Quando si parla di intelligenza artificiale e salute delle donne, il nodo centrale non è tecnologico ma strutturale: gli algoritmi apprendono dai dati disponibili, e se quei dati non rappresentano adeguatamente la biologia, la sintomatologia e l’esperienza clinica femminile, il risultato è un sistema che rischia di perpetuare — e in alcuni casi amplificare — disuguaglianze già presenti nella medicina tradizionale. È un problema che riguarda simultaneamente la qualità delle cartelle cliniche, il disegno degli studi clinici e le scelte di chi sviluppa i modelli predittivi.
Donne escluse dai dati: un’eredità storica della ricerca medica
Per decenni, la ricerca biomedica ha utilizzato il corpo maschile come modello di riferimento implicito. Le donne sono state sistematicamente sottorappresentate nei trial clinici, spesso con la giustificazione — oggi ampiamente contestata — che le variazioni ormonali del ciclo mestruale avrebbero complicato l’interpretazione dei risultati. Le conseguenze di questa scelta si sono accumulate nel tempo: farmaci dosati su parametri fisiologici maschili, soglie diagnostiche calibrate su popolazioni prevalentemente maschili, e cartelle cliniche che non hanno mai catturato in modo sistematico le specificità della salute femminile.
Come ha documentato l’Istituto Superiore di Sanità in collaborazione con Fondazione Onda, l’intelligenza artificiale in medicina si basa su database nei quali le donne non sono adeguatamente incluse. Questo non è un difetto secondario: è una criticità che mina alla radice l’affidabilità dei modelli predittivi applicati alla popolazione femminile. Quando un algoritmo impara da dati sbilanciati, le sue previsioni riflettono — e rinforzano — quel bias di partenza.
Perché l’intelligenza artificiale nella salute delle donne rischia di amplificare le disuguaglianze
Il meccanismo è relativamente semplice da descrivere, anche se complesso da correggere. I modelli di machine learning applicati alla medicina apprendono pattern statistici a partire da grandi insiemi di dati clinici: referti, diagnosi, prescrizioni, esiti. Se quei dati provengono prevalentemente da pazienti di sesso maschile, il modello sviluppa una capacità predittiva ottimizzata per quel gruppo. Applicato a una paziente donna, lo stesso modello può risultare meno preciso, meno sensibile a certi segnali clinici, più incline a sottostimare il rischio.
→ Leggi anche: Intelligenza artificiale in medicina: come il conflitto normativo tra governo centrale e stati federali complica l'adozione clinica
Secondo quanto riportato da Agenda Digitale citando fonti istituzionali, se i dataset dell’IA rimangono sbilanciati, l’integrazione dell’intelligenza artificiale in medicina rischia di amplificare le disuguaglianze di genere già esistenti. Non si tratta quindi di un rischio teorico: è una conseguenza logica e documentabile di come funzionano i sistemi di apprendimento automatico quando ricevono input non rappresentativi.
A ciò si aggiunge un dato clinico fondamentale, sottolineato anche dalla ricerca dell’Università di Padova: donne e uomini non si ammalano allo stesso modo. Le donne presentano una maggiore morbilità nonostante una maggiore aspettativa di vita, assumono più farmaci e sono quindi più esposte al rischio di effetti avversi. Questa complessità biologica e farmacologica richiede che le differenze di sesso e di genere vengano considerate adeguatamente sia negli studi clinici sia in quelli preclinici — e, di conseguenza, nei dati su cui si addestrano i modelli di IA.
Il problema delle cartelle cliniche: dati incompleti, documentazione non standardizzata
Le cartelle cliniche sono il principale serbatoio di dati su cui si costruiscono i modelli di IA in ambito sanitario. Ma per le pazienti donne, questa fonte presenta lacune strutturali che vanno oltre la semplice sottorappresentazione numerica. Molte condizioni tipicamente femminili — dall’endometriosi alla sindrome dell’ovaio policistico, fino alle manifestazioni atipiche dell’infarto — sono storicamente sottodiagnosticate o diagnosticate con ritardo significativo. Questo significa che anche quando le donne sono presenti nei database, le informazioni cliniche che le riguardano possono essere incomplete, ritardate rispetto all’esordio reale della patologia, o codificate in modo non uniforme.
La standardizzazione della documentazione medica è quindi una precondizione per qualsiasi utilizzo affidabile dell’IA nella salute femminile. Senza criteri omogenei per registrare sintomi, diagnosi e trattamenti specifici alle donne, anche il dataset più ampio rischia di essere clinicamente poco utile. Non basta aumentare il numero di pazienti di sesso femminile incluse: occorre che i dati raccolti rispecchino fedelmente la loro esperienza clinica reale.
Iniziative istituzionali: il programma del Gemelli e il ruolo delle donne nello sviluppo dell’IA
Sul fronte delle risposte concrete, il Policlinico Gemelli ha avviato nel marzo 2026 un programma dedicato all’intelligenza artificiale e alla salute delle donne, con l’obiettivo esplicito di affrontare il gender gap in medicina. L’iniziativa si inserisce in un contesto più ampio in cui diverse istituzioni — tra cui l’ISS, la Fondazione Onda, l’Istituto Mario Negri e Farmindustria — hanno riconosciuto pubblicamente che i dati parziali, sbilanciati o incompleti rischiano di amplificare le disuguaglianze esistenti quando gli algoritmi li utilizzano come base di apprendimento.
→ Leggi anche: I chatbot IA possono scatenare deliri e alimentare la psicosi: i rischi secondo la ricerca
Un elemento trasversale a queste iniziative è la consapevolezza che la soluzione non può essere puramente tecnica. Le donne devono essere protagoniste nello sviluppo dell’intelligenza artificiale in sanità: non solo come pazienti i cui dati vengono raccolti, ma come ricercatrici, cliniche, ingegnere e decisori che definiscono le priorità, i criteri di inclusione e i parametri di valutazione dei modelli. La rappresentanza femminile nei team che progettano i sistemi di IA medica è essa stessa una variabile che influenza la qualità e l’equità dei risultati.
Per chi vuole approfondire il tema dal punto di vista istituzionale, l’Istituto Superiore di Sanità ha pubblicato una nota congiunta con Fondazione Onda che analizza il rischio di disuguaglianze nell’IA applicata alla salute di genere.
Cosa serve per correggere il problema: evidenze e prospettive
Correggere il bias di genere nell’intelligenza artificiale applicata alla salute delle donne richiede interventi su più livelli simultaneamente. Il primo riguarda la raccolta dei dati: gli studi clinici devono includere campioni femminili adeguati e analizzare i risultati disaggregati per sesso, non solo come variabile di controllo ma come elemento centrale dell’analisi. Il secondo livello riguarda la qualità della documentazione clinica: le cartelle devono catturare sintomi, tempistiche diagnostiche ed esiti terapeutici con criteri standardizzati e sensibili alle specificità femminili.
Il terzo livello è quello della valutazione degli algoritmi: prima che un modello di IA venga adottato in un contesto clinico, dovrebbe essere testato esplicitamente su popolazioni femminili, con metriche di performance disaggregate che rendano visibili eventuali differenze di accuratezza tra uomini e donne. Infine, è necessario un quadro regolatorio che renda questi requisiti non facoltativi ma strutturali — un orientamento che le istituzioni europee stanno progressivamente sviluppando, anche se l’implementazione pratica rimane disomogenea.
Il punto di arrivo non è un’IA “pensata per le donne” come categoria separata, ma un’intelligenza artificiale in medicina che sia genuinamente affidabile per tutti — e che per diventarlo deve necessariamente riconoscere e correggere le asimmetrie con cui è stata costruita fino ad oggi. Finché i dati di partenza resteranno incompleti, anche lo strumento più sofisticato produrrà risposte parziali.
Questo articolo è stato realizzato con il supporto dell'AI e sottoposto a revisione editoriale.
