Speaker: Prof.ssa Linda Antonucci, Università degli Studi di Bari Aldo Moro 

Abstract: Le traiettorie di rischio per psicosi sono complesse ed eterogenee, in quanto fattori genetici e ambientali, interagendo tra loro, danno luogo ad alterazioni neurobiologiche e cognitive che, a loro volta, sono associate a sintomi psicotici anche sottosoglia. In questo complesso quadro patofisiologico, identificare marker della psicosi in modo accurato e generalizzato è fondamentale per guidare interventi individualizzati efficaci. Il progetto è dunque finalizzato a generare algoritmi di machine learning in grado di predire outcome clinici in individui a rischio per psicosi utilizzando una serie di dati tra loro molto diversi in un’ottica longitudinale (neurobiologici, cognitivi, comportamentali, clinici) e in modo accurato e generalizzabile.  

Speaker: Prof.ssa Luisa Torsi, Università degli Studi di Bari Aldo Moro 

Abstract: La transizione verso un sistema sanitario digitalizzato richiede piattaforme portatili avanzate per lo screening precoce di patogeni e biomarcatori. In questo contesto, la tecnologia SiMoLS (Single-Molecule with Large Surface) consente la rilevazione di singole molecole proteiche e genomiche in piccoli volumi (0,1 mL), con un’accuratezza superiore al 95%. L’ottimizzazione dei protocolli di funzionalizzazione delle superfici con layer proteici ha permesso di sviluppare sensori large-area in grado di amplificare segnali ultra-deboli derivanti da singoli eventi di legame. Questa innovazione abilita una nuova generazione di dispositivi diagnostici per l’identificazione precoce di infezioni e patologie oncologiche, con un impatto diretto sulla prevenzione e sulla medicina personalizzata. 

Speaker: Dott.ssa Marilena Santovito, Exprivia S.p.A. 

Abstract: La piattaforma Exprivia OneHealth è una soluzione per l’integrazione e l’analisi di dati clinici e ambientali (es. inquinamento atmosferico) a supporto della prevenzione del declino cognitivo. Il sistema estende la visione clinica tradizionale integrando il contesto di esposizione individuale e abilitando modelli predittivi per la stratificazione del rischio. Una dashboard interattiva, dotata di mappa geospaziale, consente di esplorare i fattori di rischio e supportare clinici e decisori nella pianificazione di interventi preventivi mirati, secondo un approccio data-driven. 

Speaker: Dott. Luca Vedovelli, Università degli Studi di Padova 

Abstract: FITMATE è una soluzione di digital health che traduce i segnali dei sensori degli smartwatch Garmin in informazioni sul comportamento alimentare. I dati accelerometrici acquisiti al polso alimentano pipeline di machine learning che identificano gli episodi di consumo, classificano gli alimenti a partire dalla cinematica dei bocconi e stimano l’introito calorico, senza richiedere alcuno sforzo all’utente e riducendo l’errore del ~25% tipico dei diari alimentari autocompilati. I modelli, validati e pubblicati su Foods e Nutrients (2025), sono oggi applicati a coorti cliniche (rene policistico) e alla popolazione generale. FITMATE nasce dall’ecosistema DARE, che integra le competenze congiunte di UNIPD, UNIBA e UNIPR. 

Speaker: Dott.ssa Eleonora Maggio, Policlinico Universitario Agostino Gemelli IRCCS 

Abstract: L’obiettivo dello studio è migliorare la strategia di prevenzione nei pazienti affetti da steatosi epatica non alcolica (MASLD) avanzata attraverso la promozione di stili di vita sani e sostenibili. L’innovazione digitale è basata sul monitoraggio da remoto tramite un’applicazione web/mobile per il paziente e una piattaforma web per il team clinico. Considerata l’assenza di farmaci specifici per il trattamento della MASLD, l’app si configura come uno strumento di supporto fornendo giornalmente un coaching attraverso messaggi motivazionali, contenuti educativi, challenge, feedback e un reward system per rinforzare l’aderenza ai cambiamenti nello stile di vita. Il dimostratore live mostrerà l’app, i Patient-Reported Outcomes (PROs) forniti ai pazienti e le implicazioni dello studio. 

Speaker: Dott.ssa Erika Lorusso, Università degli Studi di Bari Aldo Moro 

Abstract: I trilioni di microrganismi che vivono nell’intestino umano formano una comunità complessa nota come microbioma intestinale umano. Quando il microbioma intestinale è in perfetto equilibrio con l’ospite (eubiosi), contribuisce alla salute e al benessere. Tuttavia, la perdita di questo equilibrio, nota come disbiosi, è associata a diverse patologie. Evidenze sempre più numerose dimostrano che la disbiosi non influisce solo sulla qualità della vita, ma anche sull’efficacia delle terapie farmacologiche, incluse quelle utilizzate nel trattamento del cancro. Per rilevare la disbiosi in modo rapido e accurato, abbiamo sviluppato Micro4Health. Questo software si basa su un modello di machine learning addestrato su migliaia di campioni ed è in grado di prevedere eubiosi e disbiosi utilizzando profili tassonomici del microbiota procariotico o fungino. 

Speaker: Dott.ssa Ilaria D’Ascanio, Alma Mater Studiorum – Università di Bologna 

Abstract: Le tecnologie indossabili  consentono un monitoraggio fisiologico continuo, la stratificazione precoce del rischio e interventi tempestivi. Presenteremo una panoramica dell’uso dei sensori indossabili nei piloti DARE per il monitoraggio continuo dell’attività fisica, della mobilità, dell’architettura del sonno, della variabilità della frequenza cardiaca. Mostreremo il loro uso in diversi ambiti preventivi, tra cui l’invecchiamento sano, la prevenzione delle malattie croniche e lo stile di vita. Ci soffermeremo sul lavoro effettuato per consigliare il sensore ottimale per una specifica applicazione clinica o di ricerca, presentando le caratteristiche tecniche, capacità funzionali, potenzialità e i limiti intrinseci dei 18 dispositivi indossabili impiegati in DARE 

Speaker: Prof.ssa Veronica Rossano, Università degli Studi di Bari Aldo Moro 

Abstract: Fibromialgia ed endometriosi colpiscono milioni di donne in tutto il mondo, eppure la diagnostica standard spesso non rivela nulla — lasciando le pazienti senza diagnosi per 7-10 anni. Il TELL Lab, grazie al supporto del progetto DARE, studia la Realtà Virtuale come strumento di misurazione clinica, non come terapia. Nell’ambito delle ricerche sono stati progettati e sviluppate due soluzioni: 

(I) The Neural Maze, una batteria di mini-giochi VR per lo screening della fibromialgia che triangola telemetria del visore, self-report e osservazione clinica strutturata;  

(II) Neuro-Stress VR Lab, un protocollo di stress standardizzato che acquisisce quattro biomarcatori oggettivi — HRV, pupillometria, cinematica e frequenza alfa di picco EEG. 

L’obiettivo è trasformare il dolore cronico invisibile in un profilo fisiologico misurabile, aprendo la strada a uno screening rapido capace di ridurre drasticamente i tempi diagnostici e porre fine al medical gaslighting.

Speaker: Prof. Antonello Lorenzini, Alma Mater Studiorum – Università di Bologna 

Abstract: Tool AI per supportare i professionisti della salute nell’analisi critica della letteratura scientifica su interventi farmacologici e non farmacologici mirati alla prevenzione e alla longevità in salute. Ricerca, filtra e sintetizza le evidenze disponibili, evidenziando i limiti e la qualità degli studi e delle evidenze. Aiuta il professionista a prendere decisioni più informate, basate sulla letteratura più recente, riducendo il rumore informativo e favorisce una valutazione rigorosa delle opzioni disponibili. 

Speaker: Dott. Giovanni Piscopo, Università degli Studi di Bari Aldo Moro 

Abstract: Il progetto introduce un modello innovativo di gestione delle malattie renali croniche basato su dispositivi wearable, IoT e algoritmi di machine learning che integrano dati clinici, genetici e nutrizionali. Questo approccio consente un monitoraggio remoto continuo, una maggiore aderenza terapeutica e interventi personalizzati su dieta e farmaci. L’innovazione permetterà di individuare precocemente la progressione della malattia, migliorare gli esiti clinici e ridurre il ricorso a dialisi e trapianto. Il sistema potrà avere un impatto significativo sulla sostenibilità del Servizio Sanitario, abbattendo costi e accessi ospedalieri e migliorando la qualità di vita dei pazienti. 

Speaker: Prof. Sabato Mellone, Alma Mater Studiorum – Università di Bologna 

Abstract: Servizio di raccolta ed elaborazione di dati clinici per uso secondario di ricerca, nel rispetto delle leggi vigenti. Il servizio può essere configurato su computers dell’ospedale, della in-house regionale che ospita i dati sanitari, o sulla cloud sicura del Centro Nazionale di Supercalcolo (ICS-C) che serve l’intero territorio nazionale. Ingerisce dati da sistemi primari ospedalieri (cartelle cliniche elettroniche, PACS, ecc.) e ne consente l’elaborazione anche con risorse di supercalcolo. 

Speaker: Prof.ssa Ginevra Gravili, Università degli Studi di Bari Aldo Moro 

Abstract: La sindrome cardio-renale-metabolica (CRM) richiede percorsi di cura integrati che superino la frammentazione, garantiscano interventi tempestivi e assicurino la sostenibilità economica. Questa ricerca si propone di evidenziare come il metodo Quality-Adjusted Life Year (QALY), applicato in un framework costo-utilità, possa essere utilizzato nella valutazione di un Patient Journey Digitally Enhanced (PJ-DE) confrontando l’aderenza, gli eventi evitabili e l’impatto economico con l’assistenza standard. I miglioramenti nell’aderenza e le riduzioni degli eventi evitabili agiscono come determinanti intermedi che, attraverso la modellizzazione costo-utilità, si traducono in guadagni misurabili in termini di QALY. Il percorso genera risultati, il QALY ne quantifica l’utilità e il conseguente rapporto costo-utilità supportale decisioni basate sull’evidenza per garantire un Servizio Sanitario Nazionale sostenibile, proattivo e personalizzato. 

Speaker: Dott. Giulio Mallardi , Università degli Studi di Bari Aldo Moro

Abstract: MLOps4HC è una piattaforma MLOps progettata per rendere più affidabile, tracciabile e riproducibile lo sviluppo di sistemi di Intelligenza Artificiale in ambito sanitario. Il caso d’uso presentato è dedicato al neuroimaging clinico, in particolare a supporto della diagnosi precoce della demenza frontotemporale (FTD). La piattaforma consente l’esecuzione automatizzata e riproducibile di pipeline di Machine Learning  per l’analisi radiomica di immagini MRI cerebrali, orchestrando l’intero ciclo di vita degli esperimenti AI: dalla gestione dei dati fino alla validazione dei modelli. Questo approccio pone le basi per futuri percorsi di certificazione e favorisce lo sviluppo di sistemi AI più affidabili per la prevenzione digitale. 

Speaker: Dott. Giulio Colombini, Alma Mater Studiorum – Università di Bologna 

Abstract: La comprensione dei dati clinici ed epidemiologici utilizza sempre più modelli dinamici e statistici che mirano mettere in luce tendenze, evoluzioni spaziali e correlazioni tra set di dati diversi e multimodali. Anche per personale altamente specializzato, l’utilizzo di modelli complessi può richiedere un apprendimento non banale, in assenza di una formazione specifica. Per migliorare tale situazione abbiamo implementato un sistema multi-agente basato sull’intelligenza artificiale che funge da interfaccia in linguaggio naturale tra utenti, dati clinici e diversi modelli predittivi. Come caso studio, presentiamo l’applicazione all’epidemia di influenza utilizzando dataset degli accessi al Pronto Soccorso dell’IRCCS Sant’Orsola di Bologna. 

Speaker: Dott. Michele Bisogno, Università di Roma Tor Vergata 

Abstract: MARIO è un framework di intelligenza artificiale basato su algoritmi di Deep Learning che integra flussi amministrativi storici e dati clinici precoci. Il sistema usa questi record per prevedere con elevata accuratezza la durata della degenza fin dal momento del ricovero. I modelli predittivi testati hanno raggiunto un’accuratezza dell’82%, che sfiora il 90% escludendo i casi limite rispetto alla soglia clinica di 10 giorni. MARIO può fornire un’integrazione al personale medico tramite dashboard e alert per prevedere degenze oltre soglia. L’impatto consiste nell’ottimizzazione dei posti letto e in una pianificazione tempestiva delle dimissioni, migliorando l’efficienza gestionale e la continuità assistenziale. 

Speaker: Dott. Andrea Lupo, IRCCS Istituto Tumori Bari Giovanni Paolo II 

Abstract: OncoAI è una piattaforma digitale collaborativa progettata per integrare dati clinici, radiologici e istopatologici attraverso modelli di intelligenza artificiale a supporto dell’oncologia di precisione. L’ecosistema supporta lo sviluppo, la validazione e la traslazione clinica di strumenti di IA per la diagnosi, la stratificazione del rischio e la previsione della risposta terapeutica nel cancro al seno. Attraverso un’infrastruttura sicura, scalabile e spiegabile, OncoAI promuove percorsi diagnostico-terapeutici più personalizzati, sostenibili ed efficienti, favorendo al contempo la collaborazione multidisciplinare tra medici, ricercatori e data scientist.