Il modello integra dati sanitari raccolti durante l’anamnesi, dati provenienti da sensori indossabili e marcatori genomici, così da superare i "blocchi biochimici" individuali. Un esempio concreto è rappresentato dalla gestione dei polimorfismi del gene Mthfr: l'IA può identificare la necessità di prescrivere metilfolato in luogo dell'acido folico standard, consentendo di superare un deficit di processamento che l'integrazione tradizionale potrebbe non considerare.
Attraverso il gemello digitale, il clinico può inoltre simulare esiti specifici: per esempio, prevedere con precisione un aumento dell'emoglobina fino a 115 g/L entro la 28ª settimana a seguito di una mirata intensificazione dell'apporto di ferro, oppure simulare l'impatto di un trattamento vermifugo sullo stato marziale nel terzo trimestre.
Tale capacità predittiva è essenziale per ottimizzare l'integrazione multimicronutrizionale e favorire esiti materno-fetali più favorevoli. In questo contesto, l'IA non sostituisce il professionista, ma ne potenzia la capacità decisionale, trasformando la pratica clinica in un sistema di precisione.
Questo strumento consente di prevedere come diverse dosi o combinazioni di integratori, come l'aggiunta di ferro o vitamina D, possano influenzare lo stato nutrizionale e gli esiti clinici prima ancora della prescrizione. Inoltre, permette una personalizzazione dinamica, poiché il modello si aggiorna costantemente con nuovi dati, come i livelli di emoglobina o l'attività fisica, affinando progressivamente le previsioni lungo tutto il percorso di cura. Consente anche una stratificazione del rischio, identificando i gruppi di persone con maggiore probabilità di beneficiare di dosi più elevate o di formulazioni specifiche; nei contesti a basse risorse, l'IA può inoltre contribuire a orientare l'integrazione verso le popolazioni a più alto rischio.
Anche la computer vision costituisce un pilastro fondamentale della moderna valutazione dietetica oggettiva. Nelle applicazioni nutrizionali, questa branca dell'IA, che sviluppa algoritmi capaci di simulare alcune funzioni cognitive umane per elaborare e "comprendere" il contenuto di immagini digitali o video, viene impiegata per trasformare un input visivo, come la fotografia di un pasto, in informazioni quantitative sui nutrienti. Si tratta di uno strumento molto potente e promettente che, allo stato attuale, è in grado di identificare e riconoscere la tipologia di alimento presente, distinguendo, ad esempio, una mela da un hamburger; tuttavia, la sua accuratezza rimane strettamente dipendente dalla complessità del pasto. Quando i cibi sono mescolati o sovrapposti, infatti, l'IA può non riuscire a distinguere i confini tra i diversi ingredienti o a rilevare quelli "nascosti" sotto lo strato superficiale. Per attenuare questi limiti, l'approccio adottato è di tipo multimodale: l'integrazione della visione artificiale con sensori acustici, in grado di analizzare i pattern di masticazione e deglutizione con un'accuratezza fino al 94%, consente di ottenere un quadro molto più solido del consumo reale.
Le sfide etiche restano centrali: esiste infatti un rischio concreto di bias algoritmico qualora i modelli vengano addestrati su database non rappresentativi. Tuttavia, la direzione futura appare chiara: una nutrizione di precisione alimentata da dati oggettivi e da simulazioni fisiologiche.
Silvia Ambrogio
Bibliografia
- Artificial intelligence for personalized multiple micronutrient supplementation in maternal health. Int J Gynaecol Obstet. Giugno 2026;173(3):1163-1173.
- Navigating next-gen nutrition care using artificial intelligence-assisted dietary assessment tools-a scoping review of potential applications. Front Nutr. 2025 Jan 23;12:1518466.
- Artificial Intelligence in Nutrition and Dietetics: A Comprehensive Review of Current Research. Healthcare (Basel). 2025 Oct 14;13(20):2579.
- Artificial Intelligence Applications to Measure Food and Nutrient Intakes: Scoping Review. J Med Internet Res. 2024 Nov 28:26:e54557.