La frontiera della governance: integrità algoritmica, responsabilità d'impresa e la transizione dai wrapper predittivi alle soluzioni Deep AI

Il settore sanitario si trova a un crocevia volatile all'inizio del 2025, segnato da un momento spartiacque all'intersezione tra cura clinica e intelligenza artificiale. Per anni, la narrazione dell'IA in impresa è stata dominata dalla rapida adozione dei large language model e di applicazioni «wrapper» a strato sottile progettate per ottimizzare i flussi di lavoro amministrativi. Tuttavia, il collasso catastrofico dell'algoritmo nH Predict di UnitedHealth Group —culminato in un procedimento di class action federale nel febbraio 2025— ha messo a nudo i rischi letali inerenti al dispiegamento di strumenti predittivi a «scatola nera» senza una governance rigorosa, una validazione causale e una supervisione centrata sull'essere umano.¹ Questo whitepaper, presentato da Veriprajna, esamina i fallimenti sistemici dell'incidente UnitedHealth per definire un nuovo standard per le soluzioni «Deep AI». In quanto società di consulenza posizionata all'avanguardia dell'integrità algoritmica, Veriprajna sostiene che l'era del wrapper LLM semplicistico sta finendo; al suo posto deve emergere un quadro di intelligenza causale, architettura spiegabile e governance societaria robusta.⁴

L'anatomia di un fallimento sistemico: la crisi di nH Predict

La crisi che circonda UnitedHealth Group (UHC) e la sua controllata, NaviHealth, costituisce il case study definitivo del «problema di allineamento» nell'IA d'impresa. Al centro della controversia c'è nH Predict, un algoritmo predittivo acquisito dalla divisione Optum di UHC nel 2020 per oltre $1 miliardo.⁷ Commercializzato come strumento di gestione della cura, l'algoritmo era progettato per predire la durata della degenza e i bisogni medici dei pazienti Medicare Advantage in contesti di assistenza post-acuta, come strutture di assistenza infermieristica specializzata e centri di riabilitazione.⁹

Il fallimento fondamentale di nH Predict non era meramente tecnico, ma architetturale. Si basava su un database di 6 milioni di cartelle pazienti per correlare in modo incrociato gli esiti storici e generare una data di dimissione «obiettivo».¹¹ Tuttavia, il modello funzionava come una scatola nera guidata dalla correlazione, senza tenere conto delle realtà vissute dei singoli pazienti —come l'assenza di un caregiver a domicilio, l'instabilità finanziaria o complicazioni cliniche specifiche— fattori vitali per determinare la necessità medica secondo gli standard Medicare.¹²

Il costo quantitativo della frizione algoritmica

L'operazionalizzazione di nH Predict ha prodotto un'impennata statisticamente anomala dei dinieghi di copertura. Utilizzando l'«autorizzazione preventiva assistita da macchina», UHC ha cercato di accelerare il processo di revisione, riducendo di sei-dieci minuti il tempo richiesto ai professionisti medici per valutare le richieste.³ Se da un lato questo ha aumentato il volume elaborato, dall'altro ha contemporaneamente sganciato il processo decisionale dalla sfumatura clinica.³

Metrica operativa	Baseline 2019/2020	Livello riportato nel 2022	Scostamento statistico
Tasso di diniego PAC post-acuta	8.7% - 10.9%	22.7%	Aumento del 108% - 160%
Dinieghi in strutture di assistenza infermieristica specializzata	Baseline standard	9x il livello di baseline	Aumento dell'800%
Tasso di errore sui dinieghi oggetto di ricorso	N/A	90%	9 su 10 revocate
Percentuale di pazienti che presentano ricorso	N/A	0.2%	Profondamente soppressa
Ricavi di UnitedHealth Group	$240bn (2019)	$300bn (2024)	Proiezione $340bn (2025)

La statistica più schiacciante emersa dal Sottocomitato permanente per le indagini del Senato (PSI) e dal contenzioso in corso è il tasso di errore del 90% sui dinieghi oggetto di ricorso.² Nove volte su dieci, quando un giudice di diritto amministrativo o un medico interno ha riesaminato il diniego dell'algoritmo, la decisione è stata revocata.¹² Tuttavia, il vantaggio strategico di UHC consisteva nel fatto che soltanto lo 0.2% dei pazienti anziani o disabili possedeva le risorse cognitive, fisiche o finanziarie per orientarsi nel complesso processo di ricorso.³ Ciò ha creato un incentivo economico perverso in cui un algoritmo inesatto restava altamente redditizio perché la «frizione amministrativa» che generava dissuadeva con successo la stragrande maggioranza delle richieste legittime.¹⁵

Coercizione algoritmica e l'erosione della discrezionalità clinica

Un pilastro centrale della class action del febbraio 2025 è l'accusa secondo cui UnitedHealth non ha usato l'IA meramente come «guida», ma come direttiva obbligatoria che ha soppiantato il giudizio umano.³

Questa trasformazione di uno strumento di supporto decisionale in un gatekeeper automatizzato rappresenta il collasso totale della salvaguardia «human-in-the-loop» (HITL) che è ostensibilmente richiesta dai Centers for Medicare & Medicaid Services (CMS).⁷

Il mandato di varianza: dal 3% all'1%

Indagini interne e testimonianze di whistleblower hanno rivelato che i manager di NaviHealth fissavano obiettivi rigidi per i dipendenti clinici. Ai case manager era prescritto di mantenere le durate di degenza dei pazienti entro una stretta varianza rispetto alla proiezione dell'algoritmo.⁸ Inizialmente fissato al 3%, questo obiettivo è stato successivamente ristretto all'1%.⁸ Ai coordinatori di cura in prima linea era prescritto di sincronizzare le revisioni di progresso in coincidenza precisa con la data di dimissione predetta dall'algoritmo, di fatto «ingegnerizzando» la timeline clinica per adattarla al modello.¹¹

La conseguenza di questo mandato è stata la «coercizione algoritmica». I dipendenti che si discostavano dalle proiezioni di nH Predict per accogliere i bisogni medici effettivi di un paziente affrontavano provvedimenti disciplinari o il licenziamento.⁸ Questo ambiente ha costretto clinici esperti —medici e infermieri il cui dovere primario è il benessere del paziente— ad agire da «timbri di gomma» per un modello matematico difettoso.⁷ Il risultato è ciò che gli esperti chiamano l'effetto «HAL al rallentatore», in cui un sistema spegne metodicamente il «supporto vitale» della copertura assicurativa indipendentemente dall'esito umano.¹⁷

Conseguenze nel mondo reale: il caso Clemens

Il costo umano di questo fallimento di governance è illustrato dall'esperienza di pazienti come Carol Clemens. Dopo un grave episodio di metaemoglobinemia —un disturbo ematico potenzialmente letale— Clemens ha richiesto assistenza infermieristica specializzata intensiva.⁸ Nonostante l'evidenza clinica della sua persistente necessità di riabilitazione, le proiezioni di nH Predict sono state usate per cessare la sua copertura, costringendo la famiglia a pagare oltre $16,768 di tasca propria per impedirne la dimissione prematura.⁸ Il contenzioso sostiene che UHC abbia «contato» sulle condizioni compromesse e sulla mancanza di risorse di pazienti come Clemens per impedire loro di presentare ricorso contro queste determinazioni infondate.¹⁶

Lo spartiacque giuridico: la sentenza del 13 febbraio 2025

Il contenzioso intitolato Estate of Gene B. Lokken v. UnitedHealth Group ha raggiunto un traguardo critico il 13 febbraio 2025, quando il giudice distrettuale statunitense John R. Tunheim ha stabilito che la class action poteva procedere.¹ Questa sentenza è un landmark per la giurisprudenza sull'IA, poiché perfora lo «scudo della preemption» che molte Medicare Advantage Organizations (MAOs) hanno storicamente usato per eludere le pretese di diritto statale.¹

Se da un lato il tribunale ha respinto le pretese di negligenza e di violazioni della tutela del consumatore statale —ritenendole preempted dal Medicare Act federale— ha consentito che procedessero le pretese per inadempimento contrattuale e violazione del patto implicito di buona fede e correttezza.¹ Il ragionamento è stato profondo: i documenti di polizza della stessa UHC promettevano che le decisioni di copertura sarebbero state prese da «personale dei servizi clinici» e da «medici».⁷ Sostituendo questi esseri umani con un algoritmo di IA che di fatto dettava l'esito, la società ha potenzialmente violato la propria promessa contrattuale nei confronti degli assicurati.⁷

La rinuncia all'esaurimento dei rimedi

In una mossa significativa, il tribunale ha dispensato i ricorrenti dall'obbligo di esaurire i rimedi amministrativi prima di agire in giudizio.¹ Di norma, i beneficiari Medicare devono attraversare più livelli di ricorso prima di chiedere il sindacato giurisdizionale. Tuttavia, il tribunale ha ritenuto che, dato il «danno irreparabile» cui i pazienti andavano incontro (come essere espulsi dalle strutture di cura) e la «futilità» di presentare ricorso a un sistema con un tasso di errore del 90%, la classe poteva procedere direttamente al contenzioso.¹ Questa sentenza fissa un precedente: se un sistema di IA è fondamentalmente rotto, l'ordinamento giuridico non pretenderà che le vittime «partecipino alla farsa» di un processo di ricorso truccato.⁷

Deep AI vs. wrapper LLM: una differenziazione strategica

La crisi di nH Predict evidenzia il pericolo della «Thin AI» o «Wrapper AI»—soluzioni che applicano uno strato superficiale di automazione su un motore centrale senza comprendere la logica sottostante né controllare il bias.⁴ Veriprajna si posiziona come fornitore di «Deep AI», specificamente per affrontare le vulnerabilità inerenti a questi modelli commoditizzati.⁵

La trappola dell'economia del wrapper

Come rilevato dal Google India Accelerator e da altri analisti di settore, le società «wrapper» sono sempre più viste come passività nelle industrie regolamentate.⁵ Queste società spesso «wrappano» un motore di IA esistente (come GPT di OpenAI o Gemini di Google) in un'interfaccia personalizzata.⁵

Categoria di rischio	Soluzioni wrapper LLM	Soluzioni Deep AI (Veriprajna)
Difendibilità	Facilmente replicabili; nessun IP proprietario.4	Modelli proprietari e logica causale.5
Vendor lock-in	Vulnerabili a cambiamenti delle API di terze parti.4	Architettura ibrida; indipendenti da un singolo vendor.5
Conformità	Logica a scatola nera; impossibile da auditare.4	Explainable AI (XAI) e audit trail.22
Mitigazione del bias	Eredita il bias dai modelli fondazionali.4	Inferenza causale per neutralizzare le variabili proxy.25
Accountability (rendicontabilità)	La responsabilità risiede presso chi effettua il deployment.4	Governance a livello di board e mappatura del rischio.28

Le soluzioni Deep AI richiedono di andare oltre il riconoscimento probabilistico di pattern verso la Causal AI.⁶ Mentre un modello predittivo potrebbe concludere che «i pazienti con diagnosi X restano di solito 14 giorni», un modello causale chiede: «quali fattori fanno sì che un paziente abbia bisogno di più tempo, e in che modo la rimozione della copertura causa una recidiva?».²⁵ Questa transizione dal «cosa» al «perché» è il fondamento dell'intelligenza degna di fiducia.⁶

L'orizzonte regolatorio: conformità nel 2025 e nel 2026

L'ambiente regolatorio si è spostato in modo aggressivo verso la responsabilità algoritmica. Le organizzazioni non possono più dispiegare l'IA in ambienti ad alto rischio senza soddisfare standard specifici e rigorosi fissati dalla FDA, dall'Organizzazione Mondiale della Sanità (OMS) e dal NIST.³⁰

Il framework di valutazione della credibilità in 7 passi della FDA

Nel gennaio 2025, la FDA ha emesso una guidance in bozza (FDA-2024-D-4689) che istituisce un framework obbligatorio per i modelli di IA usati nel decision-making medico e regolatorio.³³ Questo framework è essenziale per qualsiasi deployment di IA di grado enterprise.

1.​ Definire la domanda di interesse: articolare con chiarezza la decisione esatta che l'IA è destinata ad affrontare.³⁴

2.​ Definire il Context of Use (COU): specificare il ruolo del modello, gli input di dati e il workflow in cui è inserito.³⁴

3.​ Valutare il rischio del modello: valutare l'«influenza del modello» (quanta autorità ha l'IA) e la «conseguenza della decisione» (la gravità del danno se l'IA sbaglia).³⁴

4.​ Sviluppare il piano di credibilità: delineare strategie di validazione, metriche e criteri di accettazione.³⁴

5.​ Eseguire il piano: condurre test rigorosi, compreso lo stress-testing sui casi limite.³⁴

6.​ Documentare i risultati: creare un «Rapporto di credibilità» che evidenzi eventuali scostamenti dal piano.³⁴

7.​ Determinare l'adeguatezza: validazione finale dell'idoneità del modello al suo scopo clinico specifico.³⁴

Il sistema nH Predict è fallito in ogni stadio di questo framework. Era privo di un COU chiaro, la sua valutazione del rischio ignorava le conseguenze potenzialmente letali delle cure negate, e la sua «validazione» era incentrata sul contenimento dei costi piuttosto che sull'accuratezza clinica.²

Etica OMS e AI Act dell'UE

L'Organizzazione Mondiale della Sanità (OMS) ha preso di mira in modo specifico il «bias di automazione»—la tendenza degli esseri umani a deferire a un algoritmo anche quando contraddice i propri sensi.³¹ La guidance 2024 dell'OMS sui Large Multimodal Models (LMMs) avverte che l'IA può portare a un «degrado delle competenze» tra i medici che smettono di esercitare il giudizio critico.³¹

Contestualmente, l'AI Act dell'UE ha avviato la sua applicazione a fasi nel 2025.¹ Ai sensi di questo Act, i sistemi di IA usati in sanità sono classificati come «ad alto rischio», con obbligo di valutazioni di conformità, informative di trasparenza e supervisione umana.³⁷ Le sanzioni elevate per la non conformità (fino al 7% del fatturato mondiale) rendono la governance algoritmica un imperativo finanziario a livello di board.³⁷

Ingegnerizzare la fiducia: il mandato dell'Explainable AI (XAI)

Per prevenire una ripetizione del collasso di UnitedHealth, le soluzioni Deep AI devono essere «Explainable by Design».²² L'Explainable AI (XAI) colma il divario tra i pesi matematici complessi e una motivazione leggibile dall'essere umano.³⁹

Metodi tecnici: SHAP e LIME

Nel supporto decisionale clinico, strumenti XAI come SHAP (SHapley Additive exPlanations) e LIME (Local Interpretable Model-Agnostic Explanations) sono critici.⁴¹

●​ SHAP fornisce una visione globale dell'importanza delle feature. Nel contesto assicurativo, può rivelare se un diniego è stato determinata principalmente da «Età» o «Zip Code» (spesso un proxy della razza), consentendo agli auditor di segnalare bias discriminatori.²⁴

●​ LIME fornisce una spiegazione locale per una singola decisione. Per una paziente come Carol Clemens, LIME avrebbe evidenziato che l'IA stava ignorando i suoi «livelli di ossigeno nel sangue pericolosamente bassi per la vita» a favore del suo «tempo medio di recupero basato sulla diagnosi».⁸

Integrando questi strumenti, Veriprajna assicura che i clinici non siano «destinatari passivi» dell'output dell'IA, ma partner che possono valutare e validare la logica.⁴⁰

L'implementazione dello scoring di confidenza

Una caratteristica chiave della Deep AI è lo scoring di confidenza (Confidence Scoring)—una metrica che comunica all'utente umano quanto è affidabile una particolare predizione.²³ Se un paziente presenta una condizione rara non ben rappresentata nei dati di training, l'IA deve segnalare esplicitamente la propria incertezza e instradare il caso a una revisione umana immediata (Human-in-the-Loop Routing).²³

Governance algoritmica: una responsabilità di C-Suite e board

L'era in cui l'IA era un «progetto IT» è finita. Entro il 2025, il 72% delle società S&P 500 ha dichiarato rischi materiali di IA nei propri filing SEC annuali.³⁷ Il rischio reputazionale è ora la preoccupazione più citata, poiché un singolo fallimento di IA può viralizzarsi e innescare un contenzioso massiccio.²⁹

Il ruolo del Comitato etica e conformità dell'IA

Perché le organizzazioni costruiscano resilienza, devono istituire comitati di governance dell'IA interfunzionali.²⁸ Questi comitati dovrebbero includere leader clinici, consulenza legale e rappresentanti della sicurezza del paziente, con l'autorità di:

●​ Definire i criteri di approvazione per tutti i casi d'uso dell'IA.⁴⁷

●​ Mantenere un Registro centrale dell'IA che cataloghi ogni modello nello stack dell'organizzazione.²⁸

●​ Applicare il Model Change Management con opzioni di «Kill Switch» o rollback se le prestazioni si degradano o viene rilevato un «Drift».³⁰

Operazionalizzare il NIST AI Risk Management Framework (RMF)

Il NIST AI RMF 1.0 (rilasciato nel 2023 e aggiornato nel 2025) fornisce lo schema di questa governance.³² È strutturato intorno a quattro funzioni:

1.​ GOVERN: costruire una cultura consapevole del rischio in cui la leadership è direttamente responsabile degli esiti dell'IA.²⁸

2.​ MAP: catalogare dove l'IA interagisce con dati sensibili (PHI) e identificare potenziali «scenari di danno» come diagnosi errata o triage biasato.³²

3.​ MEASURE: tracciare in continuo KPI come sensitivity, tassi di falsi negativi e «Demographic Fairness».³²

4.​ MANAGE: implementare controlli, come richiedere la supervisione umana per le decisioni ad alto rischio e condurre regolari «esercitazioni di risposta agli incidenti di IA».³²

Conclusione: lo standard Veriprajna per la Deep AI

Il collasso dell'algoritmo nH Predict di UnitedHealth serve da cupo avvertimento: quando gli algoritmi sono usati per ottimizzare l'«efficienza teorica» piuttosto che gli «esiti clinici nel mondo reale», il costo umano è catastrofico e la responsabilità giuridica è assoluta.² La class action del febbraio 2025 rappresenta più di una semplice causa; è il primo grande rifiuto dell'era della «scatola nera» nella gestione sanitaria.

Come fornitore di soluzioni Deep AI, Veriprajna rifiuta l'approccio «wrapper». La vera IA d'impresa richiede:

●​ Validazione causale: comprendere perché una decisione è presa, non solo la probabilità che si verifichi.⁶

●​ Architettura spiegabile: fornire a clinici e auditor i «compiti a casa» dietro ogni output.³⁹

●​ Governance etica: assicurare che l'«human-in-the-loop» sia abilitato a sovrascrivere la macchina, non sanzionato per averlo fatto.³⁵

●​ Allineamento regolatorio: soddisfare in modo proattivo il framework di credibilità in 7 passi della FDA e i mandati di trasparenza dell'AI Act dell'UE.³⁰

La via da seguire per l'impresa non sta in più automazione, ma in una Intelligenza Migliore. Passando dai wrapper predittivi a sistemi causali profondamente governati, le organizzazioni possono riconquistare la promessa dell'IA: potenziare il giudizio umano, proteggere i vulnerabili e costruire un sistema sanitario altrettanto efficiente quanto compassionevole..⁵

Opere citate

1. Lawsuit over AI usage by Medicare Advantage plans allowed to ..., consultato il 6 febbraio 2026, https://www.dlapiper.com/insights/publications/ai-outlook/2025/lawsuit-over-ai-usage-by-medicare-advantage-plans-allowed-to-proceed

2. The Biggest AI Fails of 2025: Lessons from Billions in Losses - NineTwoThree Studio, consultato il 6 febbraio 2026, https://www.ninetwothree.co/blog/ai-fails

3. UnitedHealthcare accused of relying on AI algorithms to deny Medicare Advantage claims, consultato il 6 febbraio 2026, https://www.foxbusiness.com/markets/unitedhealthcare-accused-relying-ai-algorithms-deny-medicare-advantage-claims

4. Risks of AI Wrapper Products and Features - Kader Law, consultato il 6 febbraio 2026, https://www.kaderlaw.com/blog/risks-of-ai-wrapper-products-and-features

5. AI Wrapper Economy Risks Highlighted by Google India Accelerator - AI CERTs News, consultato il 6 febbraio 2026, https://www.aicerts.ai/news/ai-wrapper-economy-risks-highlighted-by-google-india-accelerator/

6. Integrating predictive modeling and causal inference for advancing medical science, consultato il 6 febbraio 2026, https://www.chikd.org/journal/view.php?id=10.3339/ckd.24.018

7. Lawsuit alleging UnitedHealthcare used faulty AI to deny coverage advances in federal court - Insurance News | InsuranceNewsNet, consultato il 6 febbraio 2026, https://insurancenewsnet.com/oarticle/lawsuit-alleging-unitedhealthcare-used-faulty-ai-to-deny-coverage-advances-in-federal-court

8. Minnesota judge: lawsuit over UnitedHealth use of AI can continue - The C.O.R.E. Group, consultato il 6 febbraio 2026, https://coregroupusa.com/minnesota-judge-lawsuit-over-unitedhealth-use-of-ai-can-continue/

9. nH Predict - Wikipedia, consultato il 6 febbraio 2026, https://en.wikipedia.org/wiki/NH_Predict

10. UnitedHealth faces lawsuit over AI, Medicare Advantage care denials, consultato il 6 febbraio 2026, https://www.beckerspayer.com/payer/unitedhealth-faces-lawsuit-over-medicare-advantage-care-denials/

11. STAT “Denied by AI” series a model of solid investigative journalism ..., consultato il 6 febbraio 2026, https://healthjournalism.org/blog/2024/10/stats-denied-by-ai-series-a-model-of-solid-investigative-journalism/

12. When Faulty AI Falls Into the Wrong Hands: The Risks of Erroneous ..., consultato il 6 febbraio 2026, https://ijoc.org/index.php/ijoc/article/download/23994/4992/90761

13. AI-driven insurance decisions raise concerns about human oversight | Stanford Report, consultato il 6 febbraio 2026, https://news.stanford.edu/stories/2026/01/ai-algorithms-health-insurance-care-risks-research

14. Senate report slams Medicare Advantage insurers for using predictive technology to deny claims | Healthcare Dive, consultato il 6 febbraio 2026, https://www.healthcaredive.com/news/medicare-advantage-AI-denials-cvs-humana-unitedhealthcare-senate-report/730383/

15. New AI tool counters health insurance denials decided by automated algorithms | US healthcare | The Guardian, consultato il 6 febbraio 2026, https://www.theguardian.com/us-news/2025/jan/25/health-insurers-ai

16. Lawsuit accuses UnitedHealth Group of using faulty AI to deny Medicare patient claims, consultato il 6 febbraio 2026, https://www.startribune.com/lawsuit-accuses-unitedhealth-group-of-using-faulty-ai-to-deny-medicare-patient-claims/600319883

17. UnitedHealthcare's AI Use to Deny Claims is Center of Industrywide Debate - HFS Research, consultato il 6 febbraio 2026, https://www.hfsresearch.com/news/unitedhealthcares-ai-use-to-deny-claims-is-center-of-industrywide-debate/

18. UnitedHealth Lawsuit: Can AI Deny Healthcare Services? - Haven Health Management, consultato il 6 febbraio 2026, https://havenhealthmgmt.org/unitedhealth-lawsuit-can-ai-deny-healthcare-services/

19. Estate of Gene B. Lokken et al. v. UnitedHealth Group, Inc. et al., consultato il 6 febbraio 2026, https://litigationtracker.law.georgetown.edu/litigation/estate-of-gene-b-lokken-the-et-al-v-unitedhealth-group-inc-et-al/

20. Judge Decides Class Action Can Proceed Against UnitedHealth for Use of AI, consultato il 6 febbraio 2026, https://www.legalhie.com/judge-decides-class-action-lawsuit-can-proceed-against-unitedhealth-for-use-of-ai/

21. Reviewing the 5 Major AI Risks (Part II of II) | The Volkov Law Group - JDSupra, consultato il 6 febbraio 2026, https://www.jdsupra.com/legalnews/reviewing-the-5-major-ai-risks-part-ii-8779464/

22. Explainable AI For Insurance - Meegle, consultato il 6 febbraio 2026, https://www.meegle.com/en_us/topics/explainable-ai/explainable-ai-for-insurance

23. Explainable AI (XAI) in Insurance: Benefits and Use Cases - A3Logics, consultato il 6 febbraio 2026, https://www.a3logics.com/blog/explainable-ai-in-insurance/

24. How AI Bias Is Impacting Healthcare - InformationWeek, consultato il 6 febbraio 2026, https://www.informationweek.com/machine-learning-ai/how-ai-bias-is-impacting-healthcare

25. Correlation vs. Causation: How Causal AI is Helping Determine Key Connections in Healthcare and Clinical Trials - DIA Global Forum, consultato il 6 febbraio 2026, https://globalforum.diaglobal.org/issue/october-2024/correlation-vs-causation-how-causal-ai-is-helping-determine-key-connections-in-healthcare-and-clinical-trials/

26. Who Benefits Most from Causal AI in Healthcare? - BeeKeeperAI, consultato il 6 febbraio 2026, https://www.beekeeperai.com/blog/107341-who-benefits-most-from-causal-ai-in-healthcare

27. AI governance and risk management for regulated industries - Torry Harris, consultato il 6 febbraio 2026, https://www.torryharris.com/insights/articles/ai-governance-risk-management-regulated-industries

28. AI governance: A guide to responsible AI for boards - Diligent, consultato il 6 febbraio 2026, https://www.diligent.com/resources/blog/ai-governance

29. Governing the Ungovernable: Corporate Boards Face AI Accountability Reckoning, consultato il 6 febbraio 2026, https://www.jdsupra.com/legalnews/governing-the-ungovernable-corporate-1075132/

30. FDA Guidance on AI-Enabled Devices: Transparency, Bias, & Lifecycle Oversight, consultato il 6 febbraio 2026, https://www.centerwatch.com/insights/fda-guidance-on-ai-enabled-devices-transparency-bias-lifecycle-oversight/

31. WHO Releases AI Ethics and Governance Guidance for Large Multimodal Models | Insight, consultato il 6 febbraio 2026, https://www.bakermckenzie.com/en/insight/publications/2024/01/who-releases-ai-ethics-and-governance-guidance

32. Understanding the NIST AI Risk Management Framework - databrackets, consultato il 6 febbraio 2026, https://databrackets.com/blog/understanding-the-nist-ai-risk-management-framework/

33. Artificial Intelligence for Drug Development | FDA, consultato il 6 febbraio 2026, https://www.fda.gov/about-fda/center-drug-evaluation-and-research-cder/artificial-intelligence-drug-development

34. FDA's AI Guidance: 7-Step Credibility Framework Explained | IntuitionLabs, consultato il 6 febbraio 2026, https://intuitionlabs.ai/articles/fda-ai-drug-development-guidance

35. The Ultimate AI Compliance Checklist for 2025 - NeuralTrust, consultato il 6 febbraio 2026, https://neuraltrust.ai/blog/ai-compliance-checklist-2025

36. Ethics and governance of artificial intelligence for health. Guidance on large multi-modal models, consultato il 6 febbraio 2026, https://iris.who.int/server/api/core/bitstreams/e9e62c65-6045-481e-bd04-20e206bc5039/content

37. AI Risk Disclosures in the S&P 500: Reputation, Cybersecurity, and Regulation, consultato il 6 febbraio 2026, https://corpgov.law.harvard.edu/2025/10/15/ai-risk-disclosures-in-the-sp-500-reputation-cybersecurity-and-regulation/

38. NIST AI Risk Management Framework: A simple guide to smarter AI governance - Diligent, consultato il 6 febbraio 2026, https://www.diligent.com/resources/blog/nist-ai-risk-management-framework

39. The Role of Explainable AI (XAI) in Building Trust in Healthcare - Nitor Infotech, consultato il 6 febbraio 2026, https://www.nitorinfotech.com/blog/the-role-of-explainable-ai-xai-in-building-trust-in-healthcare/

40. From Insights to Impact: Exploring Explainable AI's Contribution to Healthcare Decision-Making, consultato il 6 febbraio 2026, https://dr.lib.iastate.edu/bitstreams/f7b0f5bf-56a6-484e-9c51-9d8adc2a8884/download

41. Interpretable AI for bio-medical applications - PMC, consultato il 6 febbraio 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC10074303/

42. Fostering trust and interpretability: integrating explainable AI (XAI) with machine learning for enhanced disease prediction and decision transparency - PMC - NIH, consultato il 6 febbraio 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12465982/

43. A Comparative Analysis of LIME and SHAP Interpreters With Explainable ML-Based Diabetes Predictions - Diva-portal.org, consultato il 6 febbraio 2026, https://www.diva-portal.org/smash/get/diva2:1886442/FULLTEXT02.pdf

44. Explainable artificial intelligence - Wikipedia, consultato il 6 febbraio 2026, https://en.wikipedia.org/wiki/Explainable_artificial_intelligence

45. Responsible AI in Health Care: What Providers and AI Vendors Must ..., consultato il 6 febbraio 2026, https://www.bakerdonelson.com/responsible-ai-in-health-care-what-providers-and-ai-vendors-must-do-now

46. "From Disclosure to Defense: A Strategic AI Governance Blueprint" - Shumaker, Loop & Kendrick, LLP, consultato il 6 febbraio 2026, https://www.shumaker.com/insight/from-disclosure-to-defense-a-strategic-ai-governance-blueprint/

47. NIST Cybersecurity Framework for AI Risk in Healthcare | Censinet, Inc., consultato il 6 febbraio 2026, https://censinet.com/perspectives/nist-cybersecurity-framework-ai-risk-healthcare