Gli smartwatch possono prevedere le malattie? Scopriamo la risposta!

I dati dei nostri dispositivi indossabili, come smartwatch e fitness tracker, stanno cambiando il modo in cui i medici prevedono le malattie. Tradizionalmente, gli ospedali si affidano ai cartelle cliniche elettroniche (EHR), che registrano solo gli eventi avvenuti in clinica: visite, esami, diagnosi. Ma cosa succede quando la vita quotidiana, con i suoi alti e bassi, resta fuori da questi registri?\n\nUn team di ricercatori ha unito le informazioni delle EHR con i dati continui di attività, frequenza cardiaca e sonno raccolti da wearables, usando il grande database del programma "All of Us". Hanno testato dieci esiti clinici, dal diabete alla depressione, confrontando diversi metodi di codifica: dall'ingegneria delle feature tradizionale a modelli di fondazione più avanzati.\n\nIl risultato è stato sorprendente: aggiungere i dati dei wearable ha migliorato la capacità predittiva dei modelli di circa 8,5% in media. Per la depressione, l'AUROC è aumentato del 6,8%; per l'ipertensione del 9,7%; per il diabete addirittura del 12,6%.\n\nQuesti numeri mostrano che i segnali raccolti al di fuori dell'ambulatorio – come i passi fatti o la qualità del sonno – possono completare le informazioni cliniche, rendendo le previsioni più personali e tempestive. Il prossimo passo sarà ottimizzare i modelli di intelligenza artificiale per sfruttare al meglio i dati dei wearable, aprendo la strada a una salute più preventiva e su misura per ciascuno di noi.

L’integrazione di dati provenienti da dispositivi indossabili con le cartelle cliniche elettroniche (EHR) rappresenta una sfida multidisciplinare che coinvolge informatica medica, bioinformatica e statistica avanzata. Dal punto di vista metodologico, i ricercatori hanno confrontato due approcci di codifica: (i) feature engineering tradizionale, che trasforma i segnali grezzi (es. conteggio dei passi, variazione della frequenza cardiaca) in variabili aggregate (media giornaliera, deviazione standard, percentili); (ii) embedding basati su modelli di fondazione (foundation models) pre‑addestrati su grandi serie temporali di dati biometrici, capaci di catturare pattern non lineari e dipendenze a lungo termine.\n\nPer valutare le performance, è stato impiegato l’AUROC (Area Under the Receiver Operating Characteristic curve), una metrica robusta per problemi di classificazione binaria, particolarmente indicata quando le classi sono sbilanciate. L’aumento medio dell’AUROC del 8,5% suggerisce che i segnali di wearable forniscono informazioni complementari non presenti nelle sole EHR, probabilmente legate a comportamenti quotidiani (attività fisica, qualità del sonno) che influenzano direttamente i fattori di rischio.\n\nUn aspetto critico è la gestione dei dati mancanti, tipica dei wearable a causa di rimozioni o malfunzionamenti. Gli autori hanno utilizzato tecniche di imputazione basate su modelli di apprendimento sequenziale (es. LSTM) per ricostruire le serie temporali. Inoltre, la normalizzazione dei dati è stata effettuata per ridurre bias dovuti a differenze di dispositivo o di popolazione.\n\nDal punto di vista clinico, l’incremento più marcato osservato per il diabete (+12,6%) può riflettere la stretta correlazione tra attività fisica, ritmo circadiano e controllo glicemico. Per la depressione, i pattern di sonno e variabilità della frequenza cardiaca sono noti biomarcatori di stato emotivo, spiegando il miglioramento del +6,8%.\n\nLe prospettive future includono l’adozione di modelli multimodali più sofisticati, come transformer ibridi che combinano sequenze temporali di wearable con codifiche testuali delle note cliniche. Inoltre, la personalizzazione dei modelli per sottogruppi demografici (età, genere, etnia) potrebbe ridurre le disparità di performance. Infine, la privacy dei dati rimane una sfida: l’uso di tecniche di apprendimento federato consentirebbe di addestrare modelli su dati distribuiti senza trasferire informazioni sensibili al server centrale.