Secondo le stime della World Diabetes Foundation, oltre 589 milioni di adulti a livello globale convivono con il diabete, un numero che si prevede salirà a 853 milioni entro il 2050. Di fronte a questi dati risulta sempre più urgente aumentare la consapevolezza su questa malattia e investire in strategie efficaci per la sua prevenzione.
Il diabete viene classificato principalmente in due tipologie. Il diabete di tipo 1 è una malattia autoimmune cronica in cui il sistema immunitario distrugge le cellule beta del pancreas, determinando l’assenza di produzione di insulina; colpisce prevalentemente bambini e giovani e richiede la somministrazione di insulina per tutta la vita. Il diabete tipo 2, invece, è caratterizzato da insulino-resistenza ed è tipico dell’età adulta, sebbene sempre più diffuso anche tra le fasce più giovani della popolazione.
Nella maggior parte dei casi, l’insorgenza del diabete di tipo 2 è preceduta da una fase di “prediabete” o “glicemia a digiuno alterata”, una condizione metabolica in cui i valori di glucosio nel sangue risultano superiori alla norma, ma non ancora sufficientemente elevati per configurare una diagnosi di diabete. Si tratta di una fase potenzialmente reversibile, nella quale interventi mirati sullo stile di vita, come un’alimentazione equilibrata, un’attività fisica regolare e il controllo del peso corporeo, possono riportare i valori glicemici entro limiti normali e ridurre significativamente il rischio di progressione verso il diabete conclamato. Identificare precocemente questa fase è quindi fondamentale per ridurre l’impatto sanitario e sociale della malattia.
In questo contesto si inserisce il progetto PRAESIIDIUM (Physics-informed machine learning-based prediction and reversion of impaired fasting glucose management), che intende migliorare la prevenzione del prediabete attraverso l’impiego di modelli avanzati di intelligenza artificiale, integrati con conoscenze fisiologiche e matematiche. L’obiettivo è lo sviluppo di strumenti in grado di supportare una medicina preventiva e sempre più personalizzata. Finanziato dal programma Horizon Europe e recentemente concluso, PRAESIIDIUM ha coinvolto un consorzio internazionale di 11 università, centri di ricerca e partner industriali, tra cui un gruppo di ricerca SUPSI dell’Istituto Dalle Molle di studi sull’intelligenza artificiale (IDSIA USI-SUPSI).
Uno degli aspetti distintivi del progetto PRAESIIDIUM è l’utilizzo del physics-informed machine learning (PI-ML), un approccio innovativo che integra conoscenze fisiche e fisiologiche all’interno dei modelli di apprendimento automatico. “A differenza dei modelli puramente data-driven, che apprendono esclusivamente dai dati disponibili senza incorporare informazioni strutturali sul sistema studiato, il PI-ML combina dati e modelli matematici già validati dalla ricerca biomedica. In questo modo il sistema non impara da zero, ma si basa su leggi e meccanismi noti, ad esempio quelli che regolano la produzione di insulina o l’assorbimento del glucosio, rendendo le previsioni più coerenti con la realtà biologica e meno sensibili a errori o rumore nei dati” spiega Laura Azzimonti, docente-ricercatrice senior SUPSI.
Con il suo gruppo di ricerca, Azzimonti ha contribuito allo sviluppo di modelli PI-ML per la previsione del rischio di prediabete, integrando nei modelli di apprendimento automatico un sistema di equazioni differenziali in grado di descrivere la dinamica temporale dei principali processi metabolici, come la regolazione della glicemia e la risposta dell’organismo all’insulina.
“Questo approccio consente di mantenere le previsioni coerenti con la fisiologia nota, adattandosi allo stesso tempo a deviazioni o variabilità individuali” spiega Azzimonti. I modelli sono stati sviluppati combinando informazioni cliniche con dati raccolti tramite dispositivi indossabili per il monitoraggio dell’attività fisica e informazioni sulle abitudini alimentari. Parallelamente, sono state approfondite tecniche di quantificazione dell’incertezza, utili per stimare l’affidabilità delle previsioni, e metodi di analisi causale per comprendere se e in quale misura determinati interventi – come un aumento dell’attività fisica – producano un reale miglioramento dei principali parametri metabolici.
I modelli sviluppati sono stati integrati nella piattaforma PRAESIIDIUM, che sarà resa disponibile a fini di ricerca ai professionisti sanitari. La piattaforma faciliterà la raccolta dati e offrirà una visualizzazione chiara e intuitiva della previsione personalizzata del rischio.
Il progetto dimostra come l’integrazione tra intelligenza artificiale spiegabile, modelli matematici e dati clinici possa tradursi in strumenti digitali affidabili e concreti a supporto della salute pubblica. Un approccio che rafforza la diagnosi precoce e la prevenzione del diabete, consentendo interventi tempestivi nelle fasi ancora reversibili della malattia, con benefici tangibili per la qualità di vita delle persone.