L’intelligenza artificiale sta trasformando profondamente il modo in cui concepiamo la prevenzione sanitaria. Non si tratta più solo di indicazioni generiche su dieta, esercizio fisico o controlli periodici, ma di strumenti in grado di stimare in modo personalizzato i rischi futuri di malattie, evidenziando chi necessita di attenzione e in quali momenti della vita.
Questo approccio, che possiamo definire forecasting sanitario, promette di rivoluzionare la comunicazione della prevenzione, spostandola da messaggi generici a strategie basate su dati individuali, abitudini e indicatori fisiologici. Nel mondo degli affari, il forecasting funziona sulla base di un principio semplice: comportamenti passati, come trend, cicli o pattern ricorrenti, tendono a ripetersi nel tempo. Applicato alla salute, significa costruire modelli in grado di proiettare nel futuro i rischi di malattia a partire da dati storici solidi e accurati, aprendo la strada a una prevenzione più mirata e predittiva.
Un esempio proveniente dalla Icahn School of Medicine at Mount Sinai, a New York l’abbiamo già raccontato. Due ulteriori studi pubblicati negli ultimi mesi entrambi dal gruppo Nature, uno a gennaio 2026 e l’altro a settembre 2025 ne sono fulgidi esempi.
Dal sonno alla prevenzione: l’IA che legge il futuro della salute
Un team dell’Università di Stanford ha costruito un sistema che si basa su SleepFM, un modello di intelligenza artificiale in grado di prevedere più di cento condizioni di salute utilizzando dati raccolti durante una sola notte di sonno. La base di partenza è la polisonnografia, una tecnica di monitoraggio del sonno che registra contemporaneamente attività cerebrale, cardiaca, respiratoria, movimenti oculari e muscolari. Questo approccio consente di ottenere un quadro estremamente dettagliato della fisiologia notturna, trasformando ogni notte di sonno in una miniera di informazioni sul funzionamento del corpo.
SleepFM è stato addestrato su quasi seicentomila ore di dati raccolti da 65.000 partecipanti in 25 anni, tra il 1999 e il 2024, con una combinazione di dati e cartelle cliniche elettroniche. Il modello analizza i dati segmentandoli in unità di cinque secondi, come se fossero parole in un testo, e impara le relazioni tra i diversi segnali fisiologici, creando una sorta di linguaggio del sonno. In questo modo, non solo è in grado di classificare le fasi del sonno o diagnosticare l’apnea notturna, ma può anche identificare anomalie che anticipano il rischio di malattie future.
I risultati sono notevoli: SleepFM ha individuato 130 malattie prevedibili con buona accuratezza, tra cui Parkinson, demenza, infarti e alcuni tumori come quelli alla prostata e al seno. L’efficacia emerge soprattutto quando i segnali fisiologici non sono sincronizzati, ad esempio quando un cuore resta attivo mentre il cervello sembra addormentato, indicando potenziali rischi futuri. SleepFM dimostra che l’analisi dei dati fisiologici può diventare uno strumento predittivo potente, utile per individuare persone che potrebbero beneficiare di interventi preventivi.
Delphi-2M: 20 anni di salute in un modello di intelligenza artificiale
A settembre 2025, un gruppo di ricercatori europei ha sviluppato un modello ancora più ambizioso, Delphi-2M, in grado di stimare il rischio di oltre mille malattie nei successivi vent’anni. A differenza di SleepFM, che analizza dati fisiologici puntuali, Delphi-2M lavora su dati clinici e informazioni sullo stile di vita, imparando le sequenze temporali di diagnosi, trattamenti e fattori di rischio per prevedere eventi futuri.
Il modello è stato addestrato su 400.000 partecipanti della UK Biobank e testato su 1,9 milioni di pazienti del Danish National Patient Registry. Utilizza un approccio simile a quello dei grandi modelli linguistici: impara la “grammatica” dei dati sanitari e riconosce schemi ricorrenti nella progressione delle malattie. Le previsioni non sono certezze, ma stime probabilistiche analoghe alle previsioni del tempo: più accurate nel breve periodo, meno affidabili su orizzonti più lunghi, con performance migliori per condizioni con progressione prevedibile come alcuni tumori, infarti e setticemie, e più limitate per patologie variabili come disturbi mentali o complicazioni in gravidanza.
Delphi-2M consente già di comprendere come le malattie si sviluppano nel tempo, stimare l’impatto dello stile di vita sui rischi e simulare scenari sanitari in assenza di dati reali, offrendo strumenti preziosi per interventi preventivi più mirati. Con dati sufficientemente rappresentativi, modelli come Delphi-2M potrebbero aiutare clinici e sistemi sanitari a identificare pazienti ad alto rischio, pianificare interventi precoci e allocare risorse in maniera più efficiente.
Perché è interessante
SleepFM e Delphi-2M mostrano una tendenza comune: l’intelligenza artificiale non si limita più a diagnosticare ciò che è già presente, ma anticipa i rischi futuri, rendendo possibile una prevenzione più mirata e personalizzata. L’attenzione si sposta dai sintomi attuali ai rischi potenziali, consentendo di comunicare la prevenzione in maniera più efficace e basata su dati concreti. Le persone potrebbero ricevere indicazioni precise su quali controlli eseguire e quando, con una strategia simile a una previsione meteorologica applicata alla salute.
I benefici potenziali riguardano sia i cittadini che i sistemi sanitari. Con l’invecchiamento della popolazione e l’aumento delle malattie croniche, la possibilità di stimare i rischi futuri permette di pianificare interventi precoci, prevenire complicazioni e ottimizzare l’uso delle risorse. Questi strumenti potrebbero rendere la prevenzione più efficace e ridurre l’onere delle malattie, spostando il sistema sanitario da un approccio reattivo a uno proattivo.
Limiti e sfide: privacy, bias e incertezze
Nonostante le potenzialità, entrambi i modelli presentano limiti importanti. SleepFM richiede dati di polisonnografia e quindi non è facilmente accessibile alla popolazione generale. Delphi-2M contiene bias derivanti dalla composizione dei dati della UK Biobank, sotto-rappresentando bambini, adolescenti e alcune minoranze etniche. Inoltre, il forecasting sanitario non offre certezze assolute, ma stime probabilistiche, con maggiore accuratezza nel breve periodo rispetto a scenari di lungo termine.
Per approfondire.
Decisioni automatizzate, vite reali. Nella sanità del futuro, siamo ancora noi a decidere?
L’impatto del Covid-19 sulla salute mentale. Torna Data Analysis
Gli stereotipi di genere nel parlamento italiano, da De Gasperi ai giorni nostri #DataAnalysis
Votare per o votare contro. Il pericolo del partyism in politica (in Italia e negli Stati Uniti)
Come si misura la solitudine e la felicità
“Quando nella scienza non ci sono dati allora è pubblicità”
Riaprono le discoteche. Dopo mesi di sofferenza e anni di bilancio in rosso #DataAnalysis
