INTELLIGENZA ARTIFICIALE CLINICA E NUTRIZIONE: TRE STUDI RECENTI SU RISCHIO METABOLICO, SUPPORTO DECISIONALE E MONITORAGGIO DEI PAZIENTI
Analisi delle pubblicazioni scientifiche del periodo 2–9 ottobre 2026.
L’intelligenza artificiale applicata alla sanità sta attraversando una fase nella quale il valore delle nuove tecnologie non può più essere misurato esclusivamente attraverso l’accuratezza degli algoritmi. Diventano sempre più importanti la qualità dei dati utilizzati, la capacità di interpretare le informazioni nel tempo, l’integrazione con le attività dei professionisti sanitari e la dimostrazione di benefici clinici concreti.
Tre contributi scientifici pubblicati nella prima settimana di ottobre 2026 permettono di approfondire questa evoluzione. Il primo riguarda un indice di invecchiamento biologico derivato dal machine learning per la stratificazione del rischio cardiovascolare, renale e metabolico. Il secondo affronta il coinvolgimento dei professionisti sanitari nella progettazione dei sistemi di supporto decisionale basati sull’intelligenza artificiale. Il terzo propone un modello di monitoraggio continuo dell’alimentazione e della salute orale nelle strutture assistenziali.
Queste pubblicazioni, pur presentando livelli differenti di evidenza scientifica, condividono un principio: l’intelligenza artificiale può diventare clinicamente utile quando contribuisce a riconoscere precocemente i rischi, organizzare le informazioni e migliorare i processi assistenziali, senza sostituire il giudizio professionale.
INDICE DEI PARAGRAFI
- Dall’intelligenza artificiale predittiva all’utilità clinica.
- Un indice di invecchiamento per il rischio cardio-renale-metabolico.
- Perché i professionisti devono partecipare alla progettazione dell’IA.
- Monitoraggio nutrizionale continuo e prevenzione della fragilità.
- Le applicazioni per il biologo nutrizionista.
- LLM locali, RAG e automazione dei referti.
- Sicurezza, trasparenza e responsabilità professionale.
- Conclusioni.
DALL’INTELLIGENZA ARTIFICIALE PREDITTIVA ALL’UTILITÀ CLINICA
Negli ultimi anni numerosi sistemi di intelligenza artificiale hanno dimostrato la capacità di identificare associazioni complesse tra variabili cliniche, risultati di laboratorio e probabilità di sviluppare determinate condizioni patologiche.
Una buona prestazione statistica non equivale necessariamente a un miglioramento dell’assistenza sanitaria.
Un modello può prevedere correttamente un evento in una popolazione studiata e risultare meno affidabile quando viene applicato a persone con caratteristiche differenti. Inoltre, una previsione accurata non dimostra automaticamente che l’utilizzo del modello riduca mortalità, complicanze, ricoveri o costi assistenziali.
Per questo motivo, la valutazione dell’intelligenza artificiale clinica deve distinguere tre aspetti fondamentali: prestazione predittiva, validazione in popolazioni indipendenti e dimostrazione dell’effettiva utilità nella pratica sanitaria.
Questa distinzione è particolarmente importante nella nutrizione clinica, dove le decisioni devono considerare contemporaneamente parametri metabolici, condizioni patologiche, abitudini alimentari, terapie farmacologiche e andamento individuale nel tempo.
UN INDICE DI INVECCHIAMENTO PER IL RISCHIO CARDIO-RENALE-METABOLICO
Uno studio pubblicato il 6 ottobre 2026 su PLOS Medicine ha esaminato la possibilità di utilizzare il machine learning per costruire un indice clinico di invecchiamento associato al rischio di mortalità nelle persone con sindrome cardiovascolare-renale-metabolica, definita anche CKM.
Questa condizione comprende l’interazione tra alterazioni metaboliche, obesità, diabete, malattia renale cronica e patologie cardiovascolari. Non si tratta di malattie completamente indipendenti, ma di condizioni che condividono numerosi meccanismi fisiopatologici.
Gli autori hanno utilizzato 18 variabili cliniche riguardanti metabolismo, funzione renale, infiammazione, stato nutrizionale e dimensione psicosociale.
La coorte principale comprendeva 6.896 adulti provenienti dal programma statunitense NHANES, nel periodo 2005–2018.
Il modello selezionato ha mostrato prestazioni predittive elevate, con un C-index medio di 0,893.
Per la mortalità generale, i valori di AUC a tre, cinque e dieci anni erano rispettivamente 0,893, 0,907 e 0,890. Per la mortalità cardiovascolare raggiungevano 0,904, 0,937 e 0,937.
L’AUC misura la capacità di un modello di distinguere tra soggetti che sviluppano un determinato evento e soggetti che non lo sviluppano entro un intervallo definito. Valori elevati indicano una buona discriminazione, ma non garantiscono da soli una corretta calibrazione delle probabilità individuali.
Il modello ha inoltre mostrato prestazioni superiori, nella popolazione esaminata, rispetto ad alcuni indici tradizionali di invecchiamento e rischio cardiometabolico.
La validazione esterna, condotta su 261 pazienti di una coorte ospedaliera cinese, costituisce un primo elemento di verifica, ma rimane insufficiente per dimostrare la generalizzabilità del sistema.
Lo studio è retrospettivo e osservazionale. Non dimostra che l’utilizzo dell’indice migliori gli esiti clinici, né autorizza l’impiego automatico delle sue classificazioni nella popolazione italiana.
Il contributo più interessante riguarda il principio metodologico: integrare informazioni già disponibili per descrivere il rischio complessivo, anziché interpretare ogni parametro isolatamente.
Per il biologo nutrizionista, questo approccio richiama l’importanza di considerare congiuntamente circonferenza vita, andamento ponderale, glicemia, emoglobina glicata, profilo lipidico, funzione renale e altri indicatori clinicamente pertinenti.
L’eventuale utilizzo operativo di un indice predittivo richiederebbe comunque validazione indipendente, verifica delle prestazioni nei sottogruppi e definizione del ruolo del professionista sanitario.
PERCHÉ I PROFESSIONISTI DEVONO PARTECIPARE ALLA PROGETTAZIONE DELL’IA
Una scoping review pubblicata il 5 ottobre 2026 su JMIR Medical Informatics affronta un problema spesso sottovalutato: chi partecipa realmente alla progettazione dei sistemi di supporto decisionale basati sull’intelligenza artificiale?
Gli autori hanno analizzato 4.421 record bibliografici, selezionando 37 studi pertinenti.
Soltanto otto lavori descrivevano esplicitamente processi di progettazione partecipativa, co-design o co-creazione.
La revisione evidenzia una partecipazione prevalentemente concentrata su medici e figure tecniche, mentre infermieri, pazienti e altre professioni sanitarie risultano meno rappresentati.
Questo squilibrio può produrre strumenti tecnologicamente sofisticati ma poco compatibili con le attività quotidiane degli utilizzatori.
Un sistema di intelligenza artificiale destinato a un ambulatorio nutrizionale, per esempio, dovrebbe essere progettato considerando le modalità di raccolta dei dati antropometrici, l’importazione dei referti, la gestione delle informazioni cliniche, il monitoraggio del peso e la comunicazione con il paziente.
La partecipazione del biologo nutrizionista non dovrebbe limitarsi alla verifica finale del prodotto, ma comprendere la definizione dei requisiti, la selezione delle variabili, l’organizzazione delle schermate e la valutazione degli avvisi.
Analogamente, il coinvolgimento dei pazienti può contribuire a migliorare comprensibilità, accessibilità e accettabilità delle procedure.
La revisione non dimostra che la progettazione partecipativa produca necessariamente migliori risultati clinici. Evidenzia invece una lacuna metodologica importante e la necessità di valutazioni più rigorose durante l’implementazione reale.
MONITORAGGIO NUTRIZIONALE CONTINUO E PREVENZIONE DELLA FRAGILITÀ
Il terzo contributo, pubblicato il 5 ottobre 2026 su JMIR AI, propone il passaggio da controlli nutrizionali episodici a sistemi di monitoraggio più continuativi nelle strutture assistenziali per anziani e persone fragili.
L’approccio combina informazioni sull’assunzione alimentare, quantità di cibo non consumato, variazioni del peso, condizioni cliniche e osservazioni della salute orale.
L’obiettivo è individuare modificazioni potenzialmente rilevanti prima che si manifestino conseguenze cliniche evidenti.
Una riduzione persistente dell’assunzione alimentare, per esempio, potrebbe precedere un calo ponderale significativo e rappresentare un segnale di difficoltà masticatorie, disfagia, problemi odontoiatrici, perdita dell’appetito o peggioramento dello stato generale.
Gli autori propongono sistemi capaci di generare segnalazioni interpretabili, come una riduzione dell’assunzione del 30% rispetto al comportamento abituale negli ultimi cinque giorni.
Questo tipo di informazione può risultare più comprensibile di un punteggio numerico privo di spiegazione clinica.
Il modello prevede inoltre una verifica infermieristica e, in presenza di rischio elevato, una valutazione clinica entro 48 ore.
È necessario precisare che questi tempi e queste soglie rappresentano proposte organizzative degli autori, non standard clinici già validati.
Il lavoro è un contributo di politica sanitaria e non presenta risultati sperimentali che dimostrino una riduzione della malnutrizione, dei ricoveri o della mortalità.
La prospettiva rimane comunque rilevante per la nutrizione clinica: il monitoraggio del cambiamento individuale può fornire informazioni complementari rispetto alla semplice misurazione occasionale del peso.
LE APPLICAZIONI PER IL BIOLOGO NUTRIZIONISTA
I tre contributi suggeriscono alcune possibili direzioni di sviluppo per strumenti digitali dedicati alla nutrizione.
La prima riguarda l’integrazione longitudinale dei dati clinici. Peso, circonferenza vita, parametri metabolici e abitudini alimentari possono essere analizzati nel loro andamento temporale, individuando variazioni che richiedono attenzione professionale.
La seconda riguarda l’identificazione precoce delle modificazioni dell’assunzione alimentare, soprattutto nei pazienti anziani, fragili o con condizioni croniche.
La terza riguarda la progettazione partecipativa di piattaforme che supportino la raccolta delle informazioni, l’organizzazione dei referti e la preparazione del follow-up.
Per progetti come NutrizioneIA e MedicoIA, una possibile applicazione consiste nella realizzazione di sistemi che presentino dati e tendenze in modo trasparente, segnalando informazioni mancanti o variazioni clinicamente rilevanti senza produrre automaticamente diagnosi o prescrizioni.
Il professionista deve poter verificare l’origine dei dati, correggere eventuali errori e valutare se un avviso abbia significato nel contesto del singolo paziente.
LLM LOCALI, RAG E AUTOMAZIONE DEI REFERTI
Nel periodo esaminato non sono state individuate, nella selezione considerata, nuove pubblicazioni sufficientemente solide da modificare le valutazioni sull’impiego clinico dei modelli linguistici locali, dei sistemi RAG e dell’OCR sanitario.
L’assenza di nuove evidenze selezionate non significa che queste tecnologie siano prive di utilità.
I modelli linguistici locali possono offrire possibilità di elaborazione dei dati in infrastrutture controllate. I sistemi RAG permettono di collegare le risposte a documenti e fonti selezionate. L’OCR consente di estrarre informazioni da referti cartacei o digitalizzati.
Il problema principale rimane la validazione.
L’estrazione automatica di un valore di laboratorio deve essere verificata rispetto al documento originale, considerando unità di misura, intervalli di riferimento, date, errori di riconoscimento e possibile associazione del dato al paziente sbagliato.
Analogamente, un sistema RAG deve essere valutato per correttezza delle fonti recuperate, fedeltà delle risposte, aggiornamento dei documenti e capacità di riconoscere informazioni insufficienti.
L’elaborazione locale, inoltre, non garantisce automaticamente sicurezza, conformità normativa o accuratezza clinica.
SICUREZZA, TRASPARENZA E RESPONSABILITÀ PROFESSIONALE
L’introduzione dell’intelligenza artificiale nei processi sanitari richiede particolare attenzione alla protezione dei dati personali, alla supervisione umana e alla destinazione d’uso del sistema.
Il Regolamento europeo 2024/1689, noto come AI Act, introduce un quadro normativo basato sul rischio, con obblighi differenti in funzione delle caratteristiche e dell’impiego dei sistemi.
La classificazione normativa non dipende semplicemente dal fatto che un software venga utilizzato da un professionista sanitario, ma dalla sua destinazione d’uso, dalle funzionalità e dalle condizioni previste dalla legislazione applicabile.
Occorre inoltre considerare il Regolamento generale sulla protezione dei dati, particolarmente rilevante quando vengono trattate informazioni sanitarie.
Un sistema che supporta l’organizzazione dei referti non deve essere automaticamente equiparato a un dispositivo destinato alla diagnosi o alla previsione di eventi clinici.
La distinzione deve essere stabilita attraverso un’analisi delle funzionalità effettive e della normativa pertinente.
CONCLUSIONI
Le pubblicazioni scientifiche del periodo 2–9 ottobre 2026 indicano tre direzioni di interesse per l’intelligenza artificiale clinica: integrazione dei dati per la stratificazione del rischio, partecipazione degli utilizzatori alla progettazione e monitoraggio longitudinale delle condizioni nutrizionali. Le evidenze disponibili non giustificano ancora l’adozione autonoma dei sistemi descritti nelle decisioni cliniche. Il loro valore risiede soprattutto nell’individuazione di metodi e modelli organizzativi da sottoporre a ulteriori verifiche. Per il biologo nutrizionista, la prospettiva più concreta non consiste nell’affidare all’algoritmo la decisione professionale, ma nel disporre di strumenti capaci di rendere più completa, tempestiva e verificabile l’interpretazione dei dati. L’intelligenza artificiale diventa un supporto credibile quando la tecnologia migliora la qualità del processo assistenziale e mantiene riconoscibile la responsabilità umana.
DISCLAIMER
I contenuti sono stati elaborati con l’ausilio di ChatGPT e verificati con Gemini, sulla base di idee e valutazioni nate dal mio lavoro di biologo nutrizionista ed esperto in intelligenza artificiale applicata alla sanità e alla nutrizione. Ogni testo è sottoposto a controllo umano, revisione scientifica, adattamento editoriale e validazione professionale.
L’impiego dell’intelligenza artificiale viene dichiarato secondo i principi di trasparenza stabiliti dall’articolo 50 del Regolamento UE 2024/1689, noto come AI Act. La responsabilità editoriale del contenuto resta in capo al Dr Oricchio Gennaro.
Le informazioni hanno finalità esclusivamente divulgative e non costituiscono una diagnosi, una prescrizione terapeutica o un parere medico individuale. Non sostituiscono la valutazione del medico, del biologo nutrizionista o di un altro professionista sanitario qualificato.
Nota editoriale: la consultazione diretta delle tre pubblicazioni è stata effettuata tramite i rispettivi siti scientifici. La verifica indipendente con Gemini e la validazione professionale finale indicate nel disclaimer devono essere confermate prima della pubblicazione.
GLOSSARIO
Intelligenza artificiale clinica. Insieme di tecnologie informatiche che elaborano informazioni sanitarie per supportare attività di analisi, previsione, documentazione o decisione clinica.
Machine learning. Insieme di metodi attraverso i quali un sistema informatico identifica relazioni statistiche nei dati e sviluppa modelli predittivi.
CKM. Sindrome cardiovascolare-renale-metabolica, che descrive le interazioni tra fattori di rischio metabolici, funzione renale e salute cardiovascolare.
AUC. Area sotto la curva ROC, utilizzata per misurare la capacità discriminativa di un modello predittivo.
C-index. Indice di concordanza che valuta quanto correttamente un modello ordina i soggetti in relazione al rischio di un evento.
Validazione esterna. Valutazione delle prestazioni di un modello utilizzando dati indipendenti da quelli impiegati per svilupparlo.
Co-design. Metodo di progettazione che coinvolge direttamente gli utilizzatori finali nella definizione e nella valutazione di uno strumento.
LLM. Modello linguistico di grandi dimensioni, addestrato per elaborare e generare linguaggio naturale.
RAG. Retrieval-Augmented Generation, tecnica che integra la generazione di risposte con il recupero di informazioni da documenti o archivi selezionati.
OCR. Riconoscimento ottico dei caratteri, tecnologia utilizzata per convertire testi presenti in immagini o documenti acquisiti tramite scansione in dati digitali.
SMART on FHIR. Architettura che facilita l’integrazione di applicazioni informatiche con sistemi sanitari interoperabili attraverso standard condivisi.
RIFERIMENTI BIBLIOGRAFICI
1. Zhu Z. et al. (2026). A machine learning-derived aging index for risk stratification and mortality prediction in cardiovascular-kidney-metabolic syndrome: A retrospective cohort study. PLOS Medicine, 23(10), e1005078.
Leggi lo studio originale su PLOS Medicine
2. Participatory Design of AI-Based Clinical Decision Support Systems: Scoping Review. (2026). JMIR Medical Informatics.
Leggi la revisione scientifica su JMIR Medical Informatics
3. From Episodic Checks to Continuous Clinical Monitoring: Nursing Policy Viewpoint on AI-Enabled Oral and Nutrition Risk Detection in Long-Term Care. (2026). JMIR AI.
Leggi il contributo su JMIR AI
4. Parlamento europeo e Consiglio dell’Unione europea. Regolamento (UE) 2024/1689 sull’intelligenza artificiale.
Consulta il testo ufficiale dell’AI Act
5. Parlamento europeo e Consiglio dell’Unione europea. Regolamento (UE) 2016/679 sulla protezione dei dati personali.
#intelligenzaartificiale #medicina #nutrizioneclinica #machinelearning #prevenzione #rischiometabolico #sanitàdigitale
Consulta il testo ufficiale del GDPR
👨⚕️ DR ORICCHIO GENNARO
🧬 BIOLOGO 🍽️ NUTRIZIONISTA – 👨⚕️ ANALISTA DELLA SALUTE
📕 Numero Iscrizione Albo Sezione A: AA_091060
📞 Tel. 392 2474124
📧 Email: oricchiogennaronutrizionista@gmail.com
🌐 WEB: https://www.oricchiogennaro.it/
📝 BLOG: https://www.gennarooricchio.it/blog/
🎙️ PODCAST: https://podcasters.spotify.com/pod/show/gennaro10
▶️ YOUTUBE: @nutrizionistaoricchiogennaro
