Simone Parisi, MD
SC Reumatologia – Azienda Ospedaliero-Universitaria Città della Salute e della Scienza di Torino

1. La sclerosi sistemica nell’era della medicina predittiva

La sclerosi sistemica (SSc) è una malattia autoimmune rara e complessa, caratterizzata da vasculopatia, attivazione immunitaria e fibrosi progressiva dei tessuti, con possibile coinvolgimento cutaneo e sistemico (polmonare, cardiaco, renale e gastrointestinale).
La sua evoluzione è spesso imprevedibile: alcuni pazienti presentano un decorso lento, altri sviluppano rapidamente complicanze d’organo.

Tradizionalmente il monitoraggio si basa su visite periodiche, esami ematochimici, prove di funzionalità respiratoria, capillaroscopia e imaging. Tuttavia, questi strumenti forniscono “istantanee” intermittenti di un processo biologico continuo.

Negli ultimi anni stiamo assistendo al passaggio da una medicina reattiva – che interviene quando la complicanza è evidente – a una medicina predittiva, basata sull’analisi di dati longitudinali per identificare segnali precoci di progressione della fibrosi polmonare, di sviluppo di ipertensione arteriosa polmonare o di peggioramento funzionale globale.

2. Intelligenza artificiale e wearable: strumenti e applicazioni cliniche

L’intelligenza artificiale (AI) comprende un insieme di tecniche avanzate, tra cui machine learning e deep learning, che consentono ai computer di apprendere dai dati identificando pattern complessi e relazioni non lineari difficilmente riconoscibili con metodi statistici tradizionali. Nel machine learning supervisionato, l’algoritmo viene “addestrato” su dati già classificati per imparare a fare previsioni; nel deep learning, reti neurali multilivello sono in grado di analizzare grandi quantità di immagini o segnali biologici con un’elevata capacità di generalizzazione.

In medicina, l’AI non sostituisce il medico, ma agisce come uno strumento di supporto decisionale, capace di integrare molteplici variabili cliniche, biologiche e strumentali in modelli predittivi. Questo è particolarmente rilevante nelle malattie complesse e multisistemiche come la sclerosi sistemica (SSc), dove l’evoluzione clinica può dipendere dall’interazione di fattori immunologici, vascolari e fibrotici.

Nel contesto della SSc, una delle applicazioni più studiate riguarda l’analisi delle TAC ad alta risoluzione (HRCT) nel coinvolgimento polmonare interstiziale (ILD). Gli algoritmi di deep learning possono segmentare automaticamente il parenchima polmonare, quantificare in modo volumetrico l’estensione della fibrosi, distinguere pattern radiologici quali ground glass, reticolazione e honeycombing, e valutare le variazioni nel tempo con elevata riproducibilità. Questo approccio riduce la variabilità inter-osservatore e consente una misurazione più oggettiva della progressione, integrabile con parametri funzionali come FVC e DLCO. In prospettiva, l’AI potrebbe contribuire a identificare fenotipi radiologici associati a una maggiore probabilità di progressione o a diversa risposta ai farmaci antifibrotici o immunomodulanti.

Un altro ambito di applicazione è la stratificazione del rischio attraverso modelli multimodali che integrano dati clinici (durata di malattia, autoanticorpi specifici, score cutaneo), parametri laboratoristici, imaging e potenzialmente biomarcatori circolanti. L’obiettivo è costruire modelli predittivi individualizzati in grado di stimare il rischio di sviluppo di complicanze come l’ipertensione arteriosa polmonare (PAH) o il coinvolgimento cardiaco subclinico.

Anche la capillaroscopia digitale periungueale può beneficiare dell’analisi automatizzata. Software dedicati, basati su algoritmi di visione artificiale, possono quantificare la densità capillare, identificare megacapillari, microemorragie e aree avascolari, riducendo la soggettività dell’interpretazione. Questo è particolarmente importante nella SSc, dove l’evoluzione del pattern capillaroscopico (early, active, late) può avere valore prognostico e riflettere l’attività microvascolare della malattia.

Parallelamente allo sviluppo dell’AI in ambito diagnostico, i dispositivi indossabili (smartwatch, sensori biometrici, saturimetri portatili, anelli intelligenti) stanno introducendo una dimensione nuova nel monitoraggio clinico: la raccolta continua di dati fisiologici nel contesto della vita reale. Questi dispositivi permettono di misurare frequenza cardiaca, variabilità della frequenza cardiaca (HRV), saturazione di ossigeno (SpO₂), numero di passi, livello di attività fisica, qualità e durata del sonno, temperatura cutanea e talvolta parametri derivati come lo stress fisiologico.

Nel coinvolgimento polmonare interstiziale, una riduzione progressiva del numero medio di passi giornalieri, un calo della tolleranza allo sforzo o la comparsa di desaturazioni notturne possono rappresentare segnali indiretti e precoci di peggioramento funzionale, talvolta anticipando variazioni significative delle prove di funzionalità respiratoria. Analogamente, nel sospetto di ipertensione arteriosa polmonare, alterazioni sottili della frequenza cardiaca a riposo o una riduzione persistente della HRV (Heart Rate Variability), indicativa di disfunzione del sistema nervoso autonomo, potrebbero costituire marcatori preliminari di stress cardiopolmonare.

La HRV, in particolare, riflette l’equilibrio tra sistema nervoso simpatico e parasimpatico e rappresenta un indice sensibile di adattabilità fisiologica. Una sua riduzione cronica è stata associata in diversi contesti a maggiore infiammazione sistemica, stress biologico e aumentato rischio cardiovascolare. Nella SSc, dove possono coesistere disfunzione autonomica e coinvolgimento cardiaco subclinico, il monitoraggio longitudinale della HRV potrebbe fornire informazioni aggiuntive rispetto alla sola frequenza cardiaca media.

Infine, un aspetto centrale riguarda la fatigue, sintomo altamente invalidante e spesso difficile da oggettivare. L’integrazione tra dati soggettivi (questionari di qualità di vita) e dati oggettivi derivanti dai wearable (livello reale di attività, pattern di sonno, frammentazione notturna) consente una valutazione più completa del carico di malattia. Questo approccio può aiutare a distinguere tra riduzione dell’attività dovuta a limitazione organica, decondizionamento fisico, disturbi del sonno o componente psicologica, favorendo interventi più mirati.

In prospettiva, l’integrazione tra AI e wearable potrebbe permettere lo sviluppo di veri e propri sistemi di monitoraggio predittivo, in cui variazioni significative rispetto al profilo individuale del paziente generano alert clinici, supportando decisioni tempestive e personalizzate.

3. Integrazione dei dati, ruolo del paziente e prospettive future

Il vero potenziale della medicina digitale emerge quando dati clinici, laboratoristici, strumentali e wearable vengono integrati in modelli multimodali.
L’AI può contribuire alla costruzione di profili di rischio personalizzati, suggerendo intensificazione del monitoraggio o adattamento terapeutico.

Questa trasformazione comporta anche una ridefinizione del ruolo del paziente, che diventa parte attiva del processo di cura attraverso il monitoraggio personale e una maggiore consapevolezza del proprio stato di salute.

Restano tuttavia questioni etiche fondamentali: protezione dei dati personali, consenso informato trasparente, validazione scientifica degli algoritmi ed equità nell’accesso alle tecnologie.

Nei prossimi anni potremmo assistere allo sviluppo di piattaforme integrate ospedale-territorio, sistemi di alert automatici e algoritmi certificati come dispositivi medici.
La sclerosi sistemica, per la sua complessità, rappresenta un modello ideale per la medicina digitale integrata.

L’intelligenza artificiale e i dispositivi indossabili non sostituiscono la relazione medico‑paziente, ma la potenziano, rendendo la medicina sempre più personalizzata, predittiva e partecipativa.

Tabella di sintesi: Integrazione tra AI, Wearable e Sclerosi Sistemica