Prima una precisazione, altrimenti il titolo rischia di farci correre più velocemente della scienza.
“Prevedere il diabete prima della glicemia” non significa che un algoritmo possa oggi prevedere magicamente chi svilupperà il diabete tipo 1 prima della comparsa della malattia.
Significa qualcosa di diverso e, per chi il T1D lo vive ogni giorno, forse ancora più interessante: prevedere ciò che sta per accadere al metabolismo prima che quell’evento diventi evidente sulla curva del CGM.
Il pancreas artificiale attuale osserva soprattutto il glucosio, ne calcola direzione e velocità e modifica l’insulina. È già un cambiamento epocale. Gli Standards of Care ADA 2026 definiscono infatti gli AID il metodo preferenziale di somministrazione insulinica nel diabete tipo 1 per chi può utilizzarli in sicurezza.
Ma esiste una differenza fondamentale tra reagire al futuro prossimo e costruire una rappresentazione dinamica della persona per simulare ciò che potrebbe accaderle.
È qui che entra in scena il digital twin.
Un secondo “me”, fatto di matematica
Il gemello digitale non è un avatar.
È un modello matematico che tenta di rappresentare alcuni aspetti della fisiologia e del comportamento di una determinata persona.
Riceve dati, aggiorna continuamente i propri parametri e può rispondere a domande ipotetiche:
cosa succederebbe modificando il rapporto insulina-carboidrati?
Cosa accadrebbe riducendo la basale durante questa fascia oraria?
Questa persona reagisce oggi all’insulina come reagiva tre mesi fa?
E, nel modello più ambizioso:
cosa probabilmente succederà nelle prossime ore se non facciamo nulla?
Il concetto non nasce ieri. Il simulatore UVA/Padova per il diabete tipo 1 è utilizzato da anni nella ricerca e nel testing in silico delle strategie di somministrazione insulinica. Ma nel 2025 un gruppo della University of Virginia ha fatto un passo ulteriore: collegare il digital twin direttamente alla vita quotidiana delle persone che utilizzano un AID.
Il trial che ha trasformato il gemello digitale in qualcosa di concreto
Lo studio, pubblicato su npj Digital Medicine, ha coinvolto 72 adulti con diabete tipo 1 che hanno completato sei mesi di sperimentazione.
Tutti utilizzavano Tandem t:slim X2 con Control-IQ e Dexcom G6.
I dati provenienti dall’AID venivano trasferiti a un sistema cloud che costruiva e aggiornava il gemello digitale della persona. Ogni due settimane venivano eseguite simulazioni per individuare possibili ottimizzazioni del rapporto insulina-carboidrati, del fattore di correzione e della basale.
La persona poteva inoltre utilizzare una funzione particolarmente affascinante: simulare scenari “what if”, cioè vedere virtualmente cosa sarebbe potuto accadere modificando alcuni parametri terapeutici.
Con la co-adattazione basata sul digital twin, il Time in Range è aumentato dal 72% al 77%, mentre l’HbA1c è diminuita dal 6,8% al 6,6%.
Cinque punti percentuali di TIR non sono un dettaglio cosmetico.
Ma neppure dimostrano che abbiamo già costruito il diabetologo virtuale.
Perché è diverso dall’AID che conosciamo
Un AID tradizionale ragiona prevalentemente su una finestra temporale relativamente breve.
La glicemia è 125 mg/dL, sta scendendo rapidamente e l’algoritmo prevede che fra mezz’ora possa diventare troppo bassa? Riduce l’insulina.
Straordinario, ma essenzialmente reattivo-predittivo.
Il gemello metabolico prova invece a rispondere a una domanda più profonda:
“Come funziona questa particolare persona in questo particolare momento?”
Non soltanto dove sta andando il glucosio, quindi, ma quanto è cambiata la sensibilità insulinica, quali pattern ricorrono, come sono andati eventi simili in passato e quale strategia potrebbe produrre il risultato migliore.
È il passaggio dalla previsione di una curva alla stima di uno stato fisiologico.
Quando il CGM potrebbe diventare solo uno dei sensi
Qui la prospettiva incontra quanto sta accadendo nei sensori.
Il 25 agosto 2026 la FDA ha autorizzato Libre Duo 10 Day, primo wearable capace di monitorare continuamente nello stesso dispositivo glucosio e chetoni. Il programma clinico comprendeva sei studi e più di 600 partecipanti.
Oggi quei dati non vengono utilizzati da un AID commerciale per governare autonomamente l’insulina.
Ma indicano la direzione.
Un gemello metabolico futuro potrebbe ricevere:
CGM + insulina + pasti + chetoni + movimento + frequenza cardiaca + sonno + ciclo mestruale + altri segnali fisiologici validati.
Non per accumulare numeri come figurine, ma per distinguere situazioni che producono la stessa glicemia attraverso meccanismi diversi.
Una salita del glucosio dopo pizza, influenza, esercizio anaerobico o insufficiente erogazione insulinica può apparire simile sul sensore. Metabolicamente, non è necessariamente la stessa cosa.
L’IA prova già a guardare più lontano
La ricerca sulla previsione glicemica sta tentando di allungare l’orizzonte.
Un lavoro del 2026 denominato PhysioSeq2Seq combina un modello fisiologico personalizzato con una rete neurale sequence-to-sequence. È stato addestrato sui dati di 348 partecipanti al T1DEXI e testato su altri 74, cercando di prevedere il glucosio fino a quattro ore.
A 240 minuti l’errore assoluto medio era ancora di circa 39 mg/dL. È quindi un risultato interessante dal punto di vista della ricerca, ma decisamente lontano dalla precisione necessaria per affidare a quelle previsioni decisioni insuliniche autonome.
Soprattutto, al momento si tratta di un preprint, non di una prova clinica peer-reviewed.
Questo è esattamente il tipo di distinzione che serve quando si parla di IA e medicina: promettente non significa pronto.
Ventotto studi sono ancora pochi
Una scoping review pubblicata il 18 giugno 2026 su JMIR Diabetes ha cercato di capire a che punto siamo realmente.
Su 208 record inizialmente identificati, gli autori hanno incluso 28 studi sui digital twin applicati al diabete.
Le applicazioni comprendevano controllo terapeutico, previsione del glucosio, supporto decisionale e gestione della malattia. Molti modelli integravano CGM, wearable e informazioni sullo stile di vita.
Il problema?
Gran parte della validazione era retrospettiva oppure basata su simulazioni. Gli studi clinici prospettici erano pochi.
Gli autori indicano inoltre problemi di qualità dei dati, interoperabilità, standardizzazione, integrazione nei percorsi clinici, privacy, equità e supervisione umana.
La fotografia è quindi abbastanza nitida:
potenziale elevato, livello di maturità clinica ancora basso.
Il gemello potrebbe conoscere ciò che l’algoritmo dimentica
Pensiamo al ciclo mestruale.
Abbiamo visto che la sensibilità insulinica può modificarsi secondo pattern individuali nel corso del ciclo.
Pensiamo all’esercizio: lo stesso bolo può comportarsi diversamente dopo una giornata sedentaria o dopo due ore di attività.
Pensiamo a una malattia intercorrente, allo stress fisiologico, a una notte completamente diversa dalle precedenti.
Un algoritmo tradizionale deve spesso scoprire il cambiamento attraverso le sue conseguenze sulla glicemia.
Il gemello metabolico potrebbe cercare di riconoscere prima il cambiamento della persona.
Qui potrebbe stare il vero salto tecnologico.
Non prevedere che tra 30 minuti la glicemia sarà 65.
Ma prevedere:
“nelle prossime ore questa persona ha un rischio crescente di richiedere meno insulina rispetto al proprio comportamento abituale”.
È molto più difficile.
Ed è infinitamente più vicino a ciò che fa la fisiologia.
Ma chi controlla il nostro doppio digitale?
C’è poi un convitato di pietra: i dati.
Per costruire un modello sempre più fedele dobbiamo alimentarlo con una quantità crescente di informazioni personali.
CGM, insulina, pasti, attività, sonno, frequenza cardiaca, ciclo mestruale, farmaci, forse ormoni e altri biomarcatori.
A quel punto la domanda non è soltanto quanto sarà intelligente il sistema.
È:
di chi sarà il gemello digitale?
Chi potrà accedere ai dati? Saranno utilizzabili per finalità commerciali? Un utente potrà trasferire il proprio modello da un dispositivo a un altro? Potrà sapere perché l’algoritmo ha suggerito una determinata modifica?
Il pancreas artificiale poneva principalmente un problema di sicurezza terapeutica.
Il gemello metabolico aggiunge questioni di trasparenza, interoperabilità, proprietà e governo dei dati.
Un risultato interessante, con conflitti da dichiarare
Anche il trial del 2025 merita una lettura completa.
Lo studio è stato finanziato dal National Institute of Diabetes and Digestive and Kidney Diseases statunitense. Diversi autori dichiarano però rapporti economici, finanziamenti di ricerca, brevetti o rapporti professionali con aziende del settore, tra cui Dexcom, Tandem, Insulet e Novo Nordisk. Due autori risultavano inoltre dipendenti rispettivamente di Dexcom e Insulet al momento della pubblicazione, pur dichiarando che il lavoro era stato svolto nell’ambito delle precedenti attività alla University of Virginia.
Questo non invalida i risultati, ma è un elemento da conoscere quando si valuta l’evidenza.
Livello di affidabilità: moderato per la possibilità che un digital twin migliori l’ottimizzazione di un AID, grazie alla presenza di un trial randomizzato; ancora preliminare per l’idea di un gemello metabolico multimodale capace di prevedere autonomamente eventi complessi nella vita reale.
Il futuro forse non sarà un pancreas artificiale
Il termine “pancreas artificiale” ha avuto una forza straordinaria perché descriveva bene l’ambizione: ricostruire automaticamente una funzione perduta.
Ma potrebbe diventare troppo stretto.
Il sistema del futuro potrebbe non imitare soltanto il pancreas.
Potrebbe tentare di modellare la relazione tra pancreas assente, metabolismo, comportamento, ambiente e tempo.
Una sorta di meteorologia personale.
Il CGM ci dice che sta piovendo.
L’AID apre automaticamente l’ombrello.
Il gemello metabolico vorrebbe guardare pressione, vento e nuvole e dirci:
tra quaranta minuti probabilmente pioverà.
Quando saprà farlo abbastanza bene da poter modificare autonomamente la terapia insulinica?
Non lo sappiamo ancora.
Ma per la prima volta abbiamo trial clinici, sensori multianalita e modelli predittivi che permettono di porre seriamente la domanda.
E forse il futuro del diabete automatizzato non consisterà nell’avere una macchina che corregge meglio i nostri numeri.
Consisterà nell’avere una macchina che, progressivamente, impara perché quei numeri stanno per cambiare.
In sintesi
Fatto accertato: gli AID migliorano il controllo glicemico e rappresentano oggi la modalità preferenziale di somministrazione insulinica nel T1D per chi può utilizzarli in sicurezza.
Evidenza clinica promettente: un trial randomizzato su 72 adulti ha mostrato che una strategia di co-adattamento AID basata su digital twin ha aumentato il TIR dal 72% al 77% e ridotto l’HbA1c dal 6,8% al 6,6%.
Stato della ricerca: una review del 2026 ha individuato soltanto 28 studi sui digital twin nel diabete, con poche validazioni cliniche prospettiche.
Risultato preliminare: nuovi modelli ibridi IA-fisiologia stanno tentando previsioni glicemiche di diverse ore, ma la precisione non è ancora sufficiente per immaginare un controllo terapeutico completamente autonomo.
Prospettiva: l’integrazione futura di glucosio, chetoni, attività, sonno e altri segnali potrebbe trasformare l’AID da sistema prevalentemente glucocentrico a modello dinamico dello stato metabolico individuale.
La vera frontiera non sarà prevedere la glicemia. Sarà prevedere la persona prima che cambi la glicemia.
Fonti principali
Kovatchev BP et al. Human-machine co-adaptation to automated insulin delivery: a randomised clinical trial using digital twin technology. npj Digital Medicine, 2025. Studio originale su npj Digital Medicine
Sarani Rad F et al. Digital Twin Applications in Diabetes Management: Scoping Review. JMIR Diabetes, 18 giugno 2026. Scoping review JMIR Diabetes
American Diabetes Association Professional Practice Committee. Diabetes Technology: Standards of Care in Diabetes 2026. Standards ADA 2026
U.S. Food and Drug Administration. Libre Duo 10 Day Continuous Dual Glucose Ketone Monitoring System, autorizzazione De Novo del 25 agosto 2026. Documento FDA
Tran P et al. PhysioSeq2Seq: A Hybrid Physiological Digital Twin and Sequence-to-Sequence LSTM for Long-Horizon Glucose Forecasting in Type 1 Diabetes, preprint 2026.
#DiabeteTipo1 #DigitalTwin #IntelligenzaArtificiale #DiabetesTech
/RL
