{"id":683606,"date":"2026-09-16T04:16:30","date_gmt":"2026-09-16T04:16:30","guid":{"rendered":"https:\/\/www.europesays.com\/it\/683606\/"},"modified":"2026-09-16T04:16:30","modified_gmt":"2026-09-16T04:16:30","slug":"pazienti-che-non-esistono-e-radiografie-deepfake-lintelligenza-artificiale-apre-una-nuova-frontiera-delle-frodi-mediche","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/it\/683606\/","title":{"rendered":"Pazienti che non esistono e radiografie deepfake: l\u2019intelligenza artificiale apre una nuova frontiera delle frodi mediche"},"content":{"rendered":"<p>Una <strong>radiografia<\/strong> mostra un torace credibile, con coste, polmoni e profilo cardiaco perfettamente riconoscibili. Eppure quel paziente non \u00e8 mai entrato in ospedale. Non ha un nome, non ha respirato davanti all\u2019apparecchio e non \u00e8 mai stato esposto ai raggi X: l\u2019immagine \u00e8 stata interamente costruita dall\u2019<strong>intelligenza artificiale<\/strong>.<br \/>Non \u00e8 pi\u00f9 soltanto un\u2019ipotesi.<\/p>\n<p>Nel <strong>marzo 2026<\/strong> uno studio pubblicato sulla rivista <strong>Radiology<\/strong> ha mostrato quanto sia diventato difficile distinguere le radiografie autentiche da quelle sintetiche. <strong>Diciassette radiologi<\/strong> di <strong>sei Paesi<\/strong> hanno esaminato <strong>264<\/strong> immagini del torace, met\u00e0 reali e met\u00e0 generate con sistemi di IA. Quando non erano stati avvertiti della presenza di falsi, soltanto il <strong>41 per cento<\/strong> ha intuito che nel gruppo si nascondevano immagini artificiali. Anche dopo l\u2019avvertimento, la capacit\u00e0 media di separare le radiografie vere da quelle sintetiche si \u00e8 fermata intorno al <strong>75 per cento<\/strong>. Nemmeno i modelli multimodali di intelligenza artificiale sono risultati sempre affidabili nel riconoscere le immagini prodotte da altre IA.\u00a0<\/p>\n<p>Il risultato apre uno scenario che va ben oltre le truffe assicurative. Se una <strong>radiografia falsa<\/strong> pu\u00f2 apparire clinicamente plausibile, la stessa tecnologia potrebbe teoricamente essere impiegata per costruire cartelle sanitarie, inventare malattie, simulare risposte a una terapia o creare <strong>pazienti<\/strong> mai esistiti da inserire in una sperimentazione.<\/p>\n<p>Il caso <strong>Alzheimer<\/strong> che ha acceso l\u2019allarme<br \/>A riportare il tema dentro la cronaca giudiziaria \u00e8 stata anche una controversia nata negli <strong>Stati Uniti<\/strong>. Una Societ\u00e0 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\u2019azienda, rilanciate nel <strong>gennaio 2026<\/strong> 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. Sar\u00e0 dunque un giudice confortato da una <strong>Ctu<\/strong> a stabilire chi ha ragione.\u00a0<br \/>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.<\/p>\n<p>Un tempo inventare un partecipante richiedeva la costruzione manuale di visite, analisi, referti e firme. Oggi un sistema generativo pu\u00f2 produrre rapidamente <strong>anamnesi<\/strong> coerenti, referti di laboratorio, diari dei sintomi e immagini diagnostiche apparentemente compatibili tra loro. La <strong>frode<\/strong> non diventerebbe necessariamente pi\u00f9 raffinata dal punto di vista medico, ma potrebbe diventare molto pi\u00f9 abbondante, economica e difficile da individuare.<\/p>\n<p>Perch\u00e9 qualcuno dovrebbe inventare un paziente<br \/>I centri che partecipano agli studi clinici vengono generalmente remunerati per le attivit\u00e0 svolte e per ogni persona correttamente arruolata e seguita. Il reclutamento, soprattutto nelle <strong>malattie rare<\/strong>, nell\u2019oncologia e nelle demenze, \u00e8 uno dei passaggi pi\u00f9 lenti e costosi.<br \/>I criteri di inclusione possono essere molto rigidi: et\u00e0, diagnosi confermata, livello di gravit\u00e0, biomarcatori, terapie precedenti e assenza di determinate patologie.<\/p>\n<p>Se i candidati adatti sono pochi, aumenta la pressione per raggiungere gli obiettivi fissati.<br \/>La maggior parte dei ricercatori e dei centri opera naturalmente nel rispetto delle regole. Ma dove esistono incentivi economici, controlli disomogenei e grandi quantit\u00e0 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.\u00a0 L\u2019IA generativa potrebbe aggiungere un nuovo livello: non pi\u00f9 il singolo valore corretto a mano, ma un\u2019intera <strong>identit\u00e0 clinica sintetica<\/strong>.<\/p>\n<p>Il paziente sintetico non \u00e8 sempre una frode<br \/>Occorre per\u00f2 distinguere nettamente l\u2019inganno dall\u2019uso scientifico legittimo dei dati artificiali. I \u201c<strong>pazienti sintetici<\/strong>\u201d vengono gi\u00e0 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 \u00e8 difficile reclutare grandi numeri, oppure ridurre il numero di volontari assegnati al placebo.<br \/>Allo stesso modo, immagini radiologiche artificiali possono servire per addestrare gli algoritmi, rappresentare patologie poco frequenti e condividere materiale di ricerca limitando l\u2019esposizione dei dati personali. La differenza decisiva \u00e8 la <strong>trasparenza<\/strong>.<\/p>\n<p>Un dato sintetico dichiarato, validato e utilizzato secondo un protocollo, \u00e8 uno strumento di ricerca. Lo stesso dato presentato come proveniente da una persona reale diventa una <strong>falsificazione<\/strong>.<br \/>Anche i dati sintetici legittimi non sono automaticamente neutrali. Se il modello viene addestrato prevalentemente su una determinata popolazione, pu\u00f2 ricostruire una medicina che rappresenta male donne, anziani, minoranze o pazienti affetti da pi\u00f9 malattie. Un <strong>paziente virtuale<\/strong> pu\u00f2 imitare i pregiudizi presenti nell\u2019archivio da cui \u00e8 stato generato.<\/p>\n<p>Come si scopre un malato inventato<br \/>Non basta pi\u00f9 osservare se un\u2019immagine \u201csembra strana\u201d. Le radiografie sintetiche hanno dimostrato di poter ingannare anche occhi esperti. La <strong>difesa<\/strong> dovr\u00e0 quindi spostarsi dall\u2019aspetto del documento alla sua provenienza.<br \/>Ogni dato clinico dovrebbe lasciare una <strong>catena verificabile<\/strong>: prescrizione dell\u2019esame, 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.<\/p>\n<p>Anche la stessa IA pu\u00f2 diventare uno strumento antifrode. Pu\u00f2 confrontare <strong>migliaia di cartelle<\/strong>, individuare sequenze temporali impossibili, scoprire immagini duplicate e segnalare gruppi di pazienti con dati sospettosamente simili. Ma non pu\u00f2 essere l\u2019unico controllore: se un algoritmo non riesce sempre a riconoscere il materiale generato da un altro algoritmo, la verifica umana e documentale resta indispensabile.<br \/>La risposta delle autorit\u00e0 regolatorie<\/p>\n<p>FDA ed <strong>European Medicines Agency<\/strong> hanno pubblicato nel <strong>gennaio 2026<\/strong> dieci principi comuni per un uso corretto dell\u2019intelligenza 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 responsabilit\u00e0 finale deve restare <strong>umana<\/strong>.\u00a0<br \/>La FDA sta contemporaneamente sperimentando studi clinici \u201c<strong>in tempo reale<\/strong>\u201d. Due progetti avviati con AstraZeneca e Amgen permettono all\u2019autorit\u00e0 di ricevere durante la sperimentazione alcuni segnali su sicurezza ed esiti, senza attendere la preparazione finale di tutta la documentazione. L\u2019obiettivo \u00e8 accelerare lo sviluppo delle terapie, ma il flusso diretto dei dati potrebbe anche rendere pi\u00f9 difficile manipolarli a posteriori.\u00a0<\/p>\n<p>La stessa autorit\u00e0 americana ha indicato <strong>sette<\/strong> qualit\u00e0 essenziali per l\u2019IA applicata agli studi: validit\u00e0, sicurezza, protezione, responsabilit\u00e0, spiegabilit\u00e0, tutela della riservatezza ed equit\u00e0. Il problema non \u00e8 dunque fermare gli algoritmi, ma garantire che ogni risultato possa essere ricondotto a una fonte <strong>controllabile<\/strong>.<br \/>Il rischio vero \u00e8 una medicina fondata su persone <strong>immaginarie<\/strong><\/p>\n<p>Una frode in uno studio clinico non danneggia soltanto l\u2019azienda che finanzia la ricerca. Dati falsi possono far apparire efficace una terapia che non lo \u00e8, nascondere un effetto indesiderato oppure affossare un farmaco potenzialmente utile.<br \/>Quando quei risultati entrano nelle pubblicazioni scientifiche possono essere ripresi da linee guida, revisioni e altri studi. Un paziente inesistente finisce cos\u00ec per influenzare <strong>decisioni<\/strong> prese su pazienti reali.<\/p>\n<p>Il punto pi\u00f9 inquietante della nuova stagione dei deepfake medici non \u00e8 dunque che una macchina sappia disegnare bene una radiografia ma che immagini, referti e storie cliniche possono diventare cos\u00ec coerenti da formare una <strong>biografia sanitaria completa<\/strong>, pur senza appartenere ad alcun essere umano.<br \/>La ricerca dovr\u00e0 quindi dimostrare da dove arriva, chi lo ha prodotto e quale <strong>persona reale<\/strong> esiste dietro quel numero.<\/p>\n<p>Bibliografia essenziale<br \/>Tordjman M. et al. The Rise of Deepfake Medical Imaging: Radiologists and Large Language Models Meet Synthetic Chest Radiographs. <strong>Radiology, 2026, 318:e252094<\/strong>.<br \/>M\u00e1jovsk\u00fd M. et al. Artificial Intelligence Can Generate Fraudulent but Authentic-Looking Scientific Medical Articles. <strong>Journal of Medical Internet Research, 2023<\/strong>.<br \/>FDA. <strong>AI-Enabled Optimization of Early-Phase Clinical Trials Pilot Program, Federal Register, 2026<\/strong>.<br \/>FDA\u2013EMA. <strong>Guiding Principles of Good AI Practice in Drug Development, 2026<\/strong>.<br \/>EMA. <strong>Reflection Paper on the Use of Artificial Intelligence in the Medicinal Product Lifecycle, 2024<\/strong>.<\/p>\n","protected":false},"excerpt":{"rendered":"Una radiografia mostra un torace credibile, con coste, polmoni e profilo cardiaco perfettamente riconoscibili. Eppure quel paziente non&hellip;\n","protected":false},"author":3,"featured_media":683607,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_share_on_mastodon":"0"},"categories":[175],"tags":[376017,51090,32903,376018,53291,9275,239,1537,90,89,376016,324431,240,195,242,376015,376019],"class_list":["post-683606","post","type-post","status-publish","format-standard","has-post-thumbnail","category-salute","tag-amgen","tag-astrazeneca","tag-ema","tag-fake-mediche","tag-fda","tag-florida","tag-health","tag-it","tag-italia","tag-italy","tag-majovsky-m","tag-radiology","tag-salute","tag-science","tag-stati-uniti","tag-tordjman-m","tag-truffe-scientifiche"],"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@it\/117278788109208519","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts\/683606","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/comments?post=683606"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts\/683606\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/media\/683607"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/media?parent=683606"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/categories?post=683606"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/tags?post=683606"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}