Simulare l’effetto di un allineatore prima di applicarlo. Prevedere come si distribuirà il carico su un impianto prima di inserirlo. Testare diverse strategie ortodontiche su una replica digitale della mandibola del singolo paziente, sbagliare, correggere, riprovare, il tutto senza toccare nessuno. Non è un film o un romanzo di Asimov o una rilettura del Ritratto di Dorian Gray: sono applicazioni reali che la ricerca biomedica sta già esplorando, anche se con cautele. Il filo conduttore è il concetto di gemello digitale (digital twin), un modello computazionale che replica un sistema reale e si aggiorna con nuovi dati.
Nato nell’industria aerospaziale (vedi box), questo approccio ha iniziato a entrare anche in odontoiatria, dove immagini radiologiche, scansioni intraorali, dati clinici possono alimentare modelli tridimensionali personalizzati. Cardiologia e ortopedia usano simulazioni paziente-specifiche da diversi anni. In ambito dentale, però, siamo ancora in una fase iniziale, fatta più di prototipi e studi concettuali che di strumenti pronti per l’uso clinico quotidiano.
Indice degli argomenti
Dalla scansione 3D al gemello digitale in odontoiatria
Partiamo da ciò che già esiste. Scanner intraorali, radiografie panoramiche e CBCT (tomografia computerizzata a fascio conico) producono volumi di dati tridimensionali da cui si possono ricostruire le strutture anatomiche di un paziente: denti, osso alveolare, legamento parodontale, articolazione temporomandibolare. La ricostruzione 3D, di per sé, non è un gemello digitale, ovviamente. Lo diventa quando il modello viene usato per simulare il comportamento di quelle strutture sotto sollecitazioni meccaniche: il carico masticatorio, la forza esercitata da un allineatore, la pressione su un impianto.
Lo strumento chiave per questo passaggio è l’analisi a elementi finiti (FEA, Finite Element Analysis), un metodo ingegneristico che suddivide una struttura complessa in piccoli elementi e calcola come ciascuno reagisce a una forza applicata. In odontoiatria, la FEA viene usata da decenni per studiare la distribuzione dello stress su impianti e tessuti circostanti, ma quasi sempre su modelli generici o semi-generici. Il salto in corso è costruire modelli basati sui dati reali del singolo paziente, e qui l’intelligenza artificiale gioca un ruolo crescente.
Il gemello digitale in ortodonzia e nella terapia con allineatori
Il caso più studiato è la terapia con allineatori trasparenti (clear aligner therapy), dove modelli a elementi finiti vengono usati per replicare il comportamento biomeccanico dei denti sotto diversi protocolli di allineamento. Il problema clinico di fondo è noto a ogni ortodontista: quando si programma un trattamento con allineatori, il dente non si muove esattamente come previsto dal software. Il rapporto tra il movimento effettivo e quello pianificato, la cosiddetta percentuale di espressione, oscilla tra il 55% e il 72%, a seconda del tipo di spostamento richiesto. In termini pratici, significa che il dente compie tra la metà e i tre quarti del percorso programmato.
Alcuni movimenti risultano relativamente prevedibili: spostare un dente all’indietro lungo l’arcata (distalizzazione) o ruotarlo sul proprio asse. Altri lo sono molto meno: spingere un dente dentro l’osso (intrusione), inclinarne la radice (torque) o allargare l’arcata (espansione trasversale) sono operazioni in cui la plastica dell’allineatore fatica a trasmettere forze sufficienti.
È proprio questo scarto tra piano e realtà a rendere interessante il gemello digitale: se si riesce a simulare la risposta biomeccanica prima del trattamento, si può compensare in anticipo, programmando un sovratrattamento calibrato sulla perdita attesa.
Strategie biomeccaniche per il movimento dei denti
Zhang e colleghi hanno usato un metodo ricorsivo a elementi finiti per simulare cosa succede ai denti nel lungo periodo quando si retraggono gli incisivi dopo un’estrazione. Il problema che volevano risolvere è il seguente: durante la chiusura degli spazi, i denti non si spostano in modo lineare. Tendono a inclinarsi, rialzarsi, inclinarsi di nuovo, un andamento che in letteratura viene chiamato “effetto montagne russe”.
Il modello ha permesso di testare diverse strategie di intrusione per ridurre questo fenomeno e pianificare un sovratrattamento basato su dati biomeccanici, anziché affidarsi solo all’esperienza del clinico. L’aspetto più interessante è la logica adattiva delle simulazioni: invece di dare per scontato che ogni fase del trattamento vada esattamente come previsto (cosa che, come abbiamo visto, non accade quasi mai), il modello ricalibra ogni passaggio sulla base di come il dente ha risposto nella fase precedente. Nei test, questo approccio ha ridotto il tipping indesiderato (l’inclinazione non voluta della corona rispetto alla radice) da oltre 6° a meno di 1°.
Li e colleghi si sono concentrati su un’altra variabile che l’ortodontista gestisce in gran parte a intuito: lo spessore dell’allineatore. Usando modelli tridimensionali che includevano denti, osso mascellare, legamento parodontale e allineatore, hanno simulato l’espansione dell’arcata superiore con mascherine di spessore diverso. Il risultato: passare da 0,5 a 0,75 mm di spessore migliora l’efficienza dell’espansione, ma aumenta anche lo stress sui tessuti parodontali, quelli che circondano e sostengono il dente.
Hanno anche confrontato due strategie di movimento: spostare i denti posteriori uno alla volta (in sequenza) o tutti insieme (in simultanea). La sequenziale funziona meglio. Sono informazioni che, senza la simulazione, il clinico può solo stimare per esperienza.
All’Università di Copenhagen, il gruppo di Kenny Erleben ha costruito un database di “pazienti dentali digitali” a partire da scansioni CT ad alta risoluzione di denti e legamenti parodontali. Il simulatore che ne deriva permette all’ortodontista di visualizzare in anticipo dove l’apparecchio eserciterà pressione e dove no, prima ancora di metterlo in bocca al paziente. Come ha spiegato lo stesso Erleben, fino a oggi queste decisioni si basavano interamente sulla discrezionalità del professionista e comportavano un margine inevitabile di tentativi ed errori.
Il database ha anche un secondo scopo, serve da ambiente di addestramento per algoritmi di intelligenza artificiale, che possono imparare a prevedere come si muoveranno i denti in bocche con anatomie diverse.
C’è infine un aspetto meno intuitivo ma clinicamente rilevante, emerso dall’editoriale di Roy e colleghi su Frontiers in Bioengineering and Biotechnology: la degradazione degli attachment ortodontici. Gli attachment sono piccoli rilievi in composito incollati sui denti per dare agli allineatori un punto di presa. Con il tempo, la loro superficie si consuma.
Le simulazioni a elementi finiti mostrano che questa usura riduce in modo significativo l’efficienza del movimento, soprattutto negli attachment che hanno un ruolo di controllo primario, cioè quelli che guidano lo spostamento più critico. La conseguenza pratica è che il clinico potrebbe dover monitorare gli attachment più spesso e, se necessario, riposizionarli durante il trattamento.
Il gemello digitale tra chirurgia orale e implantologia
In chirurgia orale, Xing e colleghi hanno usato un gemello digitale del complesso dente-legamento parodontale per studiare l’estrazione per torsione, cioè la rotazione del dente su se stesso per sfilarlo dall’osso. La tecnica funziona bene sui denti con radice conica e regolare, ma è sempre stata sconsigliata quando la radice è piatta o curva, perché il rischio di frattura aumenta. Il problema è che fino a oggi questa valutazione era basata su regole empiriche generali, non sull’anatomia del singolo paziente.
Il modello a elementi finiti di Xing ha permesso di quantificare come variabili specifiche (la curvatura della radice, la sua larghezza, la lunghezza, il tipo di osso circostante) influenzino l’angolo di torsione oltre il quale la radice rischia di spezzarsi. In altre parole, il simulatore calcola fin dove si può ruotare quel dente, in quella bocca, prima che diventi pericoloso.
Il modello è stato anche validato clinicamente, un dettaglio che sembra secondario ma non lo è: come vedremo nella sezione sui limiti, la stragrande maggioranza dei modelli a elementi finiti pubblicati in odontoiatria non è mai stata confrontata con dati reali.
Per l’implantologia, la domanda è diversa ma il metodo è lo stesso: prima di avvitare un impianto nell’osso, è possibile sapere come si distribuirà il carico meccanico sulla vite e sul tessuto circostante? Ahn e colleghi hanno costruito un modello parametrico a ordine ridotto (una versione semplificata della simulazione a elementi finiti, ma comunque accurata) che parte direttamente dalle scansioni CBCT del paziente. Il clinico può modificare in tempo reale sei variabili (lunghezza e spessore dell’impianto, angolo di inserzione in due direzioni, elasticità dell’osso spugnoso, spessore dell’osso corticale) e vedere immediatamente come cambia la distribuzione dello stress.
Il dato più rilevante emerso dallo studio è che la variabile che conta di più non è la geometria dell’impianto, ma la qualità dell’osso in cui viene inserito: il modulo elastico dell’osso spugnoso, cioè la sua rigidità, risulta il fattore più determinante. Prima di scegliere l’impianto bisogna capire l’osso.
Intelligenza artificiale e modelli odontoiatrici del paziente
L’IA entra in gioco in almeno tre passaggi. Il primo è la segmentazione automatica delle immagini. Identificare e separare denti, osso corticale, osso spugnoso e tessuti molli da una CBCT è un lavoro che, fatto manualmente, richiede ore. Algoritmi di deep learning possono farlo in pochi minuti, con una precisione che in alcuni studi raggiunge il 98%.
Il secondo è l’accelerazione delle simulazioni. L’analisi a elementi finiti tradizionale è lenta, perché risolve equazioni differenziali su mesh complesse. Modelli surrogati basati su reti neurali possono approssimare i risultati della FEA in frazioni di secondo, rendendo possibili simulazioni in tempo reale durante la consultazione.
Dall’integrazione dei dati al paziente virtuale dinamico
Il terzo contributo dell’IA è il fatto di mettere insieme dati che oggi vivono in sistemi separati. Per costruire un gemello digitale completo della bocca di un paziente non bastano le immagini della CBCT, che mostrano la forma delle strutture ossee e dentali. Servono anche i dati funzionali (come si muove la mandibola, come i denti entrano in contatto durante la masticazione) e quelli biologici (quanto è denso l’osso, in che stato sono le gengive e i tessuti di sostegno). A tutto questo andrebbe aggiunta la storia clinica del paziente: trattamenti passati, risposte ai farmaci, eventuali complicanze.
Oggi ciascuna di queste informazioni sta in un posto diverso: la CBCT nel software del radiologo, i movimenti mandibolari nel dispositivo che li registra, la storia clinica nella cartella del dentista. L’intelligenza artificiale può aiutare a fondere queste fonti in un modello unico e coerente, colmando i vuoti e allineando dati che hanno formati, scale e tempi diversi.
Un esempio concreto di dove potrebbe portare questa integrazione viene dall’endodonzia, la branca che si occupa dei trattamenti canalari. Dopo una devitalizzazione, il clinico oggi monitora l’evoluzione del caso con radiografie periodiche: controlla se l’osso intorno all’apice della radice guarisce o se compare un’infezione. Un gemello digitale continuamente aggiornato con le nuove immagini radiografiche, le fotografie intraorali e i referti clinici potrebbe fare qualcosa di diverso: simulare come evolverà la situazione periapicale (cioè l’area intorno alla punta della radice) nei mesi successivi, permettendo al dentista di anticipare un problema prima che diventi visibile in bocca.
Nella direzione dell’integrazione si muove già un dispositivo medico commerciale: il sistema Modjaw, sviluppato dall’azienda Twin In Motion. Modjaw cattura i movimenti della mandibola in tempo reale attraverso sensori ottici e li combina con le scansioni intraorali e facciali del paziente. Il risultato è quello che i produttori chiamano un “paziente virtuale dinamico”: non una fotografia statica dell’anatomia, ma un modello che include il movimento.
Il dispositivo è classificato come dispositivo medico di Classe IIa con marcatura CE ed è registrato presso la FDA statunitense. Esporta dati in formato 4D (tre dimensioni spaziali più il tempo) compatibili con i principali software CAD usati in odontoiatria. Non è un gemello digitale nel senso pieno del termine, infatti non simula la risposta biologica dei tessuti e non predice l’esito di un trattamento, ma è uno dei pochissimi strumenti già disponibili sul mercato che porta i dati di movimento dentro la pianificazione clinica.
Validazione e limiti dei gemelli digitali in odontoiatria
La tentazione, a questo punto, è pensare che il gemello digitale sia dietro l’angolo. Non lo è, almeno non nella forma completa che la definizione richiederebbe.
La scoping review più recente sull’argomento, condotta da Duggal e colleghi nel 2026, ha analizzato 5.989 pubblicazioni e ne ha trovate solo sette che soddisfano i criteri di inclusione. I risultati mostrano un quadro frammentato: la maggior parte degli studi è concettuale o basata su prototipi con campioni piccoli e validazione clinica insufficiente. Lo stesso quadro emerge dalla review di Bhardwaj e colleghi sull’integrazione dei gemelli digitali in ortodonzia, che dopo aver vagliato la letteratura dal 2005 al 2025 conferma il potenziale della tecnologia ma ne sottolinea la distanza dalla pratica clinica consolidata.
Ci sono poi questioni pratiche, a partire dai costi di implementazione che restano alti. L’interoperabilità tra scanner, software e piattaforme di simulazione è ancora un cantiere aperto. E la privacy dei dati è un altro nodo critico: un gemello digitale paziente-specifico contiene informazioni biometriche dettagliate, che richiedono tutele rigorose sotto il profilo del GDPR. Come ha osservato l’Agenzia per la Cybersicurezza Nazionale, una cartella clinica completa può valere tra i 300 e i 1.000 dollari sul mercato nero, e i dati tridimensionali di un’arcata dentale sono informazioni potenzialmente identificanti. Inoltre c’è da dire che è necessaria molta formazione per leggere le risposte di un modello ed evitare di accettare acriticamente ogni proiezione.
Infine, una domanda epistemologica che da filosofa mi tocca da vicino: fino a quando il modello resta attendibile? Quando va aggiornato, quando va riaddestrato? Non esiste una risposta unica, perché ogni gemello digitale ha scadenze proprie: un modello ortodontico si disallinea dalla realtà a ogni visita di controllo, un modello implantare diverge man mano che l’osso si rimodella.
È quello che in filosofia della scienza si chiama degradazione epistemica del modello: la rappresentazione nasce calibrata su uno stato del mondo, ma il mondo continua a cambiare mentre il modello resta fermo. La distanza tra i due cresce in modo silenzioso, perché non è osservabile dall’interno della simulazione. Nessun modello ti avvisa che sta diventando inaffidabile. Per scoprirlo serve un dato esterno (una nuova scansione, una misurazione clinica) che funziona da ancora alla realtà. Il confine tra un modello ancora utile e uno ormai obsoleto non è mai tracciato in anticipo, e riconoscerlo resta una responsabilità del clinico, non del software.
Privacy e dati per il gemello digitale odontoiatrico
Per capire la posta in gioco sul fronte dei dati, vale la pena guardare oltre l’odontoiatria. Il caso Palantir è istruttivo. L’azienda statunitense, nota per i suoi contratti con la difesa e l’intelligence, ha sviluppato una piattaforma di gemello digitale industriale all’interno di Foundry, il suo sistema di integrazione dati. Il principio è lo stesso del gemello digitale clinico: un modello virtuale che replica un sistema fisico e si aggiorna in tempo reale. La differenza sta nella scala e nel tipo di dati.
A maggio 2026, Palantir ha ottenuto l’accesso alla Federated Data Platform del servizio sanitario britannico (NHS), una piattaforma che organizza e connette i dati di circa 44.000 sistemi informatici sanitari sparsi nel paese. Il sistema crea profili paziente dettagliati, assegnando identificatori unici che permettono il tracciamento tra banche dati diverse.
Le analogie con il gemello digitale odontoiatrico sono di struttura: in entrambi i casi si tratta di costruire una replica computazionale di un’entità reale a partire da dati eterogenei. La differenza cruciale è che il gemello digitale dentale opera a livello di un singolo paziente per finalità terapeutiche specifiche, mentre una piattaforma come quella di Palantir centralizza dati su scala nazionale per finalità di gestione e analisi.
Il rischio, però, è simmetrico: ogni volta che si concentrano dati sanitari identificabili in un unico sistema, si crea un bersaglio. L’autorità britannica per la protezione dei dati ha avvertito che la pseudonimizzazione adottata dal NHS è un processo reversibile, il che significa che i pazienti restano potenzialmente re-identificabili.
Dati sintetici e apprendimento federato
Una possibile via d’uscita è l’uso di dati sintetici. Si tratta di dataset artificiali generati algoritmicamente per riprodurre le proprietà statistiche e le relazioni presenti nei dati reali, senza contenere informazioni riferibili a persone fisiche. Le tecniche di generazione vanno dai metodi statistici classici, come le simulazioni Monte Carlo, alle reti generative avversarie (GAN) e alle reti bayesiane, capaci di mantenere le dipendenze ad alta dimensionalità presenti nei dati clinici. In pratica, si può addestrare un algoritmo di segmentazione delle CBCT su un dataset sintetico che riproduce la variabilità anatomica della popolazione, senza mai esporre i dati radiologici del singolo paziente.
I dati sintetici, però, non risolvono tutto. Servono per costruire e addestrare i modelli (per esempio, per insegnare a una rete neurale a riconoscere le strutture anatomiche in una CBCT) ma non per trarre conclusioni cliniche sul singolo paziente. Una volta che gli algoritmi sono stati sviluppati e testati su dati sintetici, l’analisi va rilanciata sui dati reali di quel paziente per validare i risultati. Per il gemello digitale odontoiatrico, in pratica, significa che il modello della bocca di Mario Rossi dovrà comunque partire dalle scansioni di Mario Rossi.
Quello che cambia è tutto il lavoro che sta sotto: le reti neurali che segmentano le immagini, i modelli surrogati che accelerano la simulazione a elementi finiti, gli algoritmi che predicono il movimento dei denti. Tutta questa infrastruttura computazionale può essere costruita e validata su popolazioni sintetiche, senza mai toccare i dati di un paziente reale.
C’è poi un ulteriore livello di protezione, che affronta un problema diverso: cosa succede quando servono dati di pazienti veri, ma provenienti da più cliniche? L’apprendimento federato (federated learning) è una tecnica in cui il modello viene addestrato in modo distribuito. Ogni clinica addestra il modello sui propri dati, in locale.
Solo i parametri del modello (i pesi della rete neurale, non le immagini e non i dati dei pazienti, come dire che hai studiato in quell’ospedale, con quei pazienti, e poi la tua expertise la rendi disponibile altrove, insegnando o lavorando in altre cliniche, senza per questo condividere cosa hai imparato con Mario Rossi) vengono condivisi con un server centrale che li aggrega. In questo modo si ottiene un modello addestrato sull’esperienza di molti centri clinici, ma nessuna radiografia, nessuna scansione, nessun dato identificabile esce mai dalla struttura che lo ha prodotto.
Uno studio recente ha proposto un framework di federated learning specifico per l’endodonzia, dimostrando che è possibile costruire modelli multicentro accurati senza trasferire nemmeno un’immagine da una clinica all’altra. È l’opposto della logica Palantir: invece di portare tutti i dati in un unico posto, si porta l’algoritmo ai dati.
Cos’è un gemello digitale: origini, opportunità e rischi
Il termine “gemello digitale” (digital twin) indica un modello virtuale che replica un sistema fisico reale e si mantiene sincronizzato con esso attraverso un flusso continuo di dati. Il concetto è stato introdotto nel 2002 da Michael Grieves all’Università del Michigan nell’ambito della gestione del ciclo di vita dei prodotti (Product Lifecycle Management), con il nome iniziale di “Mirrored Spaces Model”. La NASA ha adottato e formalizzato la definizione nel 2010, descrivendola come una simulazione multi-fisica, multi-scala e probabilistica capace di rispecchiare la vita del suo gemello reale usando i migliori modelli fisici disponibili, dati da sensori e dati storici.
L’idea è ancora più antica: durante il programma Apollo, la NASA costruiva repliche fisiche identiche dei veicoli spaziali per simulare a terra ciò che accadeva nello spazio, un principio di gemellaggio ante litteram.
Tre componenti definiscono un gemello digitale: l’entità fisica, il suo doppio virtuale e il collegamento bidirezionale tra i due. Il collegamento è condizione necessaria: senza aggiornamento continuo, il modello è una fotografia, non un gemello.
Opportunità. In ambito sanitario, il gemello digitale promette una medicina più predittiva e personalizzata. In odontoiatria, può consentire di simulare trattamenti su una replica della bocca del paziente prima di intervenire, confrontare scenari terapeutici alternativi e monitorare l’evoluzione clinica nel tempo. Le strutture ospedaliere possono usare gemelli digitali anche a livello organizzativo, per simulare il carico di lavoro, la disponibilità di sale operatorie e l’impatto di cambiamenti gestionali in un ambiente sicuro.
Rischi. Il primo è la qualità dei dati: un modello costruito su dati incompleti o imprecisi produce previsioni inaffidabili, con conseguenze dirette sulla sicurezza del paziente. Il secondo riguarda la privacy: un gemello digitale è un concentrato di informazioni biometriche, anamnestiche e funzionali, che rientra tra le categorie di dati a tutela rafforzata sotto il GDPR (art. 9). L’interconnessione e la centralizzazione di queste informazioni amplificano il rischio di accessi abusivi, attacchi informatici e re-identificazione.
Il terzo rischio è la fiducia eccessiva nel modello: senza validazione clinica rigorosa, una simulazione sofisticata può dare un’illusione di certezza che non corrisponde alla realtà. Come sottolineano gli autori delle review più recenti, la maggior parte dei modelli attualmente pubblicati non è stata validata sperimentalmente. Il gemello digitale è uno strumento, non un oracolo.
Video sul gemello digitale in odontoiatria
Modjaw Tech in Motion – The Dynamic Virtual Patient (youtube.com/watch?v=CfgGSR_qwhI): dimostrazione del sistema di cattura del movimento mandibolare in tempo reale e creazione del paziente virtuale dinamico.
Modjaw – 4D Jaw Motion (youtube.com/watch?v=Qa6s5m3WKn0): presentazione della tecnologia di tracking del movimento mandibolare in 4D.
Modjaw – Jaw Motion, Dynamic Occlusion and Virtual Patient (youtube.com/watch?v=ZS8JtHUZtsE): panoramica della piattaforma TWIM per la registrazione e condivisione dei movimenti dinamici del paziente.
Riferimenti
1. Duggal I, Tripathi T, Gupta V. Exploring the scope and applications of digital twin technologies in dentistry: a scoping review. Evidence-Based Dentistry. 2026;27(2):41. DOI: 10.1038/s41432-026-01204-4.
2. Roy S, Richert R, Tavares JMRS, Lahoud P. Editorial: Applications of digital twin technology in dentistry. Frontiers in Bioengineering and Biotechnology. 2025;13:1624734. DOI: 10.3389/fbioe.2025.1624734.
3. Zhang Y, Wang K, Li M, et al. Effects of different intrusion patterns during anterior teeth retraction using clear aligners in extraction cases: an iterative finite element analysis. Frontiers in Bioengineering and Biotechnology. 2024;12:1388876. DOI: 10.3389/fbioe.2024.1388876.
4. Li N, Wang C, Yang M, et al. Effects of different tooth movement patterns and aligner thicknesses on maxillary arch expansion with clear aligners: a three-dimensional finite element study. Frontiers in Bioengineering and Biotechnology. 2024;12:1424319. DOI: 10.3389/fbioe.2024.1424319.
5. Xing J, Zhang G, Sun M, et al. Clinical insights into tooth extraction via torsion method: a biomechanical analysis of the tooth-periodontal ligament complex. Frontiers in Bioengineering and Biotechnology. 2024;12:1479751. DOI: 10.3389/fbioe.2024.1479751.
6. Ahn HW, et al. Toward Digital Twin Development for Implant Placement Planning Using a Parametric Reduced-Order Model. Bioengineering. 2024;11(1):84. DOI: 10.3390/bioengineering11010084.
7. Rodriguez-Molinero J, Prados-Privado M. Time-resolved prediction of dental implant biomechanics through integration of finite element analysis, osseointegration dynamics, and deep learning. Journal of the Mechanical Behavior of Biomedical Materials. 2026;175:107316. DOI: 10.1016/j.jmbbm.2025.107316.
8. Bhardwaj I, Jose NP, Nambiar S, Ahuja D, Rao S, Prasad S. Integration of Digital Twin Technology in Orthodontics: A Scoping Review. International Journal of Dentistry. 2026;2026:3347380. DOI: 10.1155/ijod/3347380.
9. Narrative review: Finite element analysis in dentistry. Frontiers in Dental Medicine. 2026. DOI: 10.3389/fdmed.2026.1902992.
10. Erleben K, et al. Researchers Use Digital Twin To Train AI on Tooth Movements. University of Copenhagen, DIKU. 2023.
11. NCT07266896: Patient-specific Finite Element Analysis of Immediate Loading in the Edentulous Maxilla. ClinicalTrials.gov. CHU de Nice. Completato 2023.
12. Grieves M. Digital Twin: Manufacturing Excellence Through Virtual Factory Replication. White Paper, 2014.
13. Digital twins technology in endodontics: from reactive to predictive. British Dental Journal. 2025. DOI: 10.1038/s41415-025-9456-y.
14. Palantir Digital Twin. Palantir Technologies. palantir.com/platforms/foundry/digital-twin.
15. Palantir to be granted ‘unlimited access’ to NHS patient data. Digital Health. Maggio 2026.
16. Crossing borders securely: synthetic data and federated networks for privacy-preserving access to real-world data. npj Digital Medicine. 2025. DOI: 10.1038/s41746-025-02126-8.
17. Federated Learning in Endodontics: A Framework for Privacy-Preserving Multicentre Artificial Intelligence. PubMed. 2026. PMID: 42330717.
18. Legge 17 settembre 2025 sull’intelligenza artificiale. Senato della Repubblica Italiana. innovazione.gov.it.
19. La Legge nazionale sull’Intelligenza Artificiale e le sue implicazioni per il settore della sanità. Quotidiano Sanità. 2025.
Partecipa alla community