Un gruppo di ricercatori dello Scripps Research Translational Institute di La Jolla (California), in collaborazione con diversi studiosi formatisi all’Università di Padova, ha presentato uno studio innovativo che potrebbe cambiare radicalmente il modo in cui viene affrontata la prevenzione del diabete di tipo 2. Pubblicato su Nature Medicine, il lavoro dimostra come l’utilizzo combinato di sensori indossabili e intelligenza artificiale permetta di individuare i segnali di rischio della malattia molto prima rispetto ai tradizionali esami di laboratorio.
La diagnosi di diabete oggi
Oggi la diagnosi di prediabete o diabete si basa principalmente sul test dell’HbA1c, che misura i livelli medi di glucosio nel sangue nei mesi precedenti. Pur essendo un parametro fondamentale, questo esame non è in grado di prevedere con precisione chi, tra i soggetti a rischio, passerà dallo stato di salute al prediabete, o da quest’ultimo al diabete conclamato.
Nuovo approccio per la diagnosi
Il nuovo approccio proposto dal team internazionale amplia lo sguardo: non solo i valori glicemici, ma anche il microbioma intestinale, l’alimentazione, l’attività fisica, il sonno, la frequenza cardiaca e perfino la genetica diventano parte di un modello predittivo che consente di distinguere traiettorie metaboliche molto diverse tra individui apparentemente simili.
Tra i principali autori figurano Mattia Carletti, primo firmatario dello studio, Matteo Gadaleta, responsabile dell’analisi dei dati, e Giorgio Quer, direttore di Intelligenza Artificiale allo Scripps Research. Tutti e tre, insieme a Riccardo Miotto di Tempus AI (sponsor del progetto), hanno in comune il percorso accademico all’Università di Padova, dove hanno conseguito il dottorato in Ingegneria dell’Informazione.
Quer spiega bene il punto centrale: “Due persone con lo stesso valore di HbA1c possono avere rischi molto diversi. Analizzando parametri più ampi – come il tempo di recupero dopo un picco glicemico, le variazioni notturne della glicemia o l’impatto della dieta – riusciamo a capire chi è sulla strada veloce verso il diabete e chi invece no”.
Come è stato strutturato lo studio
Lo studio fa parte del programma PROGRESS (PRediction Of Glycemic RESponse Study), un progetto di ricerca digitale che ha coinvolto oltre 1.000 partecipanti reclutati online da tutto il territorio statunitense. Per dieci giorni, i volontari hanno indossato il sensore Dexcom G6 per il monitoraggio continuo della glicemia (CGM), oltre a smartwatch per attività fisica, sonno e frequenza cardiaca. Hanno inoltre registrato i pasti e inviato campioni biologici – sangue, saliva e feci – direttamente da casa, senza mai recarsi in una clinica. Un vero e proprio esempio pionieristico di trial clinico remoto.
Grazie a questa enorme mole di dati, i ricercatori hanno addestrato un modello di intelligenza artificiale capace di distinguere con grande accuratezza tra individui sani e pazienti con diabete di tipo 2. Uno dei segnali più rilevanti emersi riguarda la velocità con cui la glicemia torna ai valori normali dopo un picco: nelle persone diabetiche il rientro può richiedere anche 100 minuti, mentre nei soggetti sani avviene molto più rapidamente.
Il modello ha inoltre evidenziato altri fattori associati al rischio metabolico: un microbioma intestinale ricco e diversificato e una maggiore attività fisica erano correlati a un miglior controllo glicemico, mentre una frequenza cardiaca a riposo elevata risultava legata al diabete.
L’IA riesce a prevedere con anticipo
Un aspetto particolarmente interessante è che l’IA non si è limitata a riconoscere i casi già noti: applicata a persone con prediabete, ha dimostrato che alcuni mostravano profili simili ai diabetici, mentre altri risultavano vicini a individui sani, pur avendo lo stesso valore di HbA1c. Questo livello di dettaglio apre la strada a una medicina sempre più personalizzata, dove il medico può intervenire precocemente con consigli mirati sullo stile di vita o con terapie preventive.
Naturalmente si tratta di un progetto ancora in evoluzione. I ricercatori continueranno a seguire i partecipanti per verificare se le previsioni si tradurranno effettivamente in diagnosi cliniche. Parallelamente, il modello è già stato testato anche su dati indipendenti provenienti da pazienti in Israele, confermandone la solidità e la possibile applicazione su larga scala.
In prospettiva, gli autori immaginano che strumenti di questo tipo possano essere utilizzati non solo dai clinici, ma anche direttamente dai pazienti a casa, grazie ai sensori indossabili già disponibili sul mercato. In questo modo, ciascuno potrebbe monitorare l’impatto delle proprie scelte quotidiane sulla salute metabolica, acquisendo maggiore consapevolezza e possibilità di intervento.