La ricerca clinica sull’obesità ha un problema strutturale che raramente viene nominato: misura quello che riesce a vedere, non quello che conta di più.
I grandi trial randomizzati che hanno portato all’approvazione dei farmaci agonisti del recettore GLP-1, oggi al centro del dibattito globale sull’obesità, sono studi rigorosi, progettati per rispondere a domande precise: il farmaco riduce il peso? Migliora la glicemia? Riduce gli eventi cardiovascolari?
A queste domande rispondono bene. Ma c’è un’intera dimensione del percorso del paziente che sfugge alla loro struttura: cosa mangia davvero, giorno per giorno, da quando inizia la terapia.
Indice degli argomenti
Ricerca sull’obesità: il limite dei dati tradizionali
La raccolta di dati alimentari nella ricerca clinica si basa da decenni sugli stessi strumenti: il recall a 24 ore, il diario cartaceo, il questionario di frequenza alimentare. Strumenti validati, ma con limiti importanti e la capacità di registrare solo momenti selezionati, spesso in prossimità della visita, che per definizione non sono rappresentativi della quotidianità.
Il risultato è che la ricerca sull’obesità ha storicamente pochissima visibilità su ciò che accade tra un appuntamento e l’altro.
Con i GLP-1, questo limite diventa clinicamente ancor più rilevante. Questi farmaci riducono l’appetito in modo potente e aspecifico: chi li assume tende a mangiare meno, ma non necessariamente in modo più equilibrato.
La domanda “si mangia di meno, ma si mangia bene?”, è esattamente il tipo di domanda a cui la ricerca tradizionale sull’obesità non sa rispondere con precisione, perché richiederebbe un monitoraggio continuo che, fino a poco tempo fa, era tecnicamente impraticabile.
Un problema di infrastruttura, prima che di Scienza
Il vero ostacolo è sempre stato l’infrastruttura per raccogliere i dati. Per fare real-world research sull’alimentazione, servono dati raccolti nella vita reale, in modo continuativo, da un campione sufficientemente ampio.
Con i metodi tradizionali questo è quasi impossibile: il diario cartaceo ha tassi di compilazione bassissimi, il recall introduce bias enormi, e la supervisione necessaria per garantire la qualità dei dati ha un costo che scala linearmente con il numero di pazienti.
Il punto di rottura è arrivato con la maturazione di tecnologie che fino a pochi anni fa non erano abbastanza precise per essere utilizzabili in un contesto clinico. Il riconoscimento visivo applicato al cibo permette oggi di stimare composizione e porzioni da una fotografia con un margine di errore accettabile per la ricerca nutrizionale. I modelli linguistici di grandi dimensioni sanno interpretare una descrizione in linguaggio naturale e restituire valori nutrizionali strutturati. Queste due capacità, da sole, risolvono uno dei problemi che ha sempre reso impraticabile la raccolta dati alimentare su scala: l’impegno richiesto al paziente. La soglia di aderenza crolla e con essa cambia il profilo di chi effettivamente mette a disposizione i dati, con una distribuzione molto più fedele alla realtà.
L’AI, poi, fa la restante parte, diventando uno strumento potente nelle mani di pazienti e medici: è in grado di leggere e mettere in relazione l’enorme mole di informazioni raccolte dai singoli individui e dalla collettività, in tempo reale, trasformandole in evidenze chiare e strutturate.
Dati che prima non esistevano: la ricerca condotta da Robin Health in collaborazione con l’IRCCS Ospedale San Raffaele
È in questo contesto che si inserisce la ricerca condotta da Robin Health in collaborazione con l’IRCCS Ospedale San Raffaele.
Lo studio ha analizzato oltre 5.700 giornate alimentari di pazienti con e senza terapia GLP-1: non ricostruite a posteriori, non raccolte in un contesto sperimentale, ma registrate continuativamente nella vita quotidiana.
Un corpus di dati che con i metodi tradizionali avrebbe richiesto anni di raccolta supervisionata e budget considerevoli. E che soprattutto avrebbe sofferto del problema che affligge qualsiasi studio osservazionale ad alta intensità di monitoraggio: i pazienti più collaborativi con la raccolta dati non sono rappresentativi della popolazione generale. Riducendo il carico della registrazione, questo bias si attenua sensibilmente.
I risultati parlano chiaro e, per certi aspetti, riscrivono l’immagine che avevamo del paziente in terapia GLP-1. L’88% dei pazienti trattati scende sotto la soglia proteica minima raccomandata, con un apporto medio di 0,6 g/kg di massa corporea al giorno rispetto agli 0,9 g/kg/die previsti dai LARN, requisito minimo, non ottimale. Il deficit è aggravato da un’alterazione profonda dei ritmi alimentari: chi assume GLP-1 tende a saltare i pasti con frequenza doppia rispetto ai non utilizzatori, con il 40% che salta la cena e il 31% che salta colazione o pranzo. La ripartizione dei macronutrienti non cambia significativamente tra i due gruppi. Cambia la quantità totale, in modo drastico. Il paziente non sceglie consapevolmente di mangiare meno proteine: sta semplicemente mangiando meno di tutto, con le proteine, già spesso insufficienti nella dieta media, che scendono sotto la soglia critica.
La conseguenza diretta è il rischio di perdita di massa magra, che in assenza di adeguato supporto nutrizionale può arrivare a rappresentare fino al 40% del peso totale perso durante la terapia. Un dato che la bilancia, da sola, non può vedere. E che senza un monitoraggio continuativo difficilmente emergerebbe prima che il danno sia già fatto.
Questi sono risultati che non potevano essere prodotti con i metodi tradizionali, perché mancava l’infrastruttura per raccogliere dati alimentari quotidiani su centinaia di pazienti per mesi. Adesso quell’infrastruttura esiste. E i dati che produce dicono cose che cambiano il modo in cui dovremmo impostare il monitoraggio clinico di questi pazienti.
Il valore del dato longitudinale
C’è un aspetto della ricerca real-world basata su dati digitali che tende a essere sottovalutato: la dimensione temporale.
Un singolo dato alimentare è poco informativo. Migliaia di dati alimentari distribuiti su settimane, correlati con peso, attività fisica, terapia farmacologica e sintomi riportati, diventano uno strumento diagnostico di alto livello. Permettono di individuare pattern, derive progressive, soglie critiche. Di distinguere il paziente che mangia poco ma in modo bilanciato dal paziente che sta scivolando verso un deficit proteico destinato a manifestarsi come perdita muscolare nei mesi successivi.
Ricerca e cura: un confine che si assottiglia
C’è una conseguenza di questo approccio che va oltre la ricerca in senso stretto. Quando la raccolta dati avviene in modo continuativo nella vita reale, la distanza tra generazione di evidenza clinica e supporto al paziente si riduce drasticamente.
I dati che alimentano la ricerca sono gli stessi che possono, in tempo reale, segnalare a un nutrizionista che il suo paziente ha saltato tre cene di fila, o che il suo apporto proteico è sceso sotto la soglia critica da due settimane. L’infrastruttura tecnologica che rende possibile la ricerca real-world è la stessa che rende possibile un monitoraggio clinico continuo che oggi, nella pratica quotidiana, non esiste.
La visione a lungo termine è che la raccolta dati smetta di essere qualcosa che si fa per la ricerca o per il paziente separatamente, e diventi semplicemente parte integrante del percorso di cura. Ogni dato che il paziente genera ha valore sia per lui, perché può guidare decisioni cliniche immediate, sia per la comunità scientifica, perché contribuisce a una comprensione sempre più precisa di come questa patologia si manifesta nella vita reale.
Obesità: la ricerca si sposta dove vive la malattia
L’obesità non vive in ospedale. Vive nelle abitudini quotidiane, nelle scelte alimentari, nei pasti saltati, nelle dinamiche che nessuna visita riesce a cogliere per intero. Per decenni, la ricerca clinica ha dovuto accontentarsi di osservarla da lontano, attraverso strumenti che catturavano frammenti.
La tecnologia AI applicata alla raccolta e all’analisi di dati real-world non è solo uno strumento più efficiente per fare la stessa ricerca di prima. È la condizione per fare una ricerca diversa: più vicina alla realtà del paziente, più capace di cogliere ciò che conta, più utile per tradursi in interventi clinici tempestivi ed efficaci.
I dati già raccolti e analizzati dall’AI suggeriscono che stiamo solo iniziando a capire cosa sia possibile vedere quando si guarda nel posto giusto.
Partecipa alla community