Prototipo di piattaforma digital twin per la gestione dell'obesità pediatrica e delle complicanze correlate (PODiaCarD)

Introduzione I modelli di gemelli digitali (Digital Twin, DT) rappresentano un approccio innovativo alla medicina personalizzata, basato sull’interazione continua tra un paziente reale e una sua replica virtuale. L’integrazione con sistemi di intelligenza artificiale (IA) consente di elaborare i dati clinici per fornire raccomandazioni utili alla gestione sanitaria. In questo contesto nasce PODiaCarD (Pediatric Obesity Digital Twin), una piattaforma DT per la gestione dell’obesità pediatrica e delle relative complicanze. Metodi L’infrastruttura cloud di PODiaCarD è progettata in modo modulare, automatizzato e conforme ai criteri di scalabilità, sicurezza e privacy. Il fulcro del sistema è un modulo predittivo di malattia basato su tecniche di machine learning, che analizza dati anamnestici, clinici, antropometrici e comportamentali raccolti nel tempo. La piattaforma utilizza una scheda paziente strutturata per fasi della vita (gestazione, periodo neonatale, infanzia, adolescenza), includendo informazioni su bambino, madre e nucleo familiare, con attenzione particolare ai fattori di rischio per obesità, diabete e malattie cardiovascolari. Sono previste sezioni dedicate all’integrazione con dispositivi esterni (tracker e app). Il sistema consente di stimare in modo predittivo indicatori clinici critici, quali pressione arteriosa patologica, glicemia alterata, insulino-resistenza e livelli di HbA1c, facilitando l’identificazione precoce di condizioni a rischio. Risultati L’interfaccia utente, personalizzata in base al profilo (amministratore, medico, paziente), permette la visualizzazione dello stato di salute tramite un modello 3D dinamico aggiornato in tempo reale. Il pannello degli indici di rischio fornisce una sintesi dei parametri clinici critici. I risultati preliminari indicano che i modelli predittivi relativi agli indici HOMA-IR e HbA1c presentano performance promettenti (accuratezza >75%, AUC ~85%). Tuttavia, la predizione di condizioni associate a forte squilibrio di classe (es. glicemia alterata o ipertensione) risulta ancora limitata, evidenziando una prevalenza di falsi negativi. Il progetto prevede sviluppi futuri come la validazione esterna, l’espansione del campione e una progressiva integrazione nella pratica clinica. Conclusioni Le evidenze raccolte supportano il potenziale di PODiaCarD come strumento digitale avanzato, utile per la prevenzione e la gestione personalizzata dell’obesità pediatrica. L’integrazione tra IA e visualizzazione clinica interattiva apre nuove prospettive nella medicina predittiva. Sono necessari ulteriori sviluppi per consolidarne l’efficacia e l’applicabilità in ambito clinico.