Oggi esistono modelli predittivi sempre più sofisticati capaci di supportare diagnosi, terapia e prognosi di molteplici patologie neurologiche, dall’ictus fino ai disordini del movimento. Se molti di questi modelli si basano sul machine learning (sistemi non predittivi che, a differenza dell’intelligenza artificiale vera e propria, mancano di meccanismi di autocorrezione degli errori) recenti studi hanno introdotto modelli di predizione differenti, per identificare il peggioramento di patologie come Parkinson e Alzheimer. I sensori indossabili giocano un ruolo imprescindibile in questo contesto: fanno parte delle “conoscenze omiche”, un insieme integrato di informazioni provenienti dalla clinica, dalle neuroimmagini, dai dati dei wearable e persino da misurazioni dirette all’interno del cervello dei pazienti. L’integrazione di questi dati consente di tracciare la storia naturale della malattia, identificare soggetti a maggior rischio evolutivo e comprendere i meccanismi patologici sottostanti.

Per Tommaso Bocci (Università degli Studi di Milano), intervistato a Reggio Calabria durante l’edizione 2026 del Congresso Nazionale SNO, la principale sfida rimane la conoscenza: sapere quale domanda porre alla macchina, decidere quali informazioni omiche cercare e quali integrare, e soprattutto effettuare un controllo rigoroso della letteratura scientifica. È fondamentale sottoporre a verifica punto per punto i risultati forniti dai software di intelligenza artificiale. Per questo motivo, è essenziale integrare questi insegnamenti nella formazione medica sin dal corso di laurea e nelle altre professioni diagnostico-terapeutiche, come già avviene presso alcune università, affinché i futuri professionisti comprendano sia i limiti che le potenzialità di questi strumenti nella pratica clinica.