In un contesto caratterizzato da rapide trasformazioni demografiche, ambientali e sociali, l’epidemiologia è chiamata a interrogarsi su come i determinanti di salute si formino, si modifichino e si accumulino nelle diverse fasi della vita e su come le generazioni, immerse in contesti in continua evoluzione, sviluppino profili di rischio, vulnerabilità e risorse profondamente differenti.
Le traiettorie individuali non rappresentano una semplice progressione temporale: sono il risultato dell’intreccio tra contesti socioeconomici, politiche pubbliche, innovazioni tecnologiche e condizioni ambientali.
Indice degli argomenti
AI e medicina di precisione nelle nuove priorità sanitarie
Allo stesso tempo, il progressivo invecchiamento della popolazione impone nuove priorità sanitarie e richiede un costante aggiornamento di strumenti e metodi epidemiologici, affinché le evidenze prodotte rimangano pertinenti e i trattamenti attuati siano tempestivi.
L’introduzione dell’intelligenza artificiale come supporto alla medicina di precisione potrebbe permetterci di individuare queste traiettorie e soprattutto di individuare in esse la comparsa di variazioni patognomoniche dello sviluppo di malattie permettendoci di trattarle.
L’idea è semplice quanto rivoluzionaria: non aspettare i sintomi, ma osservare nel tempo i cambiamenti biologici individuali per intercettare precocemente la traiettoria che porta dalla salute alla malattia.
La lenta costruzione delle malattie croniche
Del resto le patologie croniche sono tipiche della popolazione in invecchiamento, sia che si parli di malattie metaboliche, cardiovascolari che neurovegetative e tutte queste raramente compaiono all’improvviso.
Si sviluppano lentamente, attraverso un accumulo di alterazioni legate a genetica, stile di vita, alimentazione, sonno, stress, ambiente e microbioma intestinale.
In una recente pubblicazione Noa Rappaport parla di una “long tail” della biologia: una sequenza di piccoli scostamenti che, nel tempo, riduce la resilienza dell’organismo. Quando arriva la diagnosi, spiegano, il corpo può aver deviato dalla propria traiettoria di salute già da molti anni. Un esempio emblematico è il diabete di tipo 2: modifiche nell’infiammazione, nel metabolismo e nella funzione insulinica possono comparire 10-15 anni prima che la glicemia superi le soglie diagnostiche. Rilevare questi segnali precoci significherebbe intervenire quando la prevenzione è ancora davvero efficace.
Intelligenza artificiale e medicina di precisione nel monitoraggio individuale
Questa progressione delle malattie nel tempo, legate a parametri individuali e monitorizzabili direttamente dall’intelligenza artificiale individuo per individuo senza ricorrere a confronti con medie di popolazioni, ma assumendo direttamente i parametri di valutazione dal singolo tracciando una traiettoria personale dell’andamento clinico degli stessi rilevabile e monitorizzabile nel tempo, ci permetterebbe di definire anche il rapporto dell’uso dell’intelligenza artificiale nel tempo con la privacy dell’individuo normandolo singolarmente.
In pratica, ognuno diventerebbe il proprio parametro di normalità.
Piccole variazioni nel tempo – anche se ancora entro limiti considerati “normali” a livello statistico – potrebbero segnalare un rischio emergente.
Attualmente l’utilizzo delle tecnologie sanitarie sta rendendo questo scenario sempre più concreto.
I dispositivi indossabili tracciano in modo continuativo i parametri vitali, la frequenza cardiaca, la qualità del sonno e i livelli di attività fisica. Le analisi di laboratorio consentono di misurare migliaia di biomarcatori da campioni semplici come sangue, saliva, urina o perfino respiro. L’integrazione con strumenti di intelligenza artificiale permette poi di individuare schemi complessi e trasformare i dati in indicazioni personalizzate sul rischio.
Le criticità operative della prevenzione personalizzata
Non mancano, tuttavia, criticità importanti. Come monitorizzare i dati paziente per paziente? È sufficiente solo il rilievo clinico? Con quale frequenza questi dati vanno integrati con esami di laboratorio e con l’utilizzo di quali risorse personali o sociali?
Quindi l’intelligenza artificiale dovrebbe definire dei biomarkers preventivi che possano intercettare rapidamente il problema e assicurare un intervento tempestivo personalizzato.
Ma tutto questo non in maniera avulsa avvalendosi solo della definizione dei dati dell’individuo, ma inserendo lo stesso nella complessa relazione fra genetica, microbioma, rilievo analitico del sangue, rilievi degli apparecchi digitali e andamento dello stile personale di vita e della salute come dimostrano tutti gli studi attuati negli ultimi venti anni sugli algoritmi di wellness e di vita corretta e sui risultati degli stessi.
Quindi un individuo contestualizzato e molto controllato.
Intelligenza artificiale e medicina di precisione negli studi longitudinali
Uno dei primi studi è stato il Pioner 100 che ha dimostrato il potere dello stile di vita sull’individuo controllando i dati genetici insieme alla monitorizzazione molecolare longitudinale e all’andamento della salute per via digitale consecutivi su 108 individui valutati per un arco di tempo di nove mesi, avvalendosi del programma di algoritmo Arivale. I risultati rilevanti di questo studio hanno poi portato ad applicare l’algoritmo Arivale ad un campione molto più ampio di 5000 pazienti.
Nello studio si dimostra la validità dei parametri elencati sullo stato di salute delle persone.
Infatti non possiamo misconoscere come la predisposizione genetica possa influire insieme allo stile di vita sull’andamento delle malattie, vedasi ad esempio la variazione dei livelli di LDL nelle popolazioni con alto rischio per malattie con colesterolo rispetto a basso rischio, che hanno dimostrato come i pazienti con basso rischio genetico possono ridurre il livello di LDL semplicemente con un corretto stile di vita rispetto a pazienti con alto rischio genetico dove invece vi è necessità dell’assunzione di farmaci.
Oltre alla genetica, anche lo stile di vita influenza la performance biologica del nostro organismo, questo è quello che dimostra lo studio citato in cui venivano valutati pazienti con patologie in atto o con stili di vita non sani che mostravano una età biologica sfavorevole rispetto a quella cronologica. Ma il trend si invertiva rapidamente con un guadagno da 0.8 a 1.5 anni per anno di vita degli stessi con il miglioramento dello stile di vita.
Stessa cosa con il rilievo del Body Mass Index (BMI), da applicare a individui con malattie metaboliche per definire i confini di rischio e la comparsa di vari gradi di obesità con il danno metabolico conseguente.
Il microbioma e le traiettorie dell’invecchiamento
L’Arivale cohort study ha valutato anche le malattie oncologiche rilevando una alterazione delle proteine almeno da uno a quattro anni prima della diffusione metastatica dei tumori (nello studio il rilievo avveniva su cancro pancreatico).
E poi l’importanza del microbioma. I modelli lungo le traiettorie dell’invecchiamento hanno dimostrato che il microbioma diventa sempre più unico a partire dalla mezza età negli individui che sono relativamente sani con l’avanzare della stessa.
Ma ciò non accadeva negli individui con patologie, che mostravano sia una perdita del microbioma centrale tipico della giovane età adulta (20-30 anni), sia una mancanza della unicità del microbioma distintiva e individualizzata negli individui sani.
L’unicità del microbioma era predittiva della mortalità per tutte le cause in una coorte di anziani, suggerendo il suo potenziale come biomarcatore sia dell’invecchiamento sano che della sopravvivenza, ed era riflessa nella metabolomica del sangue, evidenziando possibili implicazioni meccanicistiche.
Intelligenza artificiale e medicina di precisione come cambio di paradigma
Da tutto ciò deduciamo come l’interfaccia fra la biologia dei sistemi e l’analisi multiomica potenziata dall’intelligenza artificiale, ci offra più di un semplice avanzamento tecnologico.
Questo connubio rappresenta una riconcettualizzazione fondamentale di un approccio potente per valutare le malattie.
Man mano che sviluppiamo nuove tecniche per integrare dati genomici, proteomici e metabolomici lungo percorsi biologici consolidati, associazioni comunitarie e già note interazioni molecolari, restringiamo drasticamente il nostro spazio di ricerca analitica, arricchendo simultaneamente la nostra comprensione delle dimensioni rilevanti delle traiettorie di salute.
Equità, regole e prevenzione continua
C’è poi il tema dell’equità: garantire un accesso ampio alle tecnologie predittive sarà cruciale per evitare nuove disuguaglianze. Anche i sistemi regolatori dovranno adattarsi a modelli fondati su dati personalizzati e analisi guidate dall’intelligenza artificiale.
Una prevenzione che diventa continua.
Nonostante le sfide, gli autori ritengono che gli strumenti per trasformare la prevenzione stiano emergendo rapidamente.
La prospettiva è quella di un’assistenza sanitaria che non si limiti a intervenire sulla malattia, ma accompagni la persona nel mantenimento della salute, intercettando per tempo i segnali di deviazione.
In altre parole, una medicina capace di leggere la traiettoria biologica prima che si trasformi in diagnosi.
Bibliografia
Noa Rappaport, Bartek Nogal, Kevin Perrott et al. Early detection of Wellness-to-Disease transitions in the AI Era: Implications for Pharmacology and Toxicology. Annual Review of Pharmacology and Toxicology.2026 66:41-64
Zubair N, Conomons MP, Hood L et al. Genetic predisposition impacts clinical changes in a lifestyle coaching program. 2019
Sci Rep 9(1):6805
Klemera P, Doubal S. A New approach to the concept and computation of biological. Age Mec Ageing Dev, 2006, 127(3):240-48
Wilmanski T, Rappaport N, Diener C et al. Gut microbiome pattern reflects healthy ageing and predicts survival in humans. Nat Metab.20213(2):274-86
Wilmanski T, Kornilov SA, Diener C et al. Heterogeneity in statin responses explained by variation in the human gut microbiome. Medicine 2022,3(6):388-405
Diener C, qin S, Zhou Y et al. Baseline gut metagenomic functional gene signature associated with variable weight loss responses following a healthy lifestyle intervention in humans, mSystems 2021, 6(5):e0096421
Wainberg M, Magis AT, Earls Jc et al. Multiomic blood correlates of genetic risk identify presymptomatic disease alterations PNAS 2020,2, 117(35):21813-20
Price ND, Magis AT, earls JC et al. A wellness study of 108 individuals using personal,dense,dynamic data clouds. Nat Biotechnol 2017, 35(8):747-56
