Digital Twin: evoluzione e rivoluzione della medicina moderna

L’assistenza sanitaria basata sull’elaborazione e sull’analisi di dati digitali richiede l’integrazione di competenze, e abilità che sono spesso disperse tra professionisti con background di conoscenze estremamente eterogenei. Difatti, oltre ai professionisti in campo medico e di biologia, esperti di ingegneria informatica, data science, e analisi computazionale sono necessari per costruire una collaborazione fattiva al fine di raggiungere un obiettivo comune. Questo diventa di importanza primaria per l’implementazione di tecnologie altamente specializzate come i Digital Twins.

Dal 2002, il mondo industriale ha utilizzato il Digital Twin per migliorare le proprie procedure di produzione. Infatti, guardando al passato, tali approcci sono stati implementati con successo in contesti diversi come in quello aerospaziale. Differentemente, le tecnologie per la definizione e sviluppo di Digital Twins sono stata introdotta in campo medico per l’assistenza sanitaria, solo di recente. Uno degli obiettivi principali del Digital Twin in medicina è fornire modelli di simulazione che costruiscano rappresentazioni in silico di gruppi di pazienti, che ne riflettano dinamicamente lo stato molecolare, fisiologico e dello stile di vita nel tempo, utilizzando nuove tecnologie informatiche. In questo modo, i Digital Twins possono essere utilizzati per la diagnosi precoce delle malattie, il monitoraggio e per la previsione della risposta alla terapia per ogni singolo paziente, fornendo dati predittivi e prognostici che vanno oltre la generazione attuale di modelli predittivi standard.

La creazione del Digital Twin, che simula appunto un singolo individuo/paziente o un gruppo di Pazienti dalle medesime caratteristiche, è stata fino ad ora impraticabile, a causa della complessità della fisiologia del corpo umano, della patogenesi e progressione delle diverse malattie e dei meccanismi d’azione di molti farmaci. D’altra parte, l’elemento innovativo che rende possibile lo sviluppo di queste tecnologie è la possibilità di recuperare dati multiparametrici e multimodali, attraverso processi di data mining, su infrastrutture di piattaforme interoperabili, in grandi progetti multicentrici per la costruzione di banche dati di grandi dimensioni in base caratteristiche dei Pazienti, rispetto a un esito specifico per una malattia specifica. L’implementazione di queste tecnologie faciliterà l’applicazione di approcci di medicina di precisione, a vantaggio dei cittadini e dei pazienti. In particolare, attraverso l’attuazione di D3 4 Health, il progetto finanziato con i fondi del Piano Nazionale Complementare del PNRR, di cui l’Università Sapienza ne rappresenta l’Hub, saranno fornite soluzioni altamente tecnologiche che avranno un impatto sulla gestione di cinque malattie di riferimento: il tumore del colon metastatico, del fegato e delle vie biliari, e del sistema nervoso centrale, ma anche del diabete di tipo I e della sclerosi multipla.