In sintesi
- I dati sintetici longitudinali permettono di superare la rappresentazione statica del paziente, ricostruendo traiettorie cliniche realistiche che comprendono visite, diagnosi, trattamenti ed esiti nel tempo.
- Le principali fonti comprendono cartelle cliniche elettroniche (EHR), registri clinici, flussi amministrativi, dati di follow-up degli studi clinici e informazioni raccolte attraverso dispositivi indossabili e sensori.
- Le sfide principali riguardano la gestione dell’irregolarità temporale degli eventi, della diversa durata delle osservazioni, delle complesse dipendenze temporali e degli eventi clinici rari.
- I dati sintetici longitudinali possono supportare la ricerca sulle patologie croniche e progressive, favorire la collaborazione scientifica nel rispetto della privacy e contribuire alla progettazione degli studi clinici, anche attraverso lo sviluppo e la valutazione di comparatori sintetici.
- Per Aindo, la generazione di dati longitudinali rappresenta una naturale evoluzione delle attività nell’ambito dei dati sintetici e della generazione di evidenze, integrando rilevanza clinica, tutela della privacy e processi certificati di gestione dei dati.
Una fotografia non racconta una vita
Immaginiamo di affidare a un pittore due incarichi diversi. Nel primo, gli chiediamo di realizzare il ritratto convincente di una persona mai incontrata, basandosi soltanto su una descrizione del suo aspetto. Nel secondo, gli chiediamo di dipingere cinquanta ritratti della stessa persona, uno per ogni anno della sua vita. Disposti in ordine cronologico, questi ritratti dovrebbero raccontare una storia coerente: il bambino che diventa adolescente, poi adulto, mantenendo caratteristiche riconoscibili e invecchiando in modo realistico. Non cinquanta volti indipendenti associati allo stesso nome, ma cinquanta momenti di un’unica esistenza.
La differenza tra dati sintetici trasversali e longitudinali segue una logica simile.
Nel primo caso, un modello apprende le caratteristiche statistiche di una popolazione e genera il profilo artificiale di un paziente, come una fotografia scattata in un determinato momento. Nel secondo, il modello deve ricostruire un intero percorso clinico, generando una sequenza coerente di visite, diagnosi, trattamenti ed eventi sanitari.
Non basta che ogni singola osservazione sia plausibile: deve esserlo anche la relazione tra ciò che accade prima e ciò che accade dopo. Una risposta a un trattamento, ad esempio, deve verificarsi successivamente alla sua somministrazione, mentre le condizioni cliniche osservate dopo cinque anni devono essere compatibili con quelle iniziali e con gli eventi intermedi.
Questo secondo compito è decisamente più complesso, ma apre nuove opportunità per la ricerca clinica.
Cosa si intende per dati longitudinali?
I dati longitudinali comprendono tutte le informazioni raccolte sullo stesso individuo in momenti successivi. Possono essere registrati con modalità diverse, provenire da fonti differenti ed essere utilizzati per molteplici finalità.
In ambito sanitario, le principali fonti di dati longitudinali sono:
- Cartelle cliniche elettroniche (Electronic Health Records, EHR): rappresentano una delle fonti più ricche, ma anche più eterogenee. Comprendono visite, diagnosi, risultati di laboratorio, prescrizioni e procedure accumulate durante il normale percorso assistenziale. Le informazioni vengono registrate in occasione delle prestazioni sanitarie: un paziente può avere cinquanta accessi in dieci anni, un altro soltanto due. La frequenza delle osservazioni dipende dalla malattia, dalle abitudini del paziente e dall’accesso alle cure, anziché da un protocollo prestabilito.
- Registri clinici: raccolgono informazioni strutturate relative a specifiche patologie o aree terapeutiche, come i tumori, le malattie rare o le patologie cardiovascolari. Generalmente sviluppati da clinici o reti di ricerca per monitorare l’evoluzione della malattia e dei trattamenti, possono offrire variabili più omogenee rispetto alle cartelle cliniche generaliste, sebbene la completezza del follow-up possa variare.
- Dati amministrativi e flussi assicurativi o di rimborso: comprendono informazioni generate nell’ambito della gestione organizzativa ed economica dell’assistenza sanitaria, come codici di rimborso, richieste di pagamento e schede di dimissione ospedaliera. Permettono di ricostruire le interazioni del paziente con il sistema sanitario, anche quando il dettaglio clinico disponibile è limitato.
- Dati di follow-up degli studi clinici e delle estensioni in aperto (open label): derivano da osservazioni effettuate secondo protocolli che definiscono le tempistiche delle visite e le misurazioni previste. Rispetto ai dati raccolti nella pratica clinica, presentano generalmente una struttura temporale più regolare, pur richiedendo la gestione di visite mancate, modifiche terapeutiche e interruzioni del follow-up.
- Esiti riferiti dai pazienti (Patient-Reported Outcomes, PRO) e dati da dispositivi indossabili o sensori: includono diari dei sintomi, questionari sulla qualità di vita, sistemi di monitoraggio continuo della glicemia e dispositivi per la rilevazione della frequenza cardiaca o dell’attività fisica. La frequenza di raccolta può variare da rilevazioni periodiche a flussi continui di dati, con possibili interruzioni quando il paziente smette di registrare le informazioni o di utilizzare il dispositivo.
A differenza degli studi clinici, nei quali il calendario delle visite è generalmente definito dal protocollo, i dati sanitari osservazionali seguono spesso una distribuzione temporale irregolare e fortemente individualizzata. Questa variabilità rappresenta una delle principali sfide per i modelli generativi, che devono apprendere non soltanto quali eventi clinici si verificano, ma anche quando si verificano e come si influenzano reciprocamente nel tempo.
Perché ricostruire una traiettoria clinica è molto più complesso che generare una singola osservazione?
Generare un profilo sintetico significa produrre un insieme di informazioni clinicamente e statisticamente plausibili. Generare una storia clinica sintetica richiede qualcosa in più: ogni osservazione deve essere plausibile sia individualmente sia rispetto all’intera sequenza di eventi.
Tre aspetti rendono questo compito particolarmente complesso:
- L’ordine e la tempistica degli eventi sono importanti quanto gli eventi stessi. Un modello che genera un singolo record deve riprodurre correttamente le caratteristiche di un paziente. Un modello longitudinale deve anche rappresentare il momento in cui tali caratteristiche emergono e collocarle in una sequenza coerente con le conoscenze cliniche disponibili. La successione temporale degli eventi contiene infatti informazioni essenziali. Il modello deve quindi apprendere le dipendenze tra osservazioni successive, anziché limitarsi a riprodurre la distribuzione dei singoli eventi considerati isolatamente.
- Ogni paziente ha una storia clinica diversa. Una tabella tradizionale presenta una struttura uniforme, nella quale ogni riga contiene lo stesso insieme di variabili. Le storie cliniche, invece, possono avere lunghezze molto differenti: alcuni pazienti vengono osservati due volte, altri cinquanta, nell’arco di periodi estremamente variabili. Anche gli intervalli tra le osservazioni possono differire considerevolmente, influenzati tanto dall’evoluzione biologica della malattia quanto dall’accesso ai servizi sanitari. La generazione di sequenze irregolari e di lunghezza variabile costituisce ancora oggi un importante ambito di ricerca.
- Gli eventi più rari, spesso clinicamente rilevanti, sono anche i più difficili da riprodurre. Un effetto avverso tardivo o una recidiva che si manifesta diversi anni dopo la remissione sono eventi complessi da rappresentare proprio per la loro bassa frequenza. Nei dati longitudinali, tuttavia, il modello non deve soltanto riprodurre la possibilità che questi eventi si verifichino: deve anche collocarli correttamente lungo il percorso clinico del paziente.
In sintesi, riprodurre una singola fotografia richiede un modello capace di rappresentare dati plausibili. Ricostruire un’intera storia clinica richiede anche coerenza logica, temporale e clinica lungo tutta la sequenza.
Qual è lo stato dell’arte?
Una delle sfide principali della generazione di dati longitudinali consiste nel fornire ai modelli informazioni sufficienti sul passato del paziente per generare in modo coerente gli eventi successivi. I primi approcci sequenziali e generativi erano già in grado di rappresentare alcuni aspetti della storia clinica. Le metodologie più recenti hanno ampliato la capacità di modellare dipendenze temporali più lunghe e complesse.
Una sequenza può infatti apparire realistica se si considerano singolarmente le visite, ma risultare incoerente quando viene analizzata nel suo insieme. Per questo è fondamentale che il modello tenga conto delle informazioni rilevanti accumulate nel tempo.
Un progresso significativo riguarda proprio il modo in cui i modelli rappresentano la storia precedente prima di generare una nuova osservazione. È un principio simile a quello utilizzato dai Large Language Models (LLM): anziché generare ogni parola indipendentemente dalle altre, questi modelli utilizzano il contesto precedente per determinare ciò che viene dopo. Applicato ai dati clinici, lo stesso principio permette di generare una nuova diagnosi, un risultato di laboratorio o un trattamento sulla base della storia precedente del paziente, senza considerare ogni visita come un evento isolato.
Studi recenti hanno esplorato questa direzione attraverso la generazione di sequenze di eventi clinici e la previsione dell’evoluzione longitudinale di specifiche misurazioni. Le diverse architetture affrontano il problema con modalità differenti: dalle reti neurali ricorrenti ai Transformer, fino ad altri approcci generativi. L’obiettivo comune è rappresentare la storia clinica non come un insieme di osservazioni indipendenti, ma come una sequenza ordinata nella quale ogni nuovo evento risulti coerente con quelli precedenti.
Nonostante i progressi tecnologici, manca ancora un framework di valutazione ampiamente condiviso e standardizzato per confrontare i dati sintetici longitudinali nelle diverse applicazioni. Esistono già metodologie quantitative di valutazione, ma le metriche e i benchmark utilizzati variano considerevolmente tra gli studi.
Per costruire fiducia in queste tecnologie e dimostrarne l’utilità clinica, è quindi necessario valutare le traiettorie sintetiche rispetto ad alcune dimensioni fondamentali: realismo clinico, fedeltà temporale e coerenza dell’intero percorso. La valutazione dovrebbe integrare analisi quantitative, competenze cliniche e validazione rispetto agli esiti osservati nei dati reali.
Una nuova evoluzione: dai modelli specializzati ai modelli generalisti
Molte applicazioni sviluppate finora si basano su modelli progettati e addestrati per uno specifico dataset o ambito patologico. Una direzione di ricerca emergente consiste invece nello sviluppo di modelli più generali, addestrati su grandi raccolte di storie cliniche.
L’approccio richiama quello dei modelli linguistici generalisti: apprendere schemi e relazioni da un’ampia base di dati, per poi esplorare come queste conoscenze possano essere utilizzate in applicazioni più specifiche. Un modello addestrato su una popolazione molto ampia potrebbe rappresentare un punto di partenza utile per applicazioni dedicate a una determinata patologia. Questo vantaggio, tuttavia, deve essere dimostrato empiricamente e non può essere dato per scontato.
Lavori come Delphi-2M mostrano come modelli generativi possano produrre possibili sequenze future di malattie su scala di popolazione. L’opportunità non risiede semplicemente nello sviluppo di modelli più grandi, ma nella disponibilità di una base di apprendimento più ampia, da valutare e adattare alle esigenze di specifici programmi di ricerca.
È importante, tuttavia, chiarire anche i limiti di questo approccio. Un modello di maggiori dimensioni, addestrato su dati più eterogenei, non risolve automaticamente i problemi legati alla corretta rappresentazione delle tempistiche, alla coerenza clinica o agli eventi rari. La sua effettiva superiorità deve essere verificata rispetto allo specifico contesto applicativo. Indipendentemente dall’architettura utilizzata, la tutela della privacy, la coerenza clinica e l’adeguatezza rispetto allo scopo rimangono requisiti imprescindibili.
Le applicazioni nelle scienze della vita
I dati sintetici longitudinali possono offrire nuove opportunità in diversi ambiti delle scienze della vita:
- Studio delle patologie croniche e progressive: Nelle patologie come Alzheimer, Parkinson e sclerosi multipla comprendere l’evoluzione della malattia nel tempo è essenziale. I modelli generativi sono già stati utilizzati per simulare la progressione dell’Alzheimer a partire da osservazioni longitudinali. Per i gruppi di ricerca, queste tecnologie offrono la possibilità di esplorare scenari pluriennali sulla base delle evidenze disponibili, analizzare differenze tra gruppi di pazienti e formulare ipotesi prima di avviare nuovi studi, mantenendo sempre la distinzione tra follow-up simulato ed evidenze cliniche reali.
- Modellizzazione della progressione di malattia: Oltre alle tradizionali analisi di coorte, i modelli generativi offrono una prospettiva complementare. Mentre alcuni framework consolidati rappresentano l’evoluzione clinica attraverso transizioni tra stati di salute predefiniti, i modelli generativi apprendono direttamente le relazioni sequenziali e possono generare possibili evoluzioni a partire dalla storia del paziente. L’attenzione si sposta sulle traiettorie individuali: non solo se la malattia progredisce, ma come variano parametri ed eventi nel tempo. Integrati con framework causali ed epidemiologici, tali modelli supportano valutazioni complesse sul lungo termine.
- Collaborazione scientifica e tutela della privacy: Nel caso delle storie cliniche pluriennali, l’obiettivo è preservare le informazioni utili alla ricerca gestendo rigorosamente il rischio di re-identificazione. Le garanzie di privacy devono essere parte integrante della generazione e del rilascio dei dati, distinguendo chiaramente tra test empirici e garanzie formali per favorire collaborazioni sicure tra istituzioni e oltre frontiera.
- Progettazione di studi clinici e comparatori sintetici: Attraverso la modellizzazione longitudinale, gli sponsor possono testare criteri di inclusione/esclusione, definire endpoint e calibrare le finestre di follow-up prima di finalizzare il protocollo. Quando utilizzati per arricchire un braccio di controllo, l’idoneità dei dati deve essere validata specificamente per lo studio in esame, ottimizzando l’uso delle risorse e valorizzando i dati storici disponibili.
L’approccio di Aindo
Nella generazione di dati longitudinali, Aindo mette a disposizione competenze che vanno oltre la sola tecnologia di AI generativa, grazie a un team specializzato e all’esperienza maturata nella collaborazione con importanti centri clinici e di ricerca italiani.
La rete di collaborazioni cliniche consente di sviluppare soluzioni radicate nelle esigenze concrete dell’assistenza specialistica e della ricerca. Questa esperienza si traduce in un processo strutturato che accompagna i dati clinici dall’acquisizione e armonizzazione fino alla generazione sintetica, alla validazione dell’utilità analitica, alla valutazione dei bias e dei rischi per la privacy e alla produzione di coorti pronte per essere utilizzate nelle analisi.
Per le aziende farmaceutiche, il valore non consiste semplicemente nella disponibilità di un ulteriore strumento di modellizzazione, ma nella possibilità di collaborare con un partner in grado di integrare dati clinici, competenze tecnologiche e metodologie di validazione per rispondere a specifici quesiti di ricerca.
Aindo applica questo approccio anche alle sfide della generazione longitudinale, a partire dalla selezione di dati di origine rappresentativi e dalla scelta della strategia di modellizzazione più adatta alla patologia e alla storia clinica disponibile. Un elemento centrale è la valutazione della capacità delle traiettorie generate di preservare le tempistiche degli eventi, i pattern di progressione e gli esiti clinici rilevanti per lo studio. L’attenzione è rivolta agli elementi che rendono una traiettoria clinica simulata effettivamente utile in un programma di sviluppo: comprendere l’eterogeneità della malattia, esplorare il comportamento degli endpoint, orientare le strategie di follow-up e valutare l’adeguatezza di possibili comparatori sintetici.
Grazie alle certificazioni Europrivacy, ISO 9001 e ISO 27001, Aindo affianca alle proprie competenze sui dati clinici un quadro consolidato di gestione della protezione dei dati, della qualità e della sicurezza delle informazioni. Questa combinazione di competenze specialistiche, esperienza nella collaborazione con istituzioni cliniche e processi strutturati permette di trasformare dati sanitari complessi in evidenze utilizzabili per la ricerca.
La generazione di dati longitudinali rappresenta un’ulteriore evoluzione di questo approccio, affrontando una sfida più ambiziosa: non soltanto descrivere le condizioni di un paziente in un determinato momento, ma ricostruire in modo coerente come la sua malattia possa evolvere nel tempo.
Costruiamo insieme il futuro della sanità
Sei interessato a esplorare come i dati sintetici longitudinali possano supportare la tua ricerca clinica, la pianificazione dei trial o progetti di collaborazione scientifica?
Contattaci per approfondire insieme le tue idee.