Medicina di precisione anti-aging e intelligenza artificiale

L'intelligenza artificiale nella medicina di precisione anti-aging utilizza algoritmi capaci di analizzare dati clinici, immagini e profili molecolari per stimare rischi, riconoscere segnali associati all'invecchiamento e sostenere decisioni personalizzate. Le applicazioni comprendono orologi biologici, analisi di immagini, ricerca di farmaci e previsione delle risposte individuali. Questi strumenti possono integrare il giudizio clinico, ma non misurano con certezza la durata della vita e non sostituiscono la valutazione del medico. Affidabilità, rappresentatività dei dati, privacy e validazione clinica restano requisiti essenziali.

Indicedell'articolo

• Introduzione
• Che cosa può fare l'AI nella medicina della longevità
• Orologi biologici e stima dell'età biologica
• Immagini cliniche e segnali di invecchiamento
• AI e scoperta di farmaci
• Personalizzazione degli interventi preventivi
• Limiti clinici, etici e normativi
• Come interpretare un risultato prodotto dall'AI
• Cosa ricordare a proposito di intelligenza artificiale e medicina anti-aging
• Domande frequenti
• Fonti

Introduzione

L' invecchiamento biologico non procede allo stesso ritmo in tutte le persone. Età anagrafica, patrimonio genetico, esposizioni ambientali, malattie, alimentazione, attività fisica e qualità del sonno contribuiscono a profili molto diversi. La medicina di precisione prova a riunire queste informazioni per descrivere il rischio individuale e scegliere controlli o interventi più appropriati. L'intelligenza artificiale è utile quando i dati sono numerosi e le relazioni tra le variabili sono troppo complesse per essere valutate con una semplice soglia clinica.

Il potenziale è rilevante, ma occorre distinguere tra strumenti di ricerca, dispositivi validati e servizi commerciali. Un algoritmo può individuare associazioni o generare una previsione senza spiegare un meccanismo biologico e senza dimostrare che un trattamento migliori la salute. Nella medicina della longevità, dove molte proposte sono ancora sperimentali, l'AI deve quindi essere considerata un supporto all'interpretazione e non una scorciatoia verso diagnosi o terapie anti-aging.

Che cosa può fare l'AI nella medicina della longevità

Le applicazioni più studiate possono essere raggruppate in quattro funzioni principali:

• Stimare l'età biologica: combinare segnali epigenetici, proteomici, metabolici o clinici per descrivere quanto un organismo si discosta dai valori attesi per l'età cronologica.
• Prevedere il rischio: riconoscere configurazioni associate a malattie cardiovascolari, fragilità o altri esiti, da verificare poi nel contesto clinico individuale.
• Analizzare immagini e tracciati: estrarre informazioni da fotografie retiniche, elettrocardiogrammi o esami radiologici che possono integrare la lettura tradizionale.
• Accelerare la ricerca: selezionare bersagli biologici, confrontare molecole candidate e ottimizzare alcune fasi dello sviluppo preclinico dei farmaci.

Il risultato prodotto dipende dalla domanda posta, dalla qualità dei dati e dalla popolazione utilizzata per addestrare il modello. Prestazioni elevate in un dataset non garantiscono lo stesso rendimento in persone di età, origine o condizioni cliniche differenti. La validazione esterna e il confronto con gli standard di cura sono quindi indispensabili prima dell'impiego nella pratica.

Orologi biologici e stima dell'età biologica

Gli orologi epigenetici analizzano soprattutto la metilazione del DNA in specifici siti del genoma. Il modello pubblicato da Steve Horvath nel 2013 ha mostrato che questi pattern consentono di stimare l'età cronologica in diversi tessuti. Le generazioni successive sono state costruite per associare la misura a esiti clinici e non soltanto agli anni trascorsi dalla nascita.

DNAm GrimAge combina marcatori derivati dalla metilazione con informazioni correlate al fumo e a proteine plasmatiche. Nelle coorti di validazione ha mostrato associazioni con mortalità generale, cardiopatia coronarica e tumori. Si tratta tuttavia di una stima probabilistica, non di una diagnosi né di un conto alla rovescia individuale. Un valore sfavorevole può dipendere anche da fattori non modificabili o da caratteristiche della popolazione di riferimento.

Sono in sviluppo anche orologi basati su trascrittomica, proteomica, metabolomica e dati clinici. L'integrazione di più livelli può migliorare la capacità descrittiva, ma rende più difficile stabilire che cosa stia guidando la previsione. Inoltre, una variazione del punteggio dopo un intervento non dimostra automaticamente una riduzione del rischio di malattia o un allungamento della vita: servono studi prospettici con esiti clinici reali.

Immagini cliniche e segnali di invecchiamento

Le reti neurali possono riconoscere nelle immagini caratteristiche troppo sottili o numerose per una valutazione manuale. In uno studio su fotografie del fondo oculare, un modello di deep learning ha stimato età, sesso, pressione sistolica, abitudine al fumo e alcuni indicatori di rischio cardiovascolare. L'errore medio nella previsione dell'età era di poco superiore a tre anni nei dataset di validazione.

Risultati simili sono stati esplorati con elettrocardiogrammi e immagini radiologiche. Questi sistemi non misurano direttamente un'unica età biologica: producono una stima basata sui pattern appresi. Il loro valore clinico dipende dalla capacità di aggiungere informazioni utili rispetto agli strumenti già disponibili, dalla riproducibilità in centri diversi e dalla presenza di un percorso chiaro per gestire i risultati anomali.

Il vantaggio potenziale è utilizzare esami già effettuati nella pratica per ricavare ulteriori segnali di rischio. Il limite è che una previsione plausibile può essere scambiata per una misura certa. Prima di proporre screening alla popolazione occorre dimostrare che l'informazione migliori le decisioni, riduca gli eventi avversi e non aumenti esami inutili, ansia o sovradiagnosi.

AI e scoperta di farmaci

Nello sviluppo di farmaci l'AI può ordinare grandi librerie di composti, prevedere interazioni tra molecole e bersagli e proporre strutture con proprietà desiderate. Nel 2019 un gruppo di ricerca ha descritto l'identificazione rapida di inibitori della chinasi DDR1 mediante modelli generativi. Il risultato ha dimostrato la velocità della fase di progettazione, non l'efficacia clinica di un medicinale anti-aging.

Il candidato rentosertib, sviluppato per la fibrosi polmonare idiopatica attraverso una piattaforma basata sull'AI, è entrato in sperimentazione di fase II nel 2023. Questo passaggio rappresenta un avanzamento dello sviluppo clinico, ma non equivale a un'approvazione e non riguarda un trattamento destinato a rallentare l'invecchiamento nelle persone sane. La scoperta assistita dall'AI resta soggetta alle stesse verifiche su tossicità, dosaggio, efficacia e sicurezza richieste agli altri farmaci.

Nella ricerca sulla longevità vengono studiati senolitici e modulatori di vie come mTOR, AMPK e sirtuine. La selezione algoritmica può accelerare la generazione di ipotesi, ma la traduzione nell'essere umano richiede sperimentazioni controllate. Molecole promettenti in cellule o modelli animali non devono essere presentate come terapie clinicamente disponibili per prolungare la vita.

Personalizzazione degli interventi preventivi

Gli algoritmi possono integrare dati alimentari, antropometrici, metabolici, comportamentali e del microbiota per prevedere risposte individuali. Uno studio su circa 800 persone ha osservato una notevole variabilità della glicemia dopo pasti identici e ha sviluppato un modello capace di prevedere la risposta glicemica postprandiale. Un successivo studio PREDICT ha confermato che le risposte metaboliche ai pasti differiscono molto tra individui.

Queste ricerche sostengono il principio della nutrizione di precisione, ma non autorizzano a trasformare ogni previsione in una prescrizione. Un obiettivo isolato, come ridurre il picco glicemico, non descrive da solo la qualità complessiva della dieta. Devono essere considerati anche fabbisogno energetico, fibra, micronutrienti, sostenibilità delle scelte e presenza di eventuali patologie o terapie.

Lo stesso approccio può essere applicato a esercizio, sonno e monitoraggio dei parametri fisiologici. Per essere utile, la personalizzazione deve produrre raccomandazioni comprensibili, realistiche e verificabili nel tempo. I dati provenienti da dispositivi indossabili possono aggiungere continuità alla misurazione, ma errori del sensore, dati mancanti e differenze tra dispositivi devono essere tenuti in considerazione.

Limiti clinici, etici e normativi

Prima di utilizzare un sistema di AI in ambito sanitario occorre valutare almeno questi aspetti:

• Qualità e rappresentatività dei dati: un campione poco diversificato può produrre errori maggiori nei gruppi sottorappresentati.
• Validazione esterna: le prestazioni devono essere confermate in strutture e popolazioni diverse da quelle usate per l'addestramento.
• Trasparenza e supervisione: professionista e paziente devono conoscere scopo, limiti e conseguenze della previsione; la decisione clinica richiede controllo umano.
• Privacy e sicurezza: dati genomici, immagini e parametri raccolti nel tempo sono informazioni sanitarie sensibili e richiedono protezioni adeguate.
• Utilità clinica: un miglioramento statistico è rilevante solo se conduce a decisioni più appropriate o a esiti di salute migliori.

Nell'Unione europea, alcuni sistemi di AI incorporati in dispositivi medici o utilizzati come componenti di sicurezza possono rientrare tra i sistemi ad alto rischio quando sono soggetti alla valutazione di conformità prevista dalla normativa di prodotto. L'AI Act richiede un approccio basato sul rischio e si coordina con le regole sui dispositivi medici. La classificazione dipende dalla destinazione d'uso concreta: non ogni applicazione sanitaria viene automaticamente trattata nello stesso modo.

Come interpretare un risultato prodotto dall'AI

Un punteggio di età biologica o di rischio dovrebbe essere accompagnato da informazioni sul test, sulla popolazione di riferimento e sull'incertezza della stima. È utile chiedere se il metodo è stato pubblicato, se esistono validazioni indipendenti e se il risultato può modificare una decisione clinica. La ripetizione ravvicinata di test non validati può generare oscillazioni prive di significato medico.

Nel confronto con il professionista è opportuno chiarire:

• Che cosa misura il modello: età cronologica stimata, rischio di un evento, variazione rispetto a una popolazione o risposta prevista a un intervento.
• Quanto è affidabile per quella persona: età, sesso, origine, patologie e farmaci possono influire sulla trasferibilità del risultato.
• Quale decisione cambia: un test è utile quando orienta un controllo o un intervento con benefici e rischi conosciuti.
• Come verranno protetti i dati: conservazione, accesso, uso secondario e possibilità di cancellazione devono essere comprensibili.

Le misure consolidate di prevenzione restano prioritarie: controllo dei fattori di rischio, vaccinazioni appropriate, attività fisica, alimentazione equilibrata, sonno e adesione alle terapie. L'AI può aiutare a selezionare o monitorare questi interventi, ma non rende superflua la relazione clinica e non trasforma una previsione in una garanzia di longevità.

Cosa ricordare a proposito di intelligenza artificiale e medicina anti-aging

L'intelligenza artificiale consente di analizzare dati biologici e clinici complessi, sviluppare orologi biologici, estrarre segnali da immagini, sostenere la scoperta di farmaci e personalizzare alcune strategie preventive. Le evidenze dimostrano capacità predittive interessanti, ma non la possibilità di prevedere con certezza la durata della vita o di rallentare l'invecchiamento attraverso un algoritmo. Validazione clinica, equità, privacy e supervisione professionale determinano l'effettiva utilità dello strumento. Un risultato deve essere interpretato nel quadro della salute complessiva e non usato come diagnosi autonoma o promessa anti-aging.

Domande frequenti

Che cos'è un orologio biologico basato sull'AI?

È un modello che utilizza dati biologici, spesso pattern di metilazione del DNA, per stimare caratteristiche associate all'età o al rischio. Il risultato è una stima probabilistica e non misura con certezza quanto vivrà una persona.

L'AI può predire quando morirà una persona?

No. Alcuni modelli stimano la probabilità di mortalità o malattia in un determinato periodo, ma non prevedono una data individuale e possono commettere errori.

Un test dell'età biologica può guidare una terapia?

Solo se il test è validato per quello scopo e il risultato viene interpretato da un professionista. Molti test commerciali forniscono informazioni descrittive, ma non dimostrano quale trattamento migliori gli esiti clinici.

L'AI ha già scoperto farmaci anti-aging efficaci?

L'AI ha contribuito a identificare bersagli e molecole candidate, alcune delle quali sono entrate in sperimentazione per specifiche malattie. Non esiste però una prova che un farmaco scoperto dall'AI prolunghi la vita sana nella popolazione generale.

Come si riconosce un servizio di AI affidabile?

Dovrebbe dichiarare destinazione d'uso, popolazione di validazione, limiti, gestione dei dati e ruolo del professionista. Promesse certe di ringiovanimento o longevità e assenza di informazioni sulla validazione sono segnali che richiedono cautela.

Fonti

1. Topol EJ.High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 2019;25(1):44-56. PMID: 30617339.
2. Horvath S.DNA methylation age of human tissues and cell types. Genome Biology. 2013;14(10):R115. PMID: 24138928.
3. Lu AT, Quach A, Wilson JG et al.DNA methylation GrimAge strongly predicts lifespan and healthspan. 2019;11(2):303-327. PMID: 30669119.
4. Poplin R, Varadarajan AV, Blumer K et al.Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature Biomedical Engineering. 2018;2(3):158-164. PMID: 31015713.
5. Zhavoronkov A, Ivanenkov YA, Aliper A et al.Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nature Biotechnology. 2019;37(9):1038-1040. PMID: 31477924.
6. Zeevi D, Korem T, Zmora N et al.Personalized nutrition by prediction of glycemic responses. 2015;163(5):1079-1094. PMID: 26590418.
7. Berry SE, Valdes AM, Drew DA et al.Human postprandial responses to food and potential for precision nutrition. Nature Medicine. 2020;26(6):964-973. PMID: 32528151.
8. Parlamento europeo e Consiglio dell'Unione europea.Regolamento (UE) 2024/1689 che stabilisce regole armonizzate sull'intelligenza artificiale.Gazzetta ufficialedell'Unioneeuropea. 12 luglio 2024. CELEX: 32024R1689.