La flessibilità cognitiva è una funzione chiave per comprendere i segnali precoci di difficoltà esecutive che possono emergere prima di una diagnosi conclamata. In questa prospettiva si inserisce VR-FlexAI, un progetto che unisce neuropsicologia, realtà virtuale e intelligenza artificiale per osservare il funzionamento cognitivo in modo più vicino alla vita quotidiana.
Indice degli argomenti
VR-FlexAI e flessibilità cognitiva nella diagnosi precoce
Può accadere, nella vita quotidiana, di interrompere un’attività, ad esempio cucinare, per rispondere a una telefonata e di dover poi riprendere le proprie azioni. Questa capacità di adattarsi a interruzioni e cambiamenti, definita flessibilità cognitiva, rappresenta una componente fondamentale del funzionamento esecutivo.
La diagnosi di deterioramento cognitivo non coincide con l’inizio delle difficoltà cognitive: prima che un quadro clinico venga affermato, possono emergere difficoltà sottosoglia del funzionamento esecutivo e/o di altri domini cognitivi, che rappresentano segnali precoci e possibili target per la prevenzione. Tuttavia, questi aspetti sono spesso difficili da cogliere con i test neuropsicologici tradizionali, che restano strumenti fondamentali ma si svolgono in contesti necessariamente semplificati e astratti.
In questo scenario si colloca, appunto, VR-FlexAI, un progetto di ricerca che integra test neuropsicologici standardizzati, compiti immersivi in realtà virtuale e modelli multimodali di machine learning.
Al centro del progetto vi è ACTA-VR, un ambiente domestico virtuale sviluppato ad hoc dal nostro gruppo, nato dall’assenza di strumenti open source che fossero insieme teoricamente fondati, manipolabili sul piano sperimentale e che misurassero la flessibilità cognitiva.
L’obiettivo non è sostituire il giudizio clinico, ma arricchirlo con misure più ecologiche e trasparenti, capaci di avvicinare la valutazione ai contesti in cui i primi segnali di difficoltà cognitiva tendono a manifestarsi. In questa prospettiva, questo approccio potrebbe contribuire a migliorare l’identificazione precoce dei profili a rischio e a sostenere strategie preventive più mirate.
Realtà virtuale e intelligenza artificiale nella valutazione neuropsicologica
Può accadere che una persona anziana mantenga ancora una prestazione apparentemente adeguata nei contesti strutturati della valutazione neuropsicologica e, allo stesso tempo, inizi a mostrare difficoltà in situazioni che richiedono adattamento, aggiornamento di strategia o gestione dell’imprevisto. Non si tratta ancora, in questi casi, di deterioramento cognitivo lieve già definito, ma di possibili segnali precoci di difficoltà esecutive, che meritano attenzione perché è proprio su questi precursori che può focalizzarsi la prevenzione.
La digital health ha attraversato una prima fase dominata dalla digitalizzazione dei processi: cartelle cliniche elettroniche, prenotazioni online, telemedicina (“La Sanità Digitale in Italia e i principali ambiti di innovazione,” 2024). Pur essendo un passaggio necessario e utile, questa trasformazione si è limitata principalmente a rendere più efficienti le procedure, conservando i modelli di cura esistenti.
La fase attuale, invece, introduce un cambiamento qualitativo: la tecnologia non si limita a trasferire nel digitale ciò che già facevamo, ma amplia ciò che possiamo osservare, i contesti in cui possiamo farlo e il modo in cui i dati possono essere interpretati clinicamente. È in questo spazio che la combinazione di realtà virtuale (VR) e intelligenza artificiale (AI) sta offrendo strumenti innovativi e nuovi approcci per la neuropsicologia.
Questi strumenti digitali, singolarmente, hanno già dimostrato un potenziale significativo in ambito diagnostico, ma è la loro integrazione che rende possibile un possibile passo in avanti.
La VR consente di osservare il comportamento e il funzionamento cognitivo in ambienti controllati ma ecologicamente più validi rispetto ai test tradizionali generando dati continui e integrativi (es. tempi di risposta, cinematica del movimento, latenze decisionali, pattern di esplorazione) (Cavedoni et al., 2020), che difficilmente trovano una traduzione clinica immediata se considerate isolatamente. Ciò consente di cogliere non solo se una persona riesce a completare un compito, ma in che modo lo affronta mentre il contesto cambia, la richiesta si complica o compare un’interferenza.
Dall’altro, l’AI riesce ad interpretare efficacemente dati complessi e multidimensionali, ma necessita di input specifici che riflettano in modo più realistico il funzionamento cognitivo quotidiano. Questa integrazione completa il processo: da un lato ambienti immersivi progettati per valutare in modo mirato i processi cognitivi clinicamente rilevanti, dall’altro modelli analitici capaci di trasformare tali dati in indicatori diagnostici o prognostici utili.
Le evidenze scientifiche oggi disponibili sono promettenti. Secondo la revisione sistematica di Scribano Parada e colleghi (Parada et al., 2025), l’AI offre un approccio multidimensionale alla diagnosi precoce dei disturbi neurocognitivi, in particolare dei marker cognitivi dell’Alzheimer, mentre la VR rappresenta un ambito ancora da validare maggiormente. Nel complesso, entrambe appaiono promettenti per la diagnostica preclinica, ma necessitano di ulteriore validazione e di adeguate garanzie di sicurezza ed efficacia clinica.
Allo stesso tempo, però, il campo non è più confinato ai soli studi preliminari: si osserva una progressiva diffusione degli studi e delle applicazioni cliniche su VR e integrazione con AI oltre i lavori di usabilità o i proof-of-concept su piccoli campioni, con campioni più ampi e prime implementazioni in contesti clinici organizzati. Ne sono esempio l’ATNP-Lab dell’IRCCS Istituto Auxologico Italiano e la Clinica della Memoria del Policlinico Gemelli.
Flessibilità cognitiva, gap diagnostico e progetto VR-FlexAI
Con 150 milioni di persone nel mondo che vivranno con una forma di demenza entro il 2050, e con i sistemi sanitari già sotto pressione per i costi di assistenza, il problema non è solo terapeutico: è di prevenzione e diagnosi precoce. La sfida clinica consiste nell’intercettare il deterioramento cognitivo nelle sue fasi iniziali, quando le difficoltà non sono ancora deficitarie e gli interventi conservano maggiori margini di utilità. In questa fase, i deficit non sono necessariamente assenti, ma spesso difficili da rilevare con strumenti standardizzati, soprattutto quando restano mascherate da meccanismi compensativi o non si traducono ancora in una compromissione evidente (Amanzio et al., 2018; Corbo et al., 2024; Guarino et al., 2020).
In quest’ottica, le funzioni esecutive rappresentano un dominio di particolare interesse neuropsicologico, poiché possono risultare deficitarie già nelle fasi precedenti al deterioramento cognitivo e incidere precocemente sull’adattamento al contesto e sulla gestione della vita quotidiana. Tra queste, la flessibilità cognitiva, intesa come la capacità di riconfigurare le proprie strategie mentali in risposta a condizioni mutevoli, ha acquisito crescente interesse come potenziale marcatore precoce.
Nella vita quotidiana, questa capacità si manifesta in situazioni molto comuni: ad esempio quando si cambia strada perché c’è traffico, quando si interrompe un’attività e si deve poi riprendere il filo, oppure quando si deve adattare un piano perché le condizioni sono cambiate. Allo stesso tempo, la flessibilità cognitiva è coinvolta anche in transizioni di vita, come il pensionamento, che richiede di riorganizzare abitudini, ruoli e routine consolidate. Sono proprio questi momenti a richiedere un continuo aggiornamento del comportamento.
Studi recenti la associano a segni iniziali di compromissione nel deterioramento cognitivo lieve non amnestico e nelle demenze frontotemporali, quadri nei quali le alterazioni del controllo esecutivo e comportamentale possono precedere deficit mnemonici più evidenti (Corbo et al., 2024; Guarino et al., 2020; Pupillo et al., 2025). Il peggioramento delle attività strumentali della vita quotidiana è strettamente associato a questi deficit (Amanzio et al., 2018).
Dal punto di vista clinico, il problema centrale è distinguere il rallentamento fisiologico dell’invecchiamento da una compromissione esecutiva patologica. I test neuropsicologici carta-e-matita sono strumenti consolidati, ma misurano la flessibilità cognitiva in condizioni artificiali che non replicano le interruzioni, le regole implicite e l’ambiguità informativa della vita reale. È proprio in questo gap tra performance testistica e funzionamento esecutivo funzionale che si colloca il razionale del progetto VR-FlexAI.
VR-FlexAI (Pupillo, 2026; Pupillo et al., 2024) propone un approccio trimodale che integra:
(i) test neuropsicologici standardizzati come livello cognitivo di riferimento;
(ii) compiti in VR immersiva e Stroop computerizzato come livello comportamentale ecologico;
(iii) analisi prosodico-fonemica e semantica della voce come livello linguistico. La fase 1 ha coinvolto 20 partecipanti volontari over 60 cognitivamente sani per valutare l’usabilità e l’accettabilità di ACTA-VR, mostrando buona accettabilità e coinvolgimento. La fase 2 è in corso con circa 100 partecipanti volontari over 60 (MCI e cognitivamente sani).
ACTA-VR e osservazione dei processi esecutivi in azione
Studiare la flessibilità cognitiva in modo clinicamente informativo richiede un contesto che la solleciti durante l’azione, anziché inferirla da prestazioni astratte e decontestualizzate. Nella vita quotidiana, infatti, l’adattamento cognitivo non si esprime in compiti isolati, ma nella capacità di riorganizzare il comportamento quando un piano viene interrotto, una regola cambia o una decisione deve essere presa in condizioni di ambiguità. ACTA-VR (Adaptive Cognitive Task-based Assessment – Virtual Reality) nasce da questa esigenza: costruire un ambiente immersivo progettato ad hoc per osservare, manipolare e misurare questi processi in modo controllato ma ecologicamente verosimile.
Il framework teorico che ha guidato la progettazione è quello del predictive coding e dell’active inference. In questa prospettiva, il cervello non viene inteso come un sistema che registra passivamente gli stimoli, ma come un sistema generativo che costruisce continuamente previsioni su ciò che sta per accadere e le aggiorna quando la discrepanza tra atteso e osservato diventa rilevante (Smith et al., 2021). In termini più semplici, il predictive coding descrive la tendenza a costruire aspettative su ciò che succederà, mentre l’active inference riguarda il modo in cui queste aspettative guidano le nostre azioni. Si può pensare a questo processo come a un navigatore: da un lato anticipa il percorso più probabile, dall’altro ricalcola il tragitto quando trova un ostacolo o una deviazione. Allo stesso modo, quando ciò che accade non corrisponde a quanto previsto, il cervello deve aggiornare rapidamente le proprie ipotesi e adattare il comportamento. In questi casi, il comportamento adattivo dipende dalla capacità di correggere i propri modelli interni quando il contesto cambia. È proprio in questa dinamica di aggiornamento che possono emergere alcune difficoltà precoci del funzionamento esecutivo.
Nell’invecchiamento fisiologico, l’aggiornamento dei modelli interni può diventare più lento e favorire un maggiore affidamento su routine e schemi consolidati. Nei quadri neurodegenerativi con maggiore coinvolgimento esecutivo-comportamentale, invece, il problema non è solo quantitativo ma qualitativo: la capacità di ricalibrare le inferenze rispetto al contesto si riduce, e l’adattamento diventa più rigido, perseverativo o inefficiente (Migeot et al., 2022). Questi micro-disturbi avvengono durante l’esecuzione in tempo reale e rimangono invisibili ai test tradizionali, ma emergono nei momenti in cui l’ambiente chiede di gestire l’ambiguità, di agire quando le informazioni sono incomplete e le regole non sono dichiarate. È precisamente questa condizione che ACTA-VR replica in modo controllato e sistematico.
In questa prospettiva, ACTA-VR si colloca nel paradigma dell’embodied medicine (Riva et al., 2019), secondo cui i processi cognitivi vanno indagati nella loro dimensione situata e incarnata. La sua progettazione ad hoc risponde alla mancanza di ambienti VR open-source costrutto-based, ossia sistemi non generici ma sviluppati a partire da un costrutto neuropsicologico definito, con compiti immersivi coerenti con il modello teorico e manipolabili in funzione delle ipotesi sperimentali.
Su queste basi, l’applicazione è stata progettata come un ambiente immersivo domestico articolato in due compiti sperimentali, ciascuno orientato a valutare specifiche componenti della flessibilità cognitiva e a rilevarne l’andamento in condizioni di diversa ambiguità informativa. Il partecipante si trova, ad esempio, in una cucina virtuale in cui deve gestire più attività contemporaneamente, mentre richieste impreviste interrompono il piano iniziale. Il primo, basato su un’attività di cucina, mira a osservare il task switching, richiedendo al partecipante di interrompere un piano d’azione, gestire una richiesta concorrente e riprendere poi il compito iniziale. Il secondo, fondato su un compito di classificazione, è invece volto a esplorare il set shifting, attraverso l’inferenza progressiva delle regole, il loro aggiornamento e il controllo della perseverazione.
L’applicazione, sviluppata in Unity e utilizzabile su Meta Quest 3, integra il sistema di hand tracking, che consente un’interazione diretta con le mani sugli oggetti virtuali, rende l’esperienza più naturalistica sul piano percettivo-motorio e permette di acquisire in modo continuo dati di movimento potenzialmente informativi sul comportamento dell’utente.
Intelligenza artificiale trasparente nella valutazione neuropsicologica
Le evidenze più recenti mostrano che l’AI sta assumendo un ruolo crescente nello studio delle malattie neurodegenerative, sia per la classificazione diagnostica sia per la modellizzazione di profili clinici complessi. Le recenti review segnalano in particolare due aspetti convergenti: da un lato, la crescente diffusione di modelli capaci di integrare dati eterogenei (Wahul et al., 2025); dall’altro, la necessità di rendere tali modelli clinicamente interpretabili, poiché la scarsa trasparenza dell’output rappresenta ancora uno dei principali ostacoli alla loro trasferibilità nella pratica clinica (Nguyen et al., 2026; Shankar et al., 2025).
Questo aspetto è particolarmente rilevante in neuropsicologia, dove la valutazione si fonda su una logica intrinsecamente multifattoriale e richiede l’integrazione di fattori multidominio. In tale prospettiva, l’architettura AI di VR-FlexAI combina tre stream di dati (cognitiva, comportamentale e linguistica), la cui analisi congiunta richiede modelli in grado di gestire multimodalità, alta dimensionalità e relazioni non lineari tra variabili. Questa impostazione è coerente anche con il quadro della sanità digitale europea, in particolare con l’European Health Data Space (Regulation (EU) 2025/327, 2025), che promuove integrazione, interoperabilità, riutilizzo, sicurezza e tracciabilità dei dati sanitari.
Per rendere questa analisi compatibile con le esigenze della valutazione neuropsicologica, il progetto adotta sia modelli trasparenti (transparent models), la cui logica interna è direttamente accessibile, sia metodi di spiegazione a posteriori (explainable artificial intelligence), utili a chiarire come il modello abbia pesato le diverse variabili nella classificazione. Si possono concepire queste due forme di trasparenza come due modi diversi di rendere comprensibile una decisione: nel primo caso il processo decisionale è osservabile mentre si costruisce, passo dopo passo, intrinseco nel sistema; nel secondo, la decisione è già stata presa, ma è possibile vedere a ritroso quali elementi hanno inciso di più sul risultato.
L’obiettivo è costruire modelli capaci di classificare soggetti cognitivamente sani e soggetti con deterioramento cognitivo lieve, identificando gli indicatori (features) a maggiore potere informativo e verificando le ipotesi del progetto sull’approccio multimodale.
Biomarcatori linguistici, voce e indicatori cognitivi
Accanto alle misure cognitive e comportamentali, il progetto include l’analisi della voce attraverso biomarcatori prosodico-fonemici. Con questo termine si fa riferimento a caratteristiche del parlato come il ritmo, la velocità, le pause e il modo in cui i suoni vengono articolati. In altre parole, non conta solo cosa viene detto, ma come viene detto. Ad esempio, un aumento delle pause, un eloquio più lento o una maggiore difficoltà nel passare da un argomento all’altro possono riflettere un maggiore carico cognitivo o rigidità cognitiva. Si tratta di segnali che possono passare inosservati attraverso i test standardizzati o la sola osservazione della performance.
La letteratura mostra che questi aspetti possono cambiare già nelle fasi iniziali del deterioramento cognitivo. La velocità dell’eloquio, il ritmo articolatorio e soprattutto le pause possono riflettere il carico cognitivo in tempo reale e segnalare difficoltà che non sempre emergono subito nei test tradizionali (Cintoli et al., 2024; Gustavson et al., 2020). In alcuni quadri clinici, anche il modo in cui vengono usate le parole può offrire indicazioni utili sul piano diagnostico (Coppieters et al., 2024).
Un secondo livello riguarda il contenuto semantico. Nelle prove di fluenza verbale non conta soltanto quante parole una persona produce, ma anche come le organizza: se tende a raggrupparle per significato, se riesce a passare da una categoria all’altra, oppure se ripete gli stessi elementi. Nei profili patologici questa organizzazione tende a diventare meno efficiente, con cluster più poveri, minore capacità di switching e più perseverazioni (Coppieters et al., 2024; Zemla & Austerweil, 2019).
Un obiettivo del progetto è capire se l’integrazione di questi tre livelli possa migliorare la capacità di distinguere tra invecchiamento fisiologico e invecchiamento patologico. In questa prospettiva, la voce rappresenta un biomarcatore digitale particolarmente promettente perché unisce bassa invasività, facilità di acquisizione e potenziale scalabilità.
Limitazioni, scalabilità ed etica di VR-FlexAI
Come ogni progetto in fase iniziale, anche VR-FlexAI presenta limiti che vanno riconosciuti. In questa fase, l’obiettivo è verificare la capacità dell’approccio di distinguere tra soggetti con MCI e soggetti cognitivamente sani; la validazione di biomarcatori più specifici e l’eventuale estensione a sottotipi clinici richiederanno campioni più ampi, studi multicentrici e follow-up longitudinali. Anche la pipeline multimodale, ovvero il processo che integra e analizza congiuntamente dati cognitivi, comportamentali e linguistici, pur fondata su approcci consolidati in letteratura, dovrà essere ulteriormente ottimizzata per questo specifico caso d’uso.
Allo stesso tempo, la possibile diffusione di ACTA-VR non può essere pensata come un semplice trasferimento dal laboratorio alla pratica. Un suo impiego più ampio richiederà standardizzazione delle procedure di somministrazione e scoring, formazione degli operatori, validazione su campioni più ampi e tipologie di malattie neurodegenerative diverse (es. soggetti con disturbi frontotemporali). In questa fase, ACTA-VR resta quindi uno strumento di ricerca clinica con un potenziale applicativo rilevante, ma ancora legato alla necessità di consolidare evidenze e condizioni d’uso.
Il piano etico e normativo è parte strutturale di questo percorso. I dati raccolti dal progetto rientrano tra i dati sensibili relativi alla salute e richiedono, ai sensi del GDPR, specifiche garanzie di trattamento e protezione. A questo si aggiunge il quadro definito dal Regolamento (UE) 2024/1689 sull’intelligenza artificiale, che introduce obblighi stringenti per i sistemi AI ad alto rischio in ambito sanitario, con particolare attenzione alla governance dei dati, alla trasparenza e alla supervisione umana. Nella stessa direzione si collocano anche le più recenti indicazioni dell’American Psychological Association (Ethical Guidance for AI in the Professional Practice of Health Service Psychology, 2025) per la pratica professionale, che ribadiscono come i sistemi di AI debbano supportare il giudizio clinico, non sostituirlo. In questo senso, la trasparenza dei modelli non rappresenta solo una scelta metodologica, ma una condizione necessaria perché strumenti di questo tipo possano essere sviluppati e adottati in modo clinicamente e normativamente responsabile.
Conclusione
Il deterioramento cognitivo viene definito quando è possibile formulare una diagnosi in base a deficit oggettivi, ma l’interesse clinico si estende anche a ciò che può precederla: difficoltà sottosoglia del funzionamento esecutivo, esitazioni davanti a scelte ambigue, maggiore fatica nel riprendere un’attività dopo un’interruzione, una certa rigidità di fronte a regole che cambiano. Non si tratta ancora di un deterioramento cognitivo conclamato, ma di possibili segnali precoci, su cui può focalizzare la prevenzione.
Costruire ambienti simulati che permettano di osservare questi momenti in modo controllato e clinicamente fondato, analizzare la voce come fonte autonoma di indicatori cognitivi, integrare il tutto con modelli di machine learning trasparenti che restituiscano al clinico spiegazioni utilizzabili: questa è la logica di VR-FlexAI.
In questo senso, il progetto VR-FlexAI non propone una risposta definitiva, ma un contributo metodologico a una domanda che la neuropsicologia pone da decenni: come possiamo identificare e riconoscere queste difficoltà precoci quando non configurano ancora un quadro clinico definito?
Bibliografia
Amanzio, M., Palermo, S., Zucca, M., Rosato, R., Rubino, E., Leotta, D., Bartoli, M., & Rainero, I. (2018). Neuropsychological correlates of instrumental activities of daily living in neurocognitive disorders: A possible role for executive dysfunction and mood changes. International Psychogeriatrics, 30(12), 1871–1881. https://doi.org/10.1017/S1041610218000455
Cavedoni, S., Chirico, A., Pedroli, E., Cipresso, P., & Riva, G. (2020). Digital Biomarkers for the Early Detection of Mild Cognitive Impairment: Artificial Intelligence Meets Virtual Reality. Frontiers in Human Neuroscience, 14. https://doi.org/10.3389/fnhum.2020.00245
Cintoli, S., Favilli, L., Morganti, R., Siciliano, G., Ceravolo, R., & Tognoni, G. (2024). Verbal fluency patterns associated with the amnestic conversion from mild cognitive impairment to dementia. Scientific Reports, 14(1), 2029. https://doi.org/10.1038/s41598-024-52562-x
Coppieters, R., Bouzigues, A., Jiskoot, L., Montembeault, M., Tee, B. L., Genetic Frontotemporal Dementia Initiative (GENFI), Rohrer, J. D., & Bruffaerts, R. (2024). A systematic review of the quantitative markers of speech and language of the frontotemporal degeneration spectrum and their potential for cross-linguistic implementation. Neuroscience and Biobehavioral Reviews, 167, 105909. https://doi.org/10.1016/j.neubiorev.2024.105909
Corbo, I., Troisi, G., Marselli, G., & Casagrande, M. (2024). The role of cognitive flexibility on higher level executive functions in mild cognitive impairment and healthy older adults. BMC Psychology, 12(1), Article 1. https://doi.org/10.1186/s40359-024-01807-5
Ethical guidance for AI in the professional practice of health service psychology. (2025). Https://Www.Apa.Org. Retrieved March 24, 2026, from https://www.apa.org/topics/artificial-intelligence-machine-learning/ethical-guidance-ai-professional-practice
Guarino, A., Forte, G., Giovannoli, J., & Casagrande, M. (2020). Executive functions in the elderly with mild cognitive impairment: A systematic review on motor and cognitive inhibition, conflict control and cognitive flexibility. Aging & Mental Health, 24(7), 1028–1045. https://doi.org/10.1080/13607863.2019.1584785
Gustavson, D. E., Elman, J. A., Panizzon, M. S., Franz, C. E., Zuber, J., Sanderson-Cimino, M., Reynolds, C. A., Jacobson, K. C., Xian, H., Jak, A. J., Toomey, R., Lyons, M. J., & Kremen, W. S. (2020). Association of baseline semantic fluency and progression to mild cognitive impairment in middle-aged men. Neurology, 95(8), e973–e983. https://doi.org/10.1212/WNL.0000000000010130
La Sanità Digitale in Italia e i principali ambiti di innovazione. (n.d.). Osservatori Digital Innovation del Politecnico di Milano. Retrieved March 18, 2026, from https://www.osservatori.net/report/sanita-digitale/sanita-digitale-italia-principali-ambiti-innovazione/
Migeot, J. A., Duran-Aniotz, C. A., Signorelli, C. M., Piguet, O., & Ibáñez, A. (2022). A predictive coding framework of allostatic–interoceptive overload in frontotemporal dementia. Trends in Neurosciences, 45(11), 838–853. https://doi.org/10.1016/j.tins.2022.08.005
Nguyen, P. A., Din, F. U., Krug, M., & Jones, R. (2026). Use of explainable AI (xAI) in dementia detection and prognosis: A scoping review. BMC Medical Informatics and Decision Making, 26(1), 43. https://doi.org/10.1186/s12911-025-03279-y
Parada, M. de la P. S., Palau, F. G., Rodríguez, S. V., Rincon, M., Barroeta, M. J. R., Rodriguez, M. G., Aguado, Y. B., Blanco, A. H., Díaz-López, E., Mayoral, M. B., & Durán, R. L. (2025). Preclinical Cognitive Markers of Alzheimer Disease and Early Diagnosis Using Virtual Reality and Artificial Intelligence: Literature Review. JMIR Medical Informatics, 13(1), e62914. https://doi.org/10.2196/62914
Pupillo, C. (2026, March 4). Flessibilità cognitiva nell’anziano. https://osservatoriosenior.it/2026/03/flessibilita-cognitiva-nellanziano/
Pupillo, C., Genovese, L. A., De Gaspari, S., Lernia, D. D., & Riva, G. (2025). Effectiveness of Multisensory Technologies Interventions on Cognitive Flexibility in the Elderly Population: A Systematic Review. In Review. https://doi.org/10.21203/rs.3.rs-6032364/v1
Pupillo, C., Giglioli, I. A. M. C., De Gaspari, S., & Riva, G. (2024). Detecting Cognitive Flexibility Deficits in Aging: A Novel Approach Using Virtual Reality And Artificial Intelligence. Cyberpsychology, Behavior, and Social Networking, 27(10), 742–745. https://doi.org/10.1089/cyber.2024.27109.ceu
Regulation (EU) 2025/327 of the European Parliament and of the Council of 11 February 2025 on the European Health Data Space and Amending Directive 2011/24/EU and Regulation (EU) 2024/2847 (Text with EEA Relevance) (2025). http://data.europa.eu/eli/reg/2025/327/oj
Riva, G., Wiederhold, B. K., & Mantovani, F. (2019). Neuroscience of Virtual Reality: From Virtual Exposure to Embodied Medicine. Cyberpsychology, Behavior, and Social Networking, 22(1), 82–96. https://doi.org/10.1089/cyber.2017.29099.gri
Shankar, R., Goh, Z., Devi, F., & Xu, Q. (2025). A systematic review of explainable artificial intelligence methods for speech-based cognitive decline detection. Npj Digital Medicine, 8(1), 724. https://doi.org/10.1038/s41746-025-02105-z
Smith, R., Badcock, P., & Friston, K. J. (2021). Recent advances in the application of predictive coding and active inference models within clinical neuroscience. Psychiatry and Clinical Neurosciences, 75(1), 3–13. https://doi.org/10.1111/pcn.13138
Wahul, R. M., Ambadekar, S., Dhanvijay, D. M., Dhanvijay, M. M., Dudhedia, M. A., Gaikwad, V., Kanawade, B., Pansare, J. R., Bodkhe, B., & Gawande, S. H. (2025). Multimodal approaches and AI-driven innovations in dementia diagnosis: A systematic review. Discover Artificial Intelligence, 5(1), 96. https://doi.org/10.1007/s44163-025-00358-x
Zemla, J. C., & Austerweil, J. L. (2019). Analyzing Knowledge Retrieval Impairments Associated with Alzheimer’s Disease Using Network Analyses. Complexity, 2019(1), 4203158. https://doi.org/10.1155/2019/4203158
