La spinta di HHS per i trial clinici con IA punta a superare le fasi fisse con evidenze adattive

HHS ha lanciato un programma quinquennale che mette in discussione le fasi fisse, le infrastrutture duplicate e le decisioni ritardate proprie delle sperimentazioni farmacologiche convenzionali. L’iniziativa di HHS sui trial clinici con IA riunisce modelli predittivi, analisi continua e operazioni automatizzate in un unico quadro di ricerca.

Il fulcro è SURPASS, acronimo di Simulation-augmented, Real-time Platform Adaptive Seamless Trials. ARPA-H, l’Advanced Research Projects Agency for Health, gestirà il programma insieme a tre progetti di supporto dedicati ai centri sperimentali, ai dati sanitari e all’orientamento dei pazienti.

La promessa immediata è la velocità. Il compito più difficile è dimostrare che software adattivi possano produrre evidenze affidabili quanto i processi che sostituiscono. Questo conflitto mette contemporaneamente sotto pressione regolatori, sponsor farmaceutici, organizzazioni di ricerca clinica, centri sperimentali e team statistici.

I trial clinici con IA di HHS vanno oltre le fasi fisse

SURPASS non si limita ad aggiungere un assistente IA a uno studio esistente. Propone un diverso modello operativo per generare evidenze cliniche.

HHS ha annunciato SURPASS il 30 settembre 2026. Secondo il programma sui trial clinici del dipartimento, l’iniziativa combinerà modelli computazionali predittivi, infrastrutture condivise, gruppi di controllo comuni e analisi in tempo reale.

Il programma è concepito per durare cinque anni. Si prevede che inizierà a richiedere proposte più avanti in autunno da team che spaziano tra statistica, IA, progettazione degli studi, operazioni e regolamentazione.

HHS non ha comunicato il finanziamento del programma nel suo annuncio iniziale. Inoltre, non ha spiegato quale flessibilità normativa riceverebbero i partecipanti di successo, secondo le prime notizie su SURPASS.

Queste omissioni contano perché SURPASS va oltre l’automazione amministrativa. Le sue tre aree tecniche riguardano progettazione degli studi, inferenza statistica e operazioni.

La prima area è un motore di progettazione senza fasi. Utilizzerebbe gemelli digitali e modelli predittivi correlati per simulare possibili esiti clinici e operativi prima dell’avvio di uno studio. Un gemello digitale è una rappresentazione computazionale di un paziente o di un processo, usata per esplorare gli esiti probabili.

Il termine “senza fasi” non significa che i test clinici perderebbero le loro soglie di sicurezza. Descrive una struttura più continua, in grado di ridurre passaggi rigidi tra fasi sperimentali tradizionalmente separate.

La seconda area è un motore di inferenza continua. Analizzerebbe i dati accumulati usando regole statistiche progettate per rimanere valide durante verifiche ripetute. I ricercatori potrebbero quindi aggiungere, interrompere o modificare bracci terapeutici senza attendere una singola data di analisi prestabilita.

La terza area è un livello operativo agentico. In questo contesto, un agente è un software in grado di completare una sequenza definita di compiti operativi con un intervento umano limitato. HHS vuole che questi sistemi supportino l’avvio degli studi, la pulizia dei dati, l’inserimento dei bracci terapeutici e la costruzione dei dataset.

SURPASS combina quindi diverse idee già consolidate anziché fare affidamento su un unico nuovo modello. Gli studi adattivi consentono già modifiche predeterminate sulla base delle evidenze accumulate. Gli studi a piattaforma possono valutare diversi trattamenti secondo un protocollo condiviso. I modelli computazionali già informano alcune decisioni nello sviluppo dei farmaci.

Il cambiamento proposto consiste nel collocare questi elementi all’interno di un unico sistema persistente. Tale sistema apprenderebbe durante uno studio, anziché trattare progettazione, reclutamento, analisi e rendicontazione come fasi perlopiù separate.

HHS afferma che lo sviluppo di farmaci e biologici spesso dura oltre un decennio, può costare in media fino a 2 miliardi di dollari e fallisce in più del 90% dei casi. Queste cifre provengono dall’annuncio dell’agenzia e vanno intese come la sua giustificazione per il programma.

La domanda utile non è se il processo attuale sia lento. Pochi partecipanti contestano questo punto. La domanda è se una piattaforma continua possa eliminare i ritardi senza spostare l’incertezza in modelli più difficili da sottoporre ad audit.

Questa distinzione genera la tensione centrale dell’articolo. Operazioni più rapide sono preziose, ma le evidenze cliniche devono restare interpretabili dopo che uno studio cambia direzione.

Quattro progetti affrontano quattro diversi colli di bottiglia

HHS considera la lentezza degli studi come un problema di sistema che coinvolge progettazione, centri, dati e pazienti, non soltanto come una carenza di algoritmi migliori.

SURPASS riguarda la progettazione e l’esecuzione degli studi. Tre progetti complementari di ARPA-H affrontano le condizioni che determinano se uno studio adattivo possa operare su scala nazionale.

STACK punta alla capacità dei centri clinici. HHS afferma che il progetto userà l’IA per accelerare l’attivazione dei centri e aiutare strutture sanitarie inesperte nella ricerca a diventare centri sperimentali capaci.

L’attivazione dei centri comprende contratti, preparazione del personale, configurazione tecnologica, revisione normativa e qualifica da parte dello sponsor. Una progettazione statistica più rapida offre pochi vantaggi se gli ospedali partecipanti impiegano mesi per iniziare ad arruolare pazienti.

STACK comporta anche un argomento geografico. Un numero maggiore di centri qualificati potrebbe consentire ai pazienti di partecipare agli studi più vicino a casa, anziché recarsi ripetutamente in un grande centro accademico.

Questa espansione introduce una verifica pratica. I nuovi centri devono raccogliere dati coerenti, proteggere i partecipanti e rispettare protocolli complessi. Automatizzare la documentazione non può sostituire sperimentatori esperti, coordinatori formati o sistemi clinici affidabili.

COMMONS affronta l’infrastruttura dei dati. HHS lo descrive come un sistema privacy-by-design per il consenso e l’accesso a dati di livello regolatorio.

I dati di livello regolatorio devono essere tracciabili, controllati e adatti a decisioni sulla sicurezza e sull’efficacia dei trattamenti. La semplice aggregazione di dati non soddisfa automaticamente questo standard.

COMMONS è destinato a connettere le informazioni necessarie per l’arruolamento, la modellazione predittiva e le operazioni degli studi. Se implementato bene, potrebbe ridurre le ripetute richieste di dati e rendere più facile identificare i pazienti idonei.

Potrebbe anche mettere in luce una delle maggiori sfide di implementazione dell’iniziativa. Ospedali e reti di ricerca archiviano le informazioni in formati diversi, secondo regole di governance differenti e con una qualità dei dati disomogenea.

Il consenso presenta un’altra sfida. L’autorizzazione di un paziente a contribuire con informazioni deve restare comprensibile quando i dati passano tra istituzioni o supportano nuove analisi computazionali.

CINCH si concentra sul lato dei pazienti. Il progetto mira ad aiutare le persone a contribuire con dati del mondo reale, coordinare le proprie cure e identificare gli studi adatti alle loro circostanze.

I dati del mondo reale provengono dall’assistenza ordinaria e dalla vita quotidiana, anziché da una visita di studio strettamente controllata. Possono includere cartelle cliniche elettroniche, richieste di rimborso, risultati di laboratorio, registri e informazioni raccolte da dispositivi connessi.

Queste fonti possono ampliare il quadro degli effetti di un trattamento. Possono anche contenere informazioni mancanti, misurazioni incoerenti e schemi generati da un accesso diseguale alle cure.

CINCH deve quindi fare più che abbinare parole chiave in una cartella clinica. Un sistema di orientamento utile deve spiegare perché uno studio appare rilevante e mantenere i clinici coinvolti nelle decisioni di idoneità.

Insieme, SURPASS, STACK, COMMONS e CINCH formano un programma a più livelli. SURPASS riprogetta lo studio. STACK amplia i luoghi in cui può essere condotto. COMMONS fornisce informazioni governate. CINCH connette i pazienti al sistema.

Questa struttura distingue l’annuncio da progetti più circoscritti di IA clinica. HHS non promette che un singolo modello predittivo selezionerà farmaci di successo. Sta cercando di creare meccanismi condivisi per la generazione ripetuta di evidenze.

Questa ambizione più ampia aumenta anche il rischio di esecuzione. I quattro progetti dipendono l’uno dall’altro, ma coinvolgono istituzioni, standard tecnici e obblighi legali diversi.

Un fallimento in qualsiasi livello può limitare gli altri. Un migliore abbinamento non può rimediare all’assenza di un centro disponibile. Un centro più rapido non può compensare dati inutilizzabili. Un modello solido non può salvare un protocollo gestito in modo inadeguato.

La vera sfida è velocità contro evidenze verificabili

Il conflitto principale non è tra IA e ricercatori umani. È tra la promessa dell’adattamento continuo e la necessità di conclusioni stabili e riproducibili.

I confini tradizionali tra le fasi creano ritardi, ma organizzano anche le responsabilità. Gli sponsor sanno quali evidenze devono esistere prima di procedere. I revisori possono identificare quando un protocollo è cambiato e quale dataset ha sostenuto una decisione.

Una piattaforma continua indebolisce questi confini familiari. Può eliminare lavoro duplicato, ma rende più importanti la pianificazione statistica e l’auditabilità.

Gli studi adattivi a piattaforma illustrano questo compromesso. Possono testare diversi interventi nell’ambito di un unico protocollo principale, eliminare bracci inefficaci, aggiungere nuovi candidati e condividere gruppi di controllo.

Durante la pandemia di COVID-19, gli studi a piattaforma hanno prodotto importanti evidenze sui trattamenti mentre i programmi convenzionali faticavano a tenere il passo. Il loro successo ha mostrato che un’infrastruttura adattabile può rispondere in modo efficiente a questioni urgenti.

Tuttavia, l’adattamento deve essere specificato prima che gli sperimentatori vedano risultati in grado di influenzarne le scelte. Modifiche non pianificate possono introdurre bias, aumentare il rischio di falsi positivi o rendere più difficile interpretare l’effetto di un trattamento.

Un’importante rassegna sugli studi a piattaforma descrive i requisiti di progettazione, conduzione, supervisione e rendicontazione necessari per questi studi. Il suo insegnamento centrale è che la flessibilità richiede più pianificazione, non meno.

I controlli condivisi richiedono una disciplina simile. Un gruppo di controllo comune può ridurre il numero di partecipanti assegnati al trattamento standard e migliorare l’efficienza in più confronti.

I problemi emergono quando un nuovo braccio terapeutico viene confrontato con pazienti arruolati molto prima. La pratica medica, i modelli di malattia, i metodi diagnostici e le caratteristiche dei pazienti possono cambiare nel tempo.

I ricercatori definiscono quei partecipanti precedenti controlli non concorrenti. Il loro utilizzo può aumentare la potenza statistica, ma può anche introdurre bias legati al tempo.

SURPASS propone un motore di inferenza sempre valido per affrontare le analisi ripetute e l’adattamento. HHS non ha ancora pubblicato la specifica statistica del motore, i benchmark di validazione o i criteri di accettazione normativa.

Lo stesso onere probatorio si applica ai gemelli digitali. Un modello può simulare esiti probabili prima dell’arruolamento, aiutando i team a verificare ipotesi o a individuare scelte deboli nel protocollo.

Una simulazione resta una stima. Riflette i pazienti, le variabili e le relazioni rappresentate nei suoi dati di addestramento.

Se un gemello digitale sottorappresenta anziani, pazienti rurali, persone in gravidanza o pazienti con più patologie, lo studio risultante potrebbe diventare efficiente attorno a una popolazione incompleta.

La validazione deve quindi esaminare più dell’accuratezza predittiva media. Sponsor e regolatori dovranno sapere dove un modello fallisce, come viene calibrata l’incertezza e se le prestazioni cambiano tra i diversi centri.

Avranno inoltre bisogno di un processo per gli aggiornamenti del modello. Un modello in continuo miglioramento sembra attraente, ma modificare il software durante uno studio può complicare la ricostruzione delle decisioni passate.

Ogni raccomandazione con conseguenze rilevanti dovrebbe essere collegata a una specifica versione del modello, al dataset di input, alla regola e all’approvazione umana. Senza questa registrazione, la velocità può indebolire la responsabilità.

HHS ha già dichiarato che la ricerca biomedica supportata dall'AI dovrebbe privilegiare la riproducibilità, metodi trasparenti e una revisione imparziale. La sua strategia sull'AI identifica inoltre le richieste regolatorie supportate da evidenze generate dall'AI come un risultato misurabile.

SURPASS verificherà se questi principi resistono al confronto con una piattaforma operativa. La documentazione pubblica sarà particolarmente importante, poiché HHS vuole che gli strumenti, gli standard e gli esempi normativi risultanti vadano a beneficio del sistema di ricerca nel suo complesso.

L'obiettivo non dovrebbe essere rendere adattativo ogni studio clinico. Alcune questioni si prestano a disegni stabili e convenzionali. Altre coinvolgono esiti che non possono essere misurati abbastanza rapidamente da orientare modifiche in tempo reale.

La sopravvivenza a lungo termine, gli effetti avversi ritardati e le patologie a lenta evoluzione non diventano immediati solo perché il software analizza più velocemente i dati in arrivo.

Il disegno deve seguire la questione medica. Altrimenti, il programma rischia di trattare l'adattamento come un obiettivo anziché come un metodo.

Operation TrialBlazer alza la posta competitiva

SURPASS fa parte di un più ampio tentativo federale di rendere gli Stati Uniti un luogo più rapido per sviluppare medicinali, soprattutto mentre cresce la capacità cinese nella ricerca clinica.

HHS ha introdotto Operation TrialBlazer nel giugno 2026 come iniziativa dipartimentale per la ricerca clinica. Coordina il lavoro di ARPA-H, FDA, NIH, National Cancer Institute e funzionari federali della tecnologia sanitaria.

L'argomentazione politica dell'iniziativa è diretta. HHS afferma che la ricerca nelle fasi iniziali si è spostata all'estero e che gli Stati Uniti rischiano di perdere investimenti, competenze e attività di sviluppo dei farmaci a essa associate.

La Cina offre il confronto più evidente. I dati IQVIA hanno mostrato che la quota delle aziende cinesi negli avvii di studi clinici globali è salita dall'1 per cento nel 2009 al 30 per cento nel 2024.

Gli Stati Uniti mantengono ancora vantaggi rilevanti, tra cui un ampio mercato farmaceutico, autorità regolatorie esperte, ospedali di ricerca di primo piano e consistenti finanziamenti alla biotecnologia.

Tuttavia, la velocità degli studi influenza dove le aziende testano i prodotti e dove gli investitori allocano il capitale. Un programma scientifico che procede lentamente può perdere opportunità anche quando le sue istituzioni restano rispettate.

SURPASS affronta i ritardi di progettazione e operativi. Altre misure di TrialBlazer si concentrano sulla revisione regolatoria e sui requisiti di presentazione.

La FDA ha avviato un programma pilota Expedited Investigational New Drug per gli studi first-in-human. Gli sponsor selezionati possono collaborare con istituzioni di ricerca qualificate e presentare i componenti di una domanda su base progressiva.

La presentazione progressiva consente alle autorità regolatorie di esaminare le sezioni completate prima che l'intero pacchetto sia pronto. FDA vuole inoltre che alcune attività di revisione istituzionale e attivazione dei siti procedano parallelamente allo sviluppo della domanda.

L'agenzia afferma che aspettative più chiare, adeguate alla fase, in materia di chimica e produzione possono far risparmiare alle aziende da sei a 12 mesi. Tali stime compaiono nella sua roadmap di sviluppo, che tratta anche la selezione quantitativa della dose e i master protocol nelle fasi avanzate.

Per lo sviluppo successivo, FDA ha chiarito quando una rigorosa indagine pivotale, accompagnata da evidenze di conferma, può supportare l'approvazione. Ha inoltre rivisto la bozza di linee guida per studi basket, umbrella e platform.

Queste politiche contano perché ARPA-H non può creare da sola l'accettazione regolatoria. SURPASS può finanziare strumenti e dimostrazioni, ma è FDA a stabilire se le evidenze risultanti supportano una decisione su un prodotto medico.

Il rapporto tra le agenzie plasmerà l'adozione. Gli sponsor esiteranno a ricostruire i programmi di sperimentazione attorno a un nuovo sistema senza prove chiare che le autorità regolatorie possano valutarne gli output.

Esiste anche il rischio opposto. Una spinta politica verso uno sviluppo nazionale più rapido potrebbe creare pressione a interpretare generosamente l'incertezza.

La difesa più solida è una validazione trasparente. Una revisione più rapida dovrebbe significare coordinamento anticipato, requisiti più chiari e minore duplicazione del lavoro. Non dovrebbe significare standard più deboli per sicurezza o efficacia.

L'iniziativa federale TrialBlazer afferma esplicitamente che la modernizzazione dovrebbe preservare il rigore scientifico. Questo principio ora necessita di un'attuazione osservabile.

Ecco perché il successo del programma non dovrebbe essere misurato solo in termini di tempistiche più brevi. HHS deve anche monitorare deviazioni dal protocollo, rappresentatività, rilevamento degli eventi avversi, riproducibilità e concordanza tra le previsioni dei modelli e gli esiti clinici.

La competitività nazionale aggiunge urgenza, ma non risolve il problema delle evidenze. Gli Stati Uniti guadagnano poco da studi più rapidi se altre autorità regolatorie, clinici o pazienti non si fidano delle loro conclusioni.

Cosa HHS deve dimostrare ora

I prossimi traguardi devono dimostrare che SURPASS può produrre contemporaneamente strumenti validati, evidenze pronte per le autorità regolatorie e un più ampio accesso per i pazienti.

Il primo segnale è la struttura della sollecitazione di ARPA-H. I candidati devono definire obiettivi misurabili per velocità, costo, carico per i partecipanti, validità statistica e copertura della popolazione.

Una sollecitazione incentrata soprattutto sulle funzionalità di automazione indebolirebbe la pretesa del programma. Una solida richiederà una validazione prospettica rispetto agli approcci convenzionali e criteri di fallimento chiari.

I team dovrebbero anche indicare come saranno sottoposti ad audit i modelli tra gruppi demografici e siti partecipanti. L'accuratezza aggregata non basta per decisioni che determinano chi accede a uno studio o quale trattamento prosegue.

Il secondo segnale è l'allineamento regolatorio. La partecipazione di FDA deve evolvere dal sostegno generale ai disegni innovativi verso metodi concreti per valutare gli output di SURPASS.

Gli sponsor necessitano di linee guida sulla validazione accettabile dei digital twin, sulle modifiche ai modelli, sui controlli condivisi, sulle analisi continue e sulla documentazione. Devono inoltre sapere quando resta necessario un disegno convenzionale.

Esempi pubblici sarebbero utili. Un protocollo, un piano di simulazione e un quadro di analisi esaminati da un'autorità regolatoria potrebbero rendere il programma utile anche oltre i team finanziati.

L'allineamento regolatorio rafforzerebbe l'iniziativa se producesse standard chiari prima che grandi studi dipendano da essi. Un'ambiguità persistente rallenterebbe l'adozione, indipendentemente dalle prestazioni tecniche del software.

Il terzo segnale è costituito dalle evidenze operative provenienti da STACK, COMMONS e CINCH. HHS dovrebbe riferire se i nuovi siti si attivano più rapidamente, se reclutano popolazioni rappresentative e se i pazienti riescono a comprendere il processo di consenso.

Un maggior numero di siti non è automaticamente significativo. I siti devono arruolare partecipanti, mantenere la qualità dei dati, trattenere il personale e proteggere i pazienti.

COMMONS dovrebbe essere valutato in base alla disponibilità di dati tracciabili di livello regolatorio, non al volume dei record connessi. CINCH dovrebbe essere valutato in base all'appropriatezza degli abbinamenti, al completamento dell'arruolamento e alla comprensione da parte dei pazienti.

Queste misure rivelerebbero se gli studi clinici AI di HHS ampliano l'accesso o semplicemente accelerano il lavoro presso istituzioni già attrezzate per partecipare.

Il programma dovrebbe anche pubblicare i risultati negativi. Un digital twin che ottiene prestazioni scarse in un'area terapeutica può comunque fornire evidenze preziose sui contesti in cui l'approccio non è appropriato.

Questa trasparenza aiuterebbe a distinguere un'infrastruttura scientifica da una campagna di approvvigionamento tecnologico. Sosterrebbe inoltre gli standard riutilizzabili che HHS afferma di voler creare.

Per i team clinici, il compito a breve termine è prepararsi. Le organizzazioni che valutano la partecipazione dovrebbero mappare fin d'ora la provenienza dei dati, la governance dei modelli, il linguaggio del consenso e i registri decisionali.

Le conoscenze di statistici, clinici, ingegneri dei dati, specialisti regolatori e operatori dei siti devono restare connesse durante l'intero studio. I team possono utilizzare una base di conoscenza ricercabile per preservare assunzioni, decisioni e documentazione dei modelli tra questi gruppi.

L'esito più importante dell'iniziativa non sarà l'affermazione che l'AI ha reso gli studi più rapidi. Sarà la prova che i ricercatori hanno raggiunto prima risposte affidabili, con meno oneri inutili e senza alcuna perdita nascosta di rigore.

HHS ha definito l'ambizione. ARPA-H deve ora mostrare i propri metodi, FDA deve chiarire il percorso probatorio e i team finanziati devono pubblicare risultati che soggetti esterni possano riprodurre. I primi progetti SURPASS renderanno pubbliche le loro regole di validazione con la stessa chiarezza con cui promuovono la loro velocità?