D34H - Digital Driven Diagnostics, prognostics and therapeutics for sustainable Health care
La Fondazione D3 4 Health – costituita da 28 partner tra Università pubbliche e private, Istituti di ricerca e Imprese – svolge attività di potenziamento della ricerca sulle tecnologie digitali in ambito sanitario, attraverso un sofisticato processo di data mining, al fine di migliorare diagnosi, monitoraggio e cure.
Promuove lo sviluppo di modelli predittivi, diagnostici e terapeutici innovativi, avvalendosi delle tecnologie digitali più avanzate, rappresentate da algoritmi di Intelligenza Artificiale, dispositivi e sensori indossabili, nonché Network Analysis. Espressione di avanzamento della ricerca scientifica con inevitabile risonanza sull’impatto clinico e di conseguenza, sull’ottimizzazione della cura del paziente sarà rappresentato dallo sviluppo di un Digital Twin e di un Biological Twin.
Rappresenta una grande opportunità per i giovani ricercatori, offrendo la possibilità di far parte di un programma di R&S finalizzato all’innovazione del sistema sanitario attraverso la transizione tecnologica digitale, in cui Ricerca e Impresa si incontrano per promuovere e sostenere congiuntamente ricerca di alto livello, trasferimento tecnologico e alta formazione.
Determina – attraverso le tecnologie digitali innovative sviluppate in collaborazione tra i Partner – un impatto temporale specifico sulla salute dei cittadini nel:
- breve termine, con la digitalizzazione della cura del paziente;
- medio termine, con un miglioramento dell’ assistenza del paziente;
- lungo termine, con un migliore utilizzo delle risorse disponibili, consentendo di standardizzare terapie personalizzate con un risparmio di risorse umane e tecnologiche.
Le principali attività di ricerca di D3 4 HEALTH saranno strutturate attraverso quattro “Spokes” interconnessi. Gli obiettivi specifici di D3 4 HEALTH saranno raggiunti verticalmente e applicati trasversalmente alle 5 malattie di riferimento, tutte con attività globali.
I quattro Spoke centrali includeranno:
- Spoke 1: Validazione di nuovi modelli di assistenza supportati da soluzioni innovative basate su intelligenza artificiale/e-health eseguite su dati raccolti retrospettivamente e prospetticamente per garantire una rapida produzione di evidenze nel breve termine.
- Spoke 2: Implementazione di una piattaforma multistrato già esistente per supportare lo stoccaggio dei dati e la generazione del digital twin dei pazienti, per istituire un’infrastruttura virtuale conforme al GDPR interoperabile dai centri del consorzio per lo scambio di dati digitali.
- Spoke 3: Sviluppo e validazione funzionale di tecnologie indossabili e sensori nuovi ed esistenti. Identificazione e convalida prospettica di biomarcatori derivati da biopsie liquide e imaging per diagnosi, monitoraggio e terapia delle malattie di riferimento, al fine di fornire dispositivi medici mini-invasivi in grado di supportare la decisione clinica, il benessere dei pazienti e la raccolta continua di dati per lo sviluppo del digital twin.
- Spoke 4: Valutazione e convalida del biological twin mediante modelli di simulazione basati su biologia.
Ogni Spoke rappresenta la base su cui sarà costruito quello successivo, con ciascuno che include una valutazione dei bisogni riguardo le lezioni apprese e le lacune di conoscenza.
Pubblicazioni Scientifiche
- Altini, N., Rossini, M., Turkevi-Nagy, S., Pesce, F., Pontrelli, P., Prencipe, B., Berloco, F., Seshan, S., Gibier, J. B., Dorado, A. P., Bueno, G., Peruzzi, L., Rossi, M., Eccher, A., Li, F., Koumpis, A., Beyan, O., Barratt, J., Huy Quoc, V., Mohan, C., Van Nguyen, H., Cicalese, P. A., Ernst, A., Gesualdo, L., Bevilacqua, V., Becker, J. U. Performance and Limitations of a Supervised Deep Learning Approach for the Histopathological Oxford Classification of Glomeruli with IgA Nephropathy. Computer Methods and Programs in Biomedicine, 2023, p.107814. doi: 10.1016/j.cmpb.2023.107814
- Prencipe, B., Delprete, C., Garolla, E., Corallo, F., Gravina, M., Natalicchio, M. I., Buongiorno, D., Bevilacqua, V., Altini, N., Brunetti, A. An Explainable Radiogenomic Framework to Predict Mutational Status of KRAS and EGFR in Lung Adenocarcinoma Patients. Bioengineering. 2023; 10(7):747. doi: 10.3390/bioengineering10070747
- Altini, N., Marvulli, T. M., Zito, F. A., Caputo, M., Tommasi, S., Azzariti, A., Brunetti, A., Prencipe, B., Mattioli, E., De Summa, S. Bevilacqua, V. The role of unpaired image-to-image translation for stain color normalization in colorectal cancer histology classification. Computer Methods and Programs in Biomedicine, 2023, 234, p.107511. doi: 10.1016/j.cmpb.2023.107511
