La ricerca si propone di approfondire gli aspetti cognitivi e socio-relazionali legati ai Disturbi del Neurosviluppo e a sindromi genetiche, come la sindrome di Down.
L’obiettivo è migliorare la comprensione di queste condizioni, specialmente nelle aree di fragilità spaziale e relazionale, spesso difficili da individuare per la carenza di strumenti adeguati.
In linea con la filosofia dell’iniziativa “DARE- Digital lifelong prevention”, ci proponiamo di sfruttare le tecnologie digitali per costruire un ponte per promuovere il benessere di bambini e ragazzi e delle loro famiglie. In particolare, stiamo mettendo a punto una nuova batteria di strumenti digitali che, auspicabilmente, saranno in grado di fornire indicazioni più puntuali, contribuendo ad una più precisa identificazione di bambini/e e ragazzi/e che presentano difficoltà in queste aree. Parallelamente, stiamo analizzando le traiettorie atipiche delle competenze visuo-spaziali e socio-relazionali, con particolare attenzione alla sindrome di Down e ad alcuni Disturbi del Neurosviluppo (Disturbo dello spettro dell’autismo, Disturbo dello sviluppo della coordinazione motoria, Disturbo dello sviluppo delle abilità visuospaziali), al fine di individuare le tappe fondamentali e le traiettorie evolutive di questi domini di sviluppo. Questo approccio potrà favorire un intervento precoce e mirato, contribuendo a migliorare la qualità della vita dei bambini e il benessere delle loro famiglie.
La nascita pretermine rappresenta un importante fattore di rischio per esiti negativi nello sviluppo neuroevolutivo e psicosociale. Sebbene il Metodo della Marsupio-terapia (Kangaroo Mother Care, KMC), caratterizzato da un contatto pelle-a-pelle prolungato, sia stato associato a un miglioramento negli esiti neonatali e nell’adattamento dei caregiver, si sa ancora poco su come la variabilità interindividuale e contestuale nell’implementazione del KMC influenzi tali effetti. Questo studio pilota longitudinale affronta questa lacuna concentrandosi sui meccanismi neurali alla base della sincronia precoce tra caregiver e neonato, utilizzando tecniche avanzate di neuroimaging e analisi comportamentale. In particolare, utilizzeremo la spettroscopia funzionale nel vicino infrarosso (fNIRS) per misurare la sincronia inter-cerebrale (Interbrain Synchrony, IBS) tra neonati pretermine e uno o due caregiver (KMC-1 vs. KMC-2) durante le sessioni di un protocollo KMC della durata di 21 giorni. Questo approccio consentirà una valutazione in tempo reale dell’accoppiamento neurale diadico e della sua evoluzione nel tempo. Parallelamente, valuteremo la sensibilità dei neonati agli stimoli socio-comunicativi a 4-5 mesi di età corretta utilizzando elettroencefalografia ad alta densità (EEG) e tecnologia di eye-tracking. I potenziali evento-correlati (ERP) e le oscillazioni evento-correlate (in particolare nella banda gamma) saranno analizzati in risposta a segnali ostensivi – come lo sguardo referenziale e il tocco affettivo – presentati in un paradigma controllato. È inoltre prevista l’integrazione dei dati con i registri sanitari nazionali (ad es. Pedianet) per supportare applicazioni traslazionali scalabili. Questo approccio multimodale mira a definire biomarcatori oggettivi per ottimizzare i primi interventi nelle popolazioni pretermine.
Lo studio affronta tematiche complesse legate ai disturbi del neurosviluppo più frequentemente diagnosticati in età evolutiva: i Disturbi Specifici dell’Apprendimento (DSA) e il Disturbo da Deficit di Attenzione/Iperattività (ADHD). Queste condizioni hanno un impatto significativo sul percorso scolastico, sulla qualità delle relazioni sociali e sul benessere familiare, generando ricadute a lungo termine anche sul piano sociale ed economico, alla luce della loro elevata prevalenza e della crescente incidenza.
Sebbene siano stati identificati numerosi fattori di rischio di natura cognitiva e ambientale, nessuno di essi risulta, ad oggi, sufficientemente predittivo se considerato isolatamente. Per questo motivo, l’adozione di un approccio multidimensionale nello studio dei prerequisiti e degli indicatori precoci risulta fondamentale per una rilevazione tempestiva delle difficoltà e per una comprensione più accurata delle traiettorie di sviluppo.
Questo studio pilota si propone di individuare un insieme di caratteristiche individuali che possano fungere da indicatori precoci per una diagnosi di DSA e ADHD. Il progetto è articolato in quattro sottostudi: tre prospettici, che adottano metodologie differenti (comportamentali, cognitive e neurofisiologiche) su campioni clinici e di popolazione generale, e uno retrospettivo, basato sull’analisi di un ampio database pediatrico. Tale struttura consente un’indagine integrata e approfondita, finalizzata a una comprensione più ampia e robusta dei meccanismi alla base dei disturbi indagati.
L’obesità infantile rappresenta una priorità emergente di sanità pubblica, con una prevalenza in aumento e conseguenze significative a lungo termine, tra cui una ridotta qualità della vita, gravi effetti fisici e psicologici, e costi sanitari in crescita. Nonostante il suo impatto, il reale peso dell’obesità infantile è ancora poco compreso, soprattutto per la mancanza di analisi integrate e multidimensionali dei fattori di rischio.
Data la sua natura multifattoriale – che coinvolge determinanti biologici, comportamentali, sociali e ambientali – l’obesità infantile si presta come “caso-studio” ideale per sperimentare approcci integrati nell’analisi dei dati sanitari. Rappresenta un’opportunità preziosa per comprendere meglio come fonti di dati eterogenee possano essere combinate per analizzare e prevedere esiti di salute complessi.
Questo studio retrospettivo utilizza Real-World data provenienti dal database di assistenza pediatrica primaria (PEDIANET) con l’obiettivo di approfondire la comprensione dell’obesità infantile in un’ottica multidimensionale. Le finalità principali includono la stima della prevalenza e dei trend di incidenza, la valutazione dell’impatto economico, l’identificazione dei fattori di rischio su più livelli e lo sviluppo di modelli predittivi attraverso l’impiego di tecniche di machine learning.
Le attività principali includono l’integrazione dei real-World data dell’assistenza pediatrica primaria con fonti socioeconomiche, ambientali e amministrative; l’analisi dei rischi e dei costi; e l’uso di tecnologie avanzate per migliorare l’utilizzo dei dati Real-World. L’obiettivo finale è produrre evidenze e strumenti per strategie di prevenzione primaria più efficaci.
La durata della vita della popolazione mondiale è in aumento. Mantenersi in salute in una società in rapido cambiamento e sempre più digitalizzata rappresenta una sfida globale attuale. I metodi esistenti per rilevare il declino cognitivo sono più efficaci quando i sintomi sono già evidenti (ad esempio, in seguito a una segnalazione per compromissione cognitiva soggettiva), ma risultano poco utili per il monitoraggio di individui asintomatici.
Il nostro lavoro contribuirà all’obiettivo generale del WP5 attraverso:
Attività previste:
Obiettivo del progetto pilota:
Individuare traiettorie di vita che distinguano l’invecchiamento sano da quello patologico, rilevando indicatori precoci di declino cognitivo. L’obiettivo finale è identificare indicatori affidabili e di facile utilizzo per il rilevamento del declino cognitivo nei contesti di assistenza primaria, oltre a promuovere buone pratiche rivolte agli anziani e ai loro caregiver.
I cambiamenti tecnologici e l’intensificazione del lavoro sono riconosciuti come rischi psicosociali emergenti per la salute e il benessere dei lavoratori. L’Agenzia Europea per la Sicurezza e la Salute sul Lavoro ha riportato un costo dei disturbi mentali in Europa di 240 miliardi di euro nel periodo 2014-2015, di cui il 43% costituito da costi diretti (es. assistenza medica) e il 57% da costi indiretti (es. perdita di produttività, inclusi i congedi per malattia). Similmente, Hassard et al. (2018) stimano un costo dello stress lavorativo nell’UE di 26,47 miliardi di euro nel 2014, di cui il 70-90% sarebbe dovuto alla perdita di produttività.
Questo progetto pilota mira a prevenire i disturbi psicologici generati o esacerbati dal lavoro, da uno scarso equilibrio tra lavoro e vita privata e da stili di vita problematici, con particolare attenzione ai cambiamenti tecnologici. Per questo obiettivo, vengono condotte diverse raccolte dati basate su metodi psicosociali, epidemiologici, psicofisiologici e sperimentali: un’indagine longitudinale, un protocollo ambulatoriale con dispositivi wearable e un protocollo sperimentale che simula compiti lavorativi. I risultati forniranno materiali informativi e linee guida per la prevenzione primaria, soprattutto nei contesti lavorativi più a rischio per la salute mentale dei lavoratori.
I disturbi neurodegenerativi interessano oltre 55 milioni di persone in tutto il mondo e si prevede che entro il 2040 diventeranno la seconda causa di morte nei paesi occidentali. Nonostante l’aumento della prevalenza del problema, i biomarcatori di risonanza magnetica esistenti mancano di specificità molecolare e spesso non riescono a rilevare il precoce invecchiamento cerebrale che precede patologie come la demenza e il morbo di Parkinson.
Questo studio pilota si propone di colmare tale lacuna sviluppando un modello normativo di connettività funzionale ad arricchimento molecolare nell’arco della vita adulta. Utilizzando circa 5.000 scansioni di risonanza magnetica resting-state provenienti da database pubblici di individui sani di età compresa tra i 18 e i 90 anni, lo studio armonizzerà i dati per stabilire un modello di riferimento per l’invecchiamento cerebrale sano.
Applicato alle coorti cliniche, il modello consentirà di individuare le deviazioni individuali dai modelli di invecchiamento tipici, supportando la stratificazione precoce del rischio, il monitoraggio della malattia e la valutazione degli effetti del trattamento. I primi risultati suggeriscono che le metriche di connettività ad arricchimento molecolare spiegano oltre il 50% della varianza dell’età cronologica, evidenziando la loro promessa come biomarcatori dell’invecchiamento cerebrale.
Nel complesso, il progetto offre un framework basato su fondamenti biologici per la comprensione dell’invecchiamento cerebrale e pone le basi per una prevenzione più mirata e una migliore gestione delle malattie neurodegenerative.
Il cancro è una delle principali cause di morte a livello mondiale.
Sebbene numerosi studi abbiano caratterizzato le alterazioni genomiche in diversi sottotipi di tumore, rimane una forte necessità di strumenti affidabili in grado di identificare alterazioni genomiche che possano prevedere in modo affidabile i fenotipi clinici e la sopravvivenza dei pazienti.
Questo progetto pilota si concentra sullo sviluppo di metodi computazionali per identificare tali alterazioni e mira a fornire strumenti di intelligenza artificiale basati su reti per prevedere gli esiti di sopravvivenza e i fenotipi clinici rilevanti.
Lo strumento sviluppato migliorerà la capacità di prevedere fenotipi clinicamente rilevanti nei pazienti oncologici utilizzando biomarcatori del DNA, integrando molteplici fonti di dati, inclusa l’informazione sui fenotipi clinici.
Inoltre, il progetto pilota identificherà un sottoinsieme robusto di alterazioni genomiche che potranno essere utilizzate per prevedere con maggiore accuratezza i fenotipi clinici rilevanti.
Il trapianto d’organo solido rimane un trattamento fondamentale per l’insufficienza d’organo in fase terminale. In particolare, il trapianto di fegato (LT) e di rene (KT) offrono un significativo beneficio in termini di sopravvivenza, per pazienti selezionati. Tuttavia, la previsione degli esiti post-trapianto, inclusa la sopravvivenza del paziente e la funzionalità dell’organo trapiantato, rappresentano sfide cliniche a causa dell’accuratezza predittiva subottimale degli attuali strumenti prognostici a disposizione.
Questo studio retrospettivo monocentrico mira a valutare se l’intelligenza artificiale (IA) possa migliorare l’allocazione tra donatore e ricevente e l’accuratezza prognostica sugli esiti post-trapianto di fegato e rene. La valutazione istologica digitalizzata dei donatori – analizzata mediante modelli di machine learning (ML) sviluppati dall’Università di Oxford – sarà combinata con dati clinici, biochimici e chirurgici di donatori e riceventi per addestrare e validare strumenti predittivi basati su IA.
Lo studio include 240 riceventi di trapianto (120 LT e 120 KT) sottoposti a intervento presso l’Azienda Ospedaliera Universitaria di Padova tra il 2017 e il 2021, tutti con istologia del donatore disponibile. Verranno utilizzati modelli di ML basati su segmentazioni U-Net e reti neurali convoluzionali per estrarre caratteristiche morfometriche e topologiche dei tessuti, consentendo una previsione più dettagliata di esiti come la sopravvivenza del trapianto, il rigetto e la funzione ritardata del graft.
Le previsioni ottenute tramite IA saranno confrontate con gli attuali parametri predittivi. Lo studio si propone di creare un’infrastruttura tecnologica per l’integrazione dell’intelligenza artificiale nella medicina dei trapianti.
Il progetto pilota si propone di sviluppare e validare un modello predittivo basato su intelligenza artificiale per la previsione di esiti renali avversi in pazienti con diabete di tipo 2, a partire da dati clinici e demografici raccolti durante la normale attività ambulatoriale. L’obiettivo è identificare precocemente i soggetti a rischio di deterioramento della funzionalità renale, sulla base del tasso di filtrazione glomerulare stimato (eGFR), con un orizzonte temporale variabile tra 6 mesi e 4 anni, al fine di supportare decisioni terapeutiche tempestive.
Il modello, già sviluppato e testato su una coorte nazionale di circa 50000 pazienti, ha mostrato elevate performance predittive (AUROC fino a 0.98). È ora in corso la progettazione del prototipo da integrare nei sistemi clinici dell’Azienda Ospedale-Università di Padova e della valutazione della sua usabilità da parte dei professionisti sanitari. Il progetto pilota terminerà con la definizione del protocollo per un futuro trial clinico randomizzato che valuti l’impatto dell’uso del tool sull’outcome renale.
Il progetto intende contribuire alla personalizzazione della cura, al miglioramento della qualità della vita dei pazienti e alla riduzione dell’impatto delle complicanze renali sul sistema sanitario.
FITMATE è un progetto innovativo per la stima automatizzata dell’introito calorico e la classificazione degli alimenti ingeriti mediante dispositivi indossabili commerciali (es. smartwatch) e algoritmi di machine learning.
Il sistema permette di monitorare in modo continuo e non invasivo l’alimentazione quotidiana, riducendo gli errori dei metodi convenzionali (es. questionari alimentari) fino al 10%.
Nella prima fase, il pilot coinvolge pazienti con patologie che richiedono regimi dietetici specifici (fenilchetonuria, diabete, rene policistico), per poi essere esteso alla popolazione generale.
L’obiettivo è fornire uno strumento oggettivo, accessibile e a basso costo per il supporto alla prevenzione secondaria e terziaria, migliorando la gestione della salute individuale e collettiva. FITMATE è sviluppato nell’ambito dello SPOKE 3 – WP5 della Fondazione DARE ed è coordinato dall’Università di Padova.
Questa ricerca è stata cofinanziata dal Piano Nazionale Complementare PNC-I.1 “Iniziativa di ricerca per le tecnologie e percorsi innovativi in ambito sanitario e assistenziale”, D.D. 931 del 06/06/2022, iniziativa “DARE – Digital lifelong prevention”, codice PNC0000002
