PoDiaCar: il digital twin che vede il rischio in anticipo

Il problema

Nel monitoraggio cardiometabolico pediatrico i parametri da tenere d'occhio sono molti: pressione, BMI, profilo lipidico, glicemia. Di solito si leggono visita per visita, con i valori derivati calcolati a mano o su strumenti separati. Così l'andamento nel tempo non si vede, e una formula sbagliata è sempre a un passo.

Come l'abbiamo risolto

PoDiaCar raccoglie tutto in un posto e automatizza i conti. Dai dati inseriti dal medico un modello di machine learning stima otto indicatori cardiometabolici: quelli non misurati vengono predetti, non lasciati vuoti. A ogni nuova rilevazione il profilo si aggiorna e i pannelli clinici (rischio cardiometabolico, controllo glicemico, profilo lipidico, pressione arteriosa) si ricalcolano sull'ultima visita in ordine temporale.

Il paziente è rappresentato da un digital twin: un avatar 3D del bambino che mostra a colpo d'occhio come si muovono gli indicatori, con badge rossi sulle condizioni patologiche e gialli su quelle da monitorare. Si passa da una fotografia statica a una traiettoria, che in prevenzione è l'informazione che conta.

La piattaforma non decide al posto del medico: gli dà basi più solide per decidere.

Attorno al paziente ruotano tre ruoli con permessi distinti. L'amministratore crea le entità e configura i consensi tra le parti. Il medico registra le rilevazioni dei pazienti a lui associati e gestisce il follow-up longitudinale. Il genitore consulta storico clinico e anamnesi del figlio, senza poter inserire dati.

Il modello lavora su tre indicatori in regressione (pressione sistolica, diastolica, insulina) e cinque in classificazione binaria (glicemia, pressione patologica, HOMA-IR, TyG-index, HbA1c). Ridge, Lasso, SVM, Random Forest, Gradient Boosting e KNN sono stati messi a confronto in cross-validation: per ogni indicatore va in produzione l'algoritmo che bilancia meglio accuratezza e interpretabilità clinica.

Trattandosi di dati sanitari di minori, l'infrastruttura è parte del prodotto: AWS descritta in Terraform, ambienti di sviluppo e produzione separati, rilasci controllati via GitHub Actions, cifratura, MFA, anonimizzazione dei pazienti e tracciamento delle operazioni su CloudWatch, con un impianto privacy-by-design.

I risultati

Per i medici del pilota il guadagno è concreto: nessun indicatore da calcolare a mano, quindi nessun errore di calcolo derivato; visite registrate in una scheda strutturata invece che su carta; e la possibilità di seguire nel tempo molti più pazienti di quanti ne regga un follow-up manuale.

La piattaforma è finita in letteratura: a gennaio 2026 lo European Journal of Pediatrics ha pubblicato il paper che ne descrive architettura, modelli e prestazioni. Che non sono uniformi, ed è un dato utile: eccellenti sul TyG-index, solide su HbA1c, ancora limitate su pressione e glicemia, dove serve un dataset più ricco. Un digital twin clinico si valuta indicatore per indicatore, non a slogan.