le ha respinte, sostenendo di aver rispettato gli standard della ricerca. Sarà dunque un giudice confortato da una Ctu a stabilire chi ha ragione.
Il caso mostra soprattutto il terreno sul quale gli strumenti generativi potrebbero innestarsi: studi multicentrici, migliaia di documenti, esami provenienti da strutture differenti e controlli spesso effettuati soltanto dopo la raccolta dei dati.
Un tempo inventare un partecipante richiedeva la costruzione manuale di visite, analisi, referti e firme. Oggi un sistema generativo può produrre rapidamente anamnesi coerenti, referti di laboratorio, diari dei sintomi e immagini diagnostiche apparentemente compatibili tra loro. La frode non diventerebbe necessariamente più raffinata dal punto di vista medico, ma potrebbe diventare molto più abbondante, economica e difficile da individuare.
Perché qualcuno dovrebbe inventare un paziente
I centri che partecipano agli studi clinici vengono generalmente remunerati per le attività svolte e per ogni persona correttamente arruolata e seguita. Il reclutamento, soprattutto nelle malattie rare, nell’oncologia e nelle demenze, è uno dei passaggi più lenti e costosi.
I criteri di inclusione possono essere molto rigidi: età, diagnosi confermata, livello di gravità, biomarcatori, terapie precedenti e assenza di determinate patologie.
Se i candidati adatti sono pochi, aumenta la pressione per raggiungere gli obiettivi fissati.
La maggior parte dei ricercatori e dei centri opera naturalmente nel rispetto delle regole. Ma dove esistono incentivi economici, controlli disomogenei e grandi quantità di dati possono aprirsi spazi per condotte poco chiare: arruolamenti duplicati, risultati copiati, visite mai avvenute oppure misurazioni modificate per far rientrare un paziente nei criteri dello studio possono essere una ipotesi su cui fare chiarezza. L’IA generativa potrebbe aggiungere un nuovo livello: non più il singolo valore corretto a mano, ma un’intera identità clinica sintetica.
Il paziente sintetico non è sempre una frode
Occorre però distinguere nettamente l’inganno dall’uso scientifico legittimo dei dati artificiali. I “pazienti sintetici” vengono già studiati per simulare il decorso di una malattia, progettare meglio una sperimentazione e, in determinate condizioni, costruire gruppi di controllo esterni ricavati da dati storici. Possono aiutare la ricerca nelle malattie rare, dove è difficile reclutare grandi numeri, oppure ridurre il numero di volontari assegnati al placebo.
Allo stesso modo, immagini radiologiche artificiali possono servire per addestrare gli algoritmi, rappresentare patologie poco frequenti e condividere materiale di ricerca limitando l’esposizione dei dati personali. La differenza decisiva è la trasparenza.
Un dato sintetico dichiarato, validato e utilizzato secondo un protocollo, è uno strumento di ricerca. Lo stesso dato presentato come proveniente da una persona reale diventa una falsificazione.
Anche i dati sintetici legittimi non sono automaticamente neutrali. Se il modello viene addestrato prevalentemente su una determinata popolazione, può ricostruire una medicina che rappresenta male donne, anziani, minoranze o pazienti affetti da più malattie. Un paziente virtuale può imitare i pregiudizi presenti nell’archivio da cui è stato generato.
Come si scopre un malato inventato
Non basta più osservare se un’immagine “sembra strana”. Le radiografie sintetiche hanno dimostrato di poter ingannare anche occhi esperti. La difesa dovrà quindi spostarsi dall’aspetto del documento alla sua provenienza.
Ogni dato clinico dovrebbe lasciare una catena verificabile: prescrizione dell’esame, prenotazione, identificazione del paziente, dispositivo utilizzato, orario di acquisizione, file originale e successive modifiche. Una radiografia presente nella cartella ma priva di una traccia coerente nel sistema ospedaliero rappresenta un segnale da approfondire.
Anche la stessa IA può diventare uno strumento antifrode. Può confrontare migliaia di cartelle, individuare sequenze temporali impossibili, scoprire immagini duplicate e segnalare gruppi di pazienti con dati sospettosamente simili. Ma non può essere l’unico controllore: se un algoritmo non riesce sempre a riconoscere il materiale generato da un altro algoritmo, la verifica umana e documentale resta indispensabile.
La risposta delle autorità regolatorie
FDA ed European Medicines Agency hanno pubblicato nel gennaio 2026 dieci principi comuni per un uso corretto dell’intelligenza artificiale nello sviluppo dei medicinali. Il modello deve avere uno scopo chiaramente definito, essere fondato su dati adeguati, documentato, valutato in rapporto al rischio e sottoposto a controlli durante tutto il suo ciclo di vita. La responsabilità finale deve restare umana.
La FDA sta contemporaneamente sperimentando studi clinici “in tempo reale”. Due progetti avviati con AstraZeneca e Amgen permettono all’autorità di ricevere durante la sperimentazione alcuni segnali su sicurezza ed esiti, senza attendere la preparazione finale di tutta la documentazione. L’obiettivo è accelerare lo sviluppo delle terapie, ma il flusso diretto dei dati potrebbe anche rendere più difficile manipolarli a posteriori.
La stessa autorità americana ha indicato sette qualità essenziali per l’IA applicata agli studi: validità, sicurezza, protezione, responsabilità, spiegabilità, tutela della riservatezza ed equità. Il problema non è dunque fermare gli algoritmi, ma garantire che ogni risultato possa essere ricondotto a una fonte controllabile.
Il rischio vero è una medicina fondata su persone immaginarie
Una frode in uno studio clinico non danneggia soltanto l’azienda che finanzia la ricerca. Dati falsi possono far apparire efficace una terapia che non lo è, nascondere un effetto indesiderato oppure affossare un farmaco potenzialmente utile.
Quando quei risultati entrano nelle pubblicazioni scientifiche possono essere ripresi da linee guida, revisioni e altri studi. Un paziente inesistente finisce così per influenzare decisioni prese su pazienti reali.
Il punto più inquietante della nuova stagione dei deepfake medici non è dunque che una macchina sappia disegnare bene una radiografia ma che immagini, referti e storie cliniche possono diventare così coerenti da formare una biografia sanitaria completa, pur senza appartenere ad alcun essere umano.
La ricerca dovrà quindi dimostrare da dove arriva, chi lo ha prodotto e quale persona reale esiste dietro quel numero.
Bibliografia essenziale
Tordjman M. et al. The Rise of Deepfake Medical Imaging: Radiologists and Large Language Models Meet Synthetic Chest Radiographs. Radiology, 2026, 318:e252094.
Májovský M. et al. Artificial Intelligence Can Generate Fraudulent but Authentic-Looking Scientific Medical Articles. Journal of Medical Internet Research, 2023.
FDA. AI-Enabled Optimization of Early-Phase Clinical Trials Pilot Program, Federal Register, 2026.
FDA–EMA. Guiding Principles of Good AI Practice in Drug Development, 2026.
EMA. Reflection Paper on the Use of Artificial Intelligence in the Medicinal Product Lifecycle, 2024.