Il mercato del software per la farmacovigilanza è stato stimato da Precedence Research in 2,09 miliardi di dollari nel 2025 con una proiezione a 5,06 miliardi entro il 2035, una crescita composta del 9,24%. La definizione più ampia, che include servizi e dati oltre al software, porta il valore complessivo della pharmacovigilance services market a 9,35 miliardi nel 2025 con una proiezione a 16,47 entro il 2030, secondo Mordor Intelligence. Il mercato resta strutturalmente concentrato: Oracle Argus tiene il 19,4% della quota nel software PV, ArisGlobal LifeSphere il 17,2%, per un duopolio effettivo intorno al 37%. Veeva Vault Safety, Ennov, IBM Watson e l'eredità dei sistemi PV proprietari delle large pharma compongono il resto del mercato, con margine di consolidamento crescente sul mid-market.
La farmacovigilanza è il primo caso d'uso pharma in cui l'EU AI Act produce conseguenze operative concrete. Le obbligazioni per i sistemi AI high-risk sotto l'Annesso III si applicano dal 2 agosto 2026, con l'estensione al 2 agosto 2027 per i sistemi AI integrati in prodotti regolati dal Medical Device Regulation o dall'In Vitro Diagnostic Regulation. Le linee guida della Commissione sulla classificazione sono attese per febbraio 2026. L'EMA Reflection Paper sull'AI nel ciclo di vita del medicinale, finalizzato nel settembre 2024 e adottato da CHMP e CVMP, colloca esplicitamente la farmacovigilanza nel perimetro regolato, e richiede ai marketing authorisation holder di monitorare attentamente i sistemi AI applicati a classificazione degli eventi avversi e valutazione di gravità.
L'AI nei workflow di farmacovigilanza
L'AI applicata alla farmacovigilanza opera oggi su tre livelli distinti. Il primo è la triage automatica degli individual case safety report in entrata: il sistema legge la fonte — call center, lettera, portale, social — estrae le entità rilevanti, le mappa sulle ontologie standard, le instrada al case processor con un livello di completamento parziale. Oracle Argus ha aggiunto nel 2024 capacità di intake automatico delle email; ArisGlobal LifeSphere ha integrato nel 2024-2025 triage LLM-powered, con record di acquisizioni clienti nel 2024 e l'adozione globale da parte di una grande pharma giapponese annunciata nel 2025. Eversana ha adottato Argus Cloud nell'ottobre 2024.
Il secondo livello è la codifica MedDRA. Uno studio francese del 2024 pubblicato su Drug Safety ha misurato un AUC di circa 0,97 per la classificazione transformer-based dei termini su MedDRA, con accuratezza sulla classificazione di seriousness superiore all'80%. PVLens, pubblicato a marzo 2025, ha riportato per l'estrazione di informazioni di safety dai label FDA una recall di 0,983 e una precision di 0,799. I numeri sono significativi ma vanno letti con cautela: l'AUC 0,97 sulla classificazione complessiva non implica accuratezza equivalente sui termini rari, dove il dataset di training è meno denso, e la seriousness sotto l'80% lascia un margine di errore che in un ambito ad alto stake regolatorio non è ignorabile. Il terzo livello è il signal detection, dove l'AI lavora su EHR narrativi, trascrizioni di call center e fonti social per identificare segnali emergenti che i metodi statistici tradizionali su database di spontaneous reporting tendono a perdere o ritardare.
EMA, ICH E2D(R1) e il framework operativo
Il framework regolatorio europeo per la PV è strutturato attorno a tre pilastri normativi che nel 2026 entrano nella fase di convergenza operativa. ICH E2B(R3), aggiornato per i data element C.1.3 e C.5.4 in EudraVigilance già da giugno 2022, definisce il formato dello scambio elettronico degli individual case safety report. ICH E2D(R1) entra in vigore in EU il 18 marzo 2026 e ridefinisce il post-approval safety data management con un livello di dettaglio aggiornato sui ruoli e sulla qualità delle informazioni. L'EMA Reflection Paper sull'AI, finalizzato a settembre 2024, fornisce il quadro applicativo: approccio risk-based, documentazione del modello, monitoring del drift, allineamento con i moduli GVP.
L'EU AI Act, dal lato del regolamento orizzontale, classifica come high-risk i sistemi AI utilizzati in ambito che impatta la sicurezza dei prodotti regolati o la decisione che li riguarda. Per la farmacovigilanza questo significa concretamente: documentazione tecnica accessibile alle autorità competenti, sistema di gestione del rischio, gestione della qualità dei dati di training, supervisione umana documentata, monitoraggio post-deployment delle performance del modello, registrazione degli incidenti. La Sidley Data Matters checklist pubblicata a giugno 2025 — otto action items per le aziende life sciences — è diventata il riferimento de facto per i compliance officer pharma che preparano la transizione operativa al 2 agosto 2026.
Il vincolo italiano: AIFA RNF e flusso EudraVigilance
La Rete Nazionale di Farmacovigilanza italiana, gestita da AIFA, è attiva dal 2001 e dal 9 giugno 2022 utilizza una piattaforma online che ha sostituito il precedente sistema Vigifarmaco. Le segnalazioni di sospette reazioni avverse acquisite dalla RNF vengono trasmesse automaticamente a EudraVigilance, il sistema europeo gestito dall'EMA. AIFA pubblica trimestralmente l'aggiornamento del database RAM dal 2002. Per le aziende farmaceutiche italiane il flusso operativo è quindi articolato su tre livelli — interno aziendale, RNF nazionale, EudraVigilance europeo — con scadenze, formati e responsabilità precisamente codificate dalla Good Vigilance Practice europea.
L'introduzione di sistemi AI in questa catena produce un vincolo specifico: ogni passaggio in cui un modello AI prende una decisione automatica che impatta il flusso — classificazione di seriousness, codifica MedDRA, valutazione di causality, triage dell'intake — deve essere documentato, validato, monitorato per drift, e deve avere un meccanismo di supervisione umana attivo. Il modello "human-in-the-loop" è la default richiesta dalla Reflection Paper EMA per le decisioni che impattano direttamente la valutazione regolatoria; il modello "human-on-the-loop" è accettabile per i task di supporto come la triage iniziale. Il design del processo PV-AI italiano del 2026 richiede di esplicitare per ogni step quale dei due modelli si applica.
L'automation bias e il problema del deskilling
I rischi documentati nella letteratura accademica del 2024-2025 — la review pubblicata su PMC a settembre 2025 è uno dei riferimenti più citati — non sono tecnici ma comportamentali. Il primo è l'automation bias: gli analisti PV tendono a fidarsi delle decisioni del sistema AI anche quando il modello ha confidenza limitata, con un rischio di under-detection dei segnali rari su cui il training set è sottodimensionato. Il secondo è la mancanza di explainability degli LLM: la decisione su un caso singolo non è sempre ricostruibile in modo trasparente, e la richiesta regolatoria di audit trail diventa più difficile da soddisfare. Il terzo è il deskilling progressivo degli operatori PV se la governance della validazione è debole — gli operatori giovani che entrano in un workflow dove l'AI fa il 70% del lavoro accumulano meno esperienza decisionale dei loro predecessori, e la capacità di intervento manuale nei casi non standard si erode.
La risposta operativa è strutturata su tre punti. Un meccanismo di validazione periodica del modello su gold standard manualmente codificati, con cadenza definita e responsabilità documentata. Un campionamento casuale dei casi processati automaticamente per la verifica umana, con tassi di sampling che permettano la rilevazione statistica di drift. Un piano di training continuo per gli operatori PV che mantenga la competenza manuale sui casi che il sistema non gestisce. Per le aziende farmaceutiche italiane il 2026 è l'anno in cui questi tre punti smettono di essere best practice e diventano specifica regolatoria. La farmacovigilanza non è il caso d'uso pharma più visibile dell'AI, ma è il primo in cui il quadro normativo è chiuso e l'enforcement diventa operativo.
