In ambito clinico, l'IA mostra potenziale positivo: algoritmi di machine learning possono stimare con maggior accuratezza i fabbisogni di micro e macro nutrienti sulla base di caratteristiche cliniche e genetiche, e prevedere interazioni tra nutrienti, integratori e farmaci, interazioni a volte trascurate nella pratica quotidiana di consumatori e professionisti. Tuttavia, la decisione di prescrivere un integratore rimane un atto clinico con responsabilità professionale. Per la popolazione generale, una maggiore consapevolezza da parte del professionista sanitario degli strumenti digitali ed IA aumenta la fiducia e la trasparenza nella raccomandazione di integratori alimentari. È imperativo implementare protocolli di "human-in-the-loop" dove l'IA propone raccomandazioni basate su dati, ma il professionista qualificato valida criticamente la proposta e mantiene la responsabilità clinica della decisione finale. Gli standard internazionali sui Clinical decision support systems pongono la "veridicità" al primo posto: il professionista deve verificare le fonti su cui si fonda la raccomandazione dell'IA e deve avere la facoltà esplicita di ignorare raccomandazioni non coerenti con il quadro clinico del paziente.

Per i pazienti, i sistemi di raccomandazione automatica delle app di wellness possono sembrare autorevoli, ma non sono dispositivi medici certificati. Le decisioni su dosaggi e interazioni richiedono un'anamnesi medica completa che nessun algoritmo commerciale oggi disponibile può effettuare con sicurezza.

I contenuti generati da IA devono rispettare il Regolamento (CE) n. 1924/2006 sui claim salutistici e il Regolamento UE 2024/1689 sulla governance dell'intelligenza artificiale. La trasparenza completa delle fonti e la supervisione umana qualificata sono requisiti non negoziabili per trasformare l'IA da fattore di rischio a risorsa clinica affidabile. In questo contesto, il ruolo clinico di medici e nutrizionisti come supervisori qualificati diventa insostituibile.

Alessandro Drago, consulente scientifico

Bibliografia

1. Muela-Molina C, Perelló-Oliver S, García-Arranz A.False and misleading health-related claims in food supplements on Spanish radio: an analysis from a European Regulatory Framework. Public Health Nutr. 2021;24(15):5156–5165. doi:10.1017/S1368980021002007. https://pubmed.ncbi.nlm.nih.gov/33972003/
2. AI@EFSA: Roadmap for action on Artificial Intelligence. https://www.efsa.europa.eu/en/corporate-pubs/aiefsa; https://www.efsa.europa.eu/sites/default/files/2025-09/ai-at-efsa.pdf
3. Exploring the use of Artificial Intelligence (AI) for extracting and integrating data obtained through New Approach Methodologies (NAMs). EFSA Supporting Publication EN-8567. https://efsa.onlinelibrary.wiley.com/doi/10.2903/sp.efsa.2024.EN-8567 - https://efsa.onlinelibrary.wiley.com/doi/epdf/10.2903/sp.efsa.2024.EN-8567
4. Benchmarking exercise and identification of AI tool to detect false information on food. EFSA Supporting Publication EN-9261. https://efsa.onlinelibrary.wiley.com/doi/10.2903/sp.efsa.2025.EN-9261 https://efsa.onlinelibrary.wiley.com/doi/epdf/10.2903/sp.efsa.2025.EN-9261
5. Atwal K.Artificial intelligence in clinical nutrition and dietetics: A brief overview of current evidence. Nutr Clin Pract. 2024;39(4):736–742. doi:10.1002/ncp.11150. https://pubmed.ncbi.nlm.nih.gov/38591653/