DAIbetes - Federated virtual twins for privacy-preserving personalised outcome prediction of type 2 diabetes treatment

ID Call: HORIZON-HLTH-2023-TOOL-05 Integrated, multi-scale computational models of patient patho-physiology (‘virtual twins’) for personalised disease management

Ruolo di Sapienza nel progetto: Other beneficiary

Responsabile scientifico per Sapienza: Cosimo Durante

Dipartimento: Medicina traslazionale e di precisione

Data inizio progetto:  01/01/2024

Data fine progetto: 31/12/2029

Abstract del progetto:

I “gemelli virtuali” possono essere utilizzati come strumenti prognostici nella medicina di precisione per la gestione personalizzata delle malattie. Tuttavia, il loro training richiede un grande numero di dati e la loro integrazione da diverse fonti, il che a sua volta è ostacolato dalla legislazione sulla privacy come il GDPR. Sono emerse recenti tecniche computazionali che migliorano la privacy, come l’apprendimento federato, e promettono un uso efficace dei big data salvaguardando le informazioni sensibili dei pazienti. In dAIbetes ci basiamo su questa tecnologia per sviluppare una piattaforma federata di dati sanitari per l’applicazione clinica dei primi modelli di gemelli virtuali “addestrati” a livello internazionale. L’obiettivo è la previsione personalizzata degli esiti del trattamento nel diabete tipo 2, che affligge nel mondo 1 adulto su 10, con una spesa annua di ca. 893 miliardi di euro. Sebbene gli operatori sanitari stiano diventando più efficaci nel gestire i fattori di rischio (ad esempio dieta o esercizio fisico), non esistono dati relativi al risultato atteso per un dato trattamento per un paziente specifico. Per rispondere a questa esigenza, dAIbetes armonizzerà i dati di ca. 800.000 pazienti affetti da diabete di tipo 2 di 4 coorti internazionali per la generazione di modelli prognostici tramite gemelli virtuali. Questi saranno validati clinicamente e applicati attraverso un software dedicato.

Il nostro obiettivo è dimostrare che le previsioni personalizzate hanno un errore di previsione inferiore di almeno il 10% rispetto a quello dei modelli tradizionali. Questa tecnologia consentirà una gestione personalizzata del diabete e fungerà da modello per altre malattie complesse. Il consorzio unisce competenze in intelligenza artificiale, sviluppo di software, protezione della privacy, sicurezza informatica, diabete e suo trattamento. In definitiva, miriamo a risolvere l’antagonismo tra privacy e big data nella ricerca transnazionale sul diabete.

Sapienza Università di Roma metterà a disposizione un ampio dataset di pazienti, si occuperà di renderlo accessibile alle tecnologie di machine learning federato, con la relativa “mappatura” ad ontologie e standard internazionali. Gli informatici saranno coinvolti nei processi di “apprendimento” volti a preservare la privacy, fornendo l'infrastruttura e le conoscenze tecnologiche, mentre i clinici contribuiranno a definire le esigenze della ricerca e della pratica clinica, testando anche i nuovi approcci e validando il modello finale e il software per l'uso nella attività medica corrente. Saremo inoltre coinvolti in tutte le attività di comunicazione, disseminazione e coinvolgimento.