L’esigenza
Il diabete di tipo 1 è una malattia cronica complessa che richiede una gestione quotidiana rigorosa. Nonostante i progressi nelle terapie e nei dispositivi di monitoraggio (come i sensori per il controllo continuo della glicemia), molti pazienti faticano a mantenere un controllo glicemico ottimale nel lungo termine. Questa difficoltà nella gestione espone a un rischio elevato di complicanze gravi – ad esempio cardiovascolari, renali, neuropatie e retinopatie – che compromettono la qualità di vita e aumentano i costi e i carichi sul sistema sanitario. Inoltre, ogni paziente diabetico presenta caratteristiche uniche: fattori genetici, stile di vita e risposte alle terapie possono variare sensibilmente da persona a persona.
Di conseguenza, personalizzare il percorso di cura e predire l’andamento della malattia per ogni individuo sono diventate priorità assolute. I medici oggi hanno accesso a una crescente quantità di dati – dalle misurazioni glicemiche giornaliere ai dati clinici storici, fino a informazioni sullo stile di vita – ma trasformare questi dati in decisioni cliniche mirate è ancora una sfida aperta. Emerge dunque la necessità di strumenti avanzati che supportino specialisti e pazienti nella comprensione profonda della malattia e nella pianificazione di interventi su misura.
La complessità di questi bisogni richiede soluzioni innovative. dAIbetes nasce proprio con l’obiettivo di affrontare tali sfide, migliorando la comprensione della malattia e aprendo la strada a una gestione del diabete più personalizzata e proattiva.
Il Progetto
dAIbetes mira a migliorare la comprensione e la gestione del diabete attraverso l’integrazione di modellazione avanzata e tecniche di intelligenza artificiale interpretabili. L’obiettivo principale è identificare sottogruppi di pazienti diabetici, valutarne gli esiti clinici e analizzare i fattori di rischio associati alle complicanze. Attraverso tecniche sofisticate di analisi dei dati – come il clustering e l’analisi di serie temporali – il progetto intende individuare pattern nascosti nelle informazioni cliniche, così da personalizzare i trattamenti e prevedere l’andamento della malattia per ogni paziente. Un elemento cruciale è lo sviluppo di modelli predittivi avanzati che integrino una vasta gamma di dati (clinici, genomici, ambientali): questi modelli promettono di fornire previsioni più accurate sulla progressione del diabete e sull’insorgenza di complicanze, consentendo interventi preventivi tempestivi e su misura. Inoltre, dAIbetes prevede lo sviluppo di un Digital Twin – ovvero un “gemello digitale” che riproduce in modo dettagliato e dinamico le caratteristiche fisiologiche, metaboliche e genetiche del paziente diabetico. Questo strumento consente di simulare in anticipo gli effetti di diversi trattamenti e di individuare nuovi parametri utili a stratificare ulteriormente i pazienti in gruppi omogenei.
Per soddisfare in modo concreto le esigenze chiave nella gestione moderna del diabete, il progetto si articola su quattro pilastri tecnologici e metodologici fortemente integrati:
- Integrazione e qualità dei dati
dAIbetes raccoglie e armonizza fonti cliniche eterogenee (cartelle elettroniche, sensori indossabili, referti specialistici) attraverso pipeline di data cleansing, annotazione semantica e controllo degli outlier. Il risultato è un patrimonio informativo coerente, completo e pienamente conforme al GDPR. Su questa base vengono applicati algoritmi di clustering avanzato che individuano sottogruppi omogenei di pazienti e rivelano pattern temporali nascosti, elemento essenziale per una medicina di precisione.
- Modellazione multi-scala
Una combinazione di reti neurali profonde e modelli ad agenti riproduce le dinamiche biologiche sia a livello microscopico (processi cellulari e metabolici) sia macroscopico (andamento clinico nel tempo). Il risultato è un Digital Twin del paziente diabetico, capace di simulare con elevata accuratezza la progressione della malattia e la risposta a diversi schemi terapeutici, fornendo ai clinici un banco di prova virtuale per scelte terapeutiche mirate.
- Infrastruttura sicura e scalabile
L’architettura cloud-nativa è progettata per massima interoperabilità e protezione dei dati sensibili. Meccanismi di continuous delivery e monitoraggio automatico garantiscono prestazioni stabili, possibilità di scalare rapidamente e rollback immediati in caso di anomalie, assicurando così affidabilità in ogni fase del ciclo di vita applicativo.
- Validazione clinica e ottimizzazione continua
Il modello viene valutato con specialisti diabetologi mediante metriche rigorose di accuratezza, sensibilità e precisione. I feedback clinici alimentano cicli di miglioramento iterativo che affinano costantemente le previsioni e mantengono il Digital Twin allineato alla migliore evidenza scientifica.
Grazie a questa architettura integrata, dAIbetes trasforma i dati in conoscenza operativa, supportando decisioni tempestive e personalizzate per migliorare il controllo glicemico e prevenire le complicanze.
Il progetto è realizzato in stretta sinergia con un network di partner di eccellenza, con Phoenix nel ruolo di capofila.
Progetto realizzato nell’ambito del Fondo complementare al Piano Nazionale di Ripresa e Resilienza (PNC), programma “Digital Driven Diagnostics, prognostics and therapeutics for sustainable Health care” (D3 4 Health), Spoke 2, Università di Salerno.
