L’intelligenza artificiale può già aiutare una persona con diabete a leggere meglio i dati del sensore, prevedere possibili ipoglicemie, automatizzare in parte l’erogazione dell’insulina e preparare visite più utili. Ma non basta aprire ChatGPT e chiedergli quante unità somministrare. Quella non è innovazione: è roulette russa con un’interfaccia elegante.
La vera rivoluzione nasce dall’incontro fra sensori CGM, microinfusori, penne intelligenti, app, algoritmi predittivi e supervisione clinica. Una rivoluzione promettente, ma molto meno semplice delle brochure.
Nota importante: questo articolo ha finalità informative e non sostituisce il parere del diabetologo. Non modificare insulina, farmaci, dieta o soglie di allarme sulla base delle risposte di un chatbot generalista.
Che cosa significa davvero “AI per diabetici”
“AI per diabetici” è una formula comoda, ma contiene tecnologie molto diverse. Alcune sono già integrate in dispositivi medici autorizzati. Altre sono strumenti di supporto per medici e pazienti. Altre ancora sono prototipi studiati in laboratorio.
Metterle tutte nello stesso sacco genera l’equivoco più pericoloso: scambiare un paper promettente per una terapia disponibile. Per questo dividerò gli esempi in tre livelli:
- già utilizzabile nella pratica clinica, tramite dispositivi e servizi autorizzati;
- supporto organizzativo ed educativo, da usare senza delegare decisioni terapeutiche;
- ricerca, interessante oggi e forse applicabile domani.
GlucoFM di Google: un foundation model che prova a “capire” le curve glicemiche
Il 26 agosto 2026 Google Research ha presentato GlucoFM, un foundation model leggero e auto-supervisionato progettato per analizzare i dati del monitoraggio continuo del glucosio, il CGM.
L’idea è intelligente: una curva glicemica non è un unico flusso indistinto. Contiene tendenze lente, come il livello di base, e deviazioni rapide che possono dipendere da pasti, attività fisica o artefatti del sensore. GlucoFM separa questi due livelli e cerca di apprendere rappresentazioni riutilizzabili.
Secondo Google e il relativo paper su arXiv, il modello è stato pre-addestrato su 109.066 ore di registrazioni CGM non etichettate, provenienti da 477 partecipanti o sessioni. È stato poi valutato su quattro coorti e su compiti come stima del rischio di diabete, resistenza insulinica, disfunzione delle cellule beta, ipoglicemia e previsione della risposta glicemica dopo i pasti.
Come funziona GlucoFM. Immagine: Google Research, fonte originale.
I risultati dichiarati sono interessanti, soprattutto nel trasferimento tra dataset e nell’adattamento con pochi dati etichettati. Ma fermiamoci prima di far partire la fanfara: GlucoFM è un modello di ricerca, non un’app clinica che una persona può scaricare e usare per decidere la terapia. Il paper è su arXiv e non equivale, da solo, a una validazione clinica o a un’autorizzazione regolatoria.
L’architettura a doppio flusso di GlucoFM. Immagine: Google Research, fonte originale.
AI e diabete: 15 esempi concreti
1. Prevedere una possibile ipoglicemia
Gli algoritmi possono analizzare direzione e velocità della curva CGM e generare un allarme prima che il valore superi una soglia critica. Il vantaggio non è conoscere il numero attuale, ma capire dove potrebbe andare. Il comportamento da adottare deve però seguire il piano concordato con il team diabetologico.
2. Automatizzare in parte l’erogazione dell’insulina
I sistemi AID, detti anche “closed loop ibridi”, collegano sensore, algoritmo e microinfusore. Il software aumenta, riduce o sospende l’insulina in base ai dati ricevuti. Non è fantascienza: la Food and Drug Administration statunitense, per esempio, descrive il funzionamento dell’iLet Bionic Pancreas e del suo algoritmo adattivo. Disponibilità, indicazioni e autorizzazioni vanno sempre verificate nel proprio Paese.
3. Individuare pattern notturni
Una settimana di grafici può sembrare un piatto di spaghetti digitali. Un sistema di analisi può evidenziare ricorrenze: discese tra le 2 e le 4, rialzi all’alba, differenze fra giorni lavorativi e weekend. Il risultato utile non è “cambia la dose”, ma “porta questo pattern al diabetologo”.
4. Misurare il tempo nell’intervallo
L’HbA1c è importante, ma non racconta tutte le oscillazioni. L’analisi automatica può sintetizzare tempo nell’intervallo, tempo sopra e sotto l’intervallo e variabilità. Una meta-analisi del 2025 su 27 studi e 2.975 partecipanti con diabete di tipo 1 ha rilevato che il CGM, rispetto al monitoraggio standard, migliorava HbA1c e tempo nell’intervallo; i sistemi closed loop ottenevano il ranking più alto nella network meta-analysis.
5. Collegare pasti e risposta glicemica
Fotografia del pasto, quantità, orario e curva successiva possono aiutare a costruire un diario meno faticoso. L’AI può raggruppare pasti simili e mostrare risposte diverse. Attenzione però: correlazione non significa causalità e una fotografia non stima con precisione assoluta carboidrati, fibre, grassi e porzioni.
6. Stimare i carboidrati da una foto, con prudenza
Le app di computer vision possono riconoscere alimenti e proporre una stima. È un aiuto educativo, non un contatore infallibile. Una lasagna fotografata dall’alto nasconde ingredienti, peso e ricetta. Usare quella stima per un bolo senza una procedura clinicamente approvata è un salto che non consiglio.
7. Capire l’effetto dell’attività fisica
Incrociando CGM, passi, frequenza cardiaca, tipo di allenamento e orario, gli algoritmi possono far emergere pattern personali. Per esempio: dopo la corsa serale il calo arriva subito o durante la notte? È materiale prezioso per impostare strategie con il professionista.
8. Analizzare sonno, stress e glicemia
Wearable e smartwatch aggiungono dati su sonno e frequenza cardiaca. L’AI può cercare associazioni fra notti brevi, stress fisiologico e variabilità glicemica. Sono indizi, non diagnosi. Il rischio è trasformarsi nel detective ossessivo del proprio corpo e attribuire a una causa ciò che dipende da dieci fattori.
9. Rendere più utili le penne intelligenti
Le smart pen registrano orario e quantità dell’insulina. Integrando questi dati con il CGM, un sistema può segnalare dosi dimenticate, sovrapposizioni potenzialmente problematiche o schemi ricorrenti. Una revisione del 2025 sui sistemi decisionali AI per il diabete di tipo 1 sottolinea proprio il valore dell’integrazione fra app, smartwatch, activity tracker, CGM, microinfusori e penne intelligenti.
10. Preparare un rapporto prima della visita
Questo è uno degli usi più semplici e sensati. Il sistema può organizzare dati e domande in una pagina: episodi ricorrenti, pasti insoliti, allenamenti, cambi di routine, dubbi da discutere. Si risparmia tempo e la visita parte dai problemi veri invece che da “allora, come va?”.
11. Tradurre un referto in linguaggio comprensibile
Un chatbot può spiegare termini tecnici, sciogliere sigle e preparare domande. La formula corretta non è “dimmi che terapia fare”, ma “spiegami questo termine e suggerisci quali domande porre al medico”. Prima di caricare un referto, elimina nome, codice fiscale, indirizzo, numero di tessera sanitaria e altri identificativi. Ho pubblicato una guida pratica su come anonimizzare documenti e PDF prima di usare l’AI.
12. Creare promemoria contestuali
Un assistente può ricordare sensore da sostituire, scorte da controllare, visita, esami o materiali da portare in viaggio. Questo non è un dispositivo medico e non richiede che il chatbot interpreti la glicemia. A volte l’AI più utile è quella che evita di dimenticare una cosa banale.
13. Personalizzare l’educazione terapeutica
L’AI può trasformare indicazioni validate dal centro diabetologico in quiz, schede semplici, versioni per adolescenti, traduzioni o simulazioni di situazioni quotidiane. Il contenuto di partenza deve essere affidabile. Se la fonte è sbagliata, il chatbot renderà l’errore più chiaro e convincente. Non esattamente un progresso.
14. Supportare lo screening della retinopatia diabetica
I sistemi di visione artificiale possono analizzare immagini della retina e segnalare casi da approfondire. Lo screening non coincide con la diagnosi e può produrre falsi positivi o falsi negativi. L’NHS ricorda che lo screening serve a trovare precocemente possibili problemi e che un risultato anomalo richiede ulteriori verifiche.
15. Monitorare il rischio del piede diabetico
Fotografie, sensori di pressione e termografia possono essere analizzati per individuare variazioni sospette e stabilire priorità di controllo. Qui il confine deve essere netto: una foto inviata a un chatbot generalista non esclude un’ulcera e non sostituisce un esame clinico, soprattutto in presenza di ferite, arrossamento, gonfiore, dolore, cattivo odore o febbre.
Un prompt utile e uno pericoloso
Prompt utile:
Questi sono dati già anonimizzati del mio diario glicemico. Non formulare diagnosi e non suggerire modifiche a farmaci o insulina. Organizza le informazioni in una tabella, individua pattern ricorrenti e prepara dieci domande da portare al diabetologo. Evidenzia dati mancanti e possibili spiegazioni alternative.
Prompt pericoloso:
Ho 240 mg/dL e sto per mangiare una pizza. Quanta insulina devo fare?
Il primo usa l’AI per preparare una conversazione clinica. Il secondo le delega una decisione individuale ad alto rischio senza conoscere terapia, rapporto insulina-carboidrati, fattore di correzione, insulina attiva, andamento del sensore, attività fisica, malattie concomitanti e indicazioni del medico.
I cinque controlli prima di usare un’app AI per il diabete
- Qual è la destinazione d’uso? Benessere, educazione o decisione clinica non sono la stessa cosa.
- È un dispositivo medico autorizzato? Verifica marcatura, indicazioni, Paese e versione precisa.
- Su chi è stato validato? Tipo 1, tipo 2, gravidanza, bambini e anziani richiedono evidenze specifiche.
- Dove finiscono i dati? Curve glicemiche, referti e fotografie sono dati sanitari estremamente delicati.
- Chi resta responsabile? Deve esistere un professionista e una procedura per confermare, correggere o ignorare l’output.
Per approfondire il tema della responsabilità clinica, consiglio anche il mio articolo Sanità e IA: il medico è già sostituibile dall’intelligenza artificiale?. La risposta breve è la stessa che vale qui: supporto e sostituzione non sono sinonimi.
Il vero vantaggio dell’AI non è dare risposte, ma fare domande migliori
La gestione del diabete produce una quantità enorme di microdecisioni. È proprio qui che l’AI può avere valore: ridurre il carico cognitivo, trovare ricorrenze e trasformare dati sparsi in conversazioni più informate.
Ma il limite non è un dettaglio da aggiungere in fondo, con carattere corpo 6. Un algoritmo non conosce automaticamente la storia della persona, la sua affidabilità può cambiare fra popolazioni e dispositivi, e un errore terapeutico può avere conseguenze immediate.
GlucoFM mostra una direzione affascinante: modelli capaci di apprendere il linguaggio temporale della glicemia. La sfida, adesso, non è soltanto renderli più precisi. È validarli clinicamente, integrarli nei percorsi di cura, proteggerne i dati e spiegare chiaramente chi decide.
Perché il pancreas artificiale può diventare sempre più intelligente. La responsabilità, per fortuna, deve restare umana.
Fonti e approfondimenti
- Google Research, GlucoFM: Foundation model for continuous glucose monitoring, 26 agosto 2026.
- Li et al., GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring, arXiv, versione del 25 agosto 2026.
- American Diabetes Association, Diabetes Technology: Standards of Care in Diabetes 2026.
- Alfadli et al., Effectiveness of continuous glucose monitoring systems on glycemic control in adults with type 1 diabetes, revisione sistematica e meta-analisi, 2025.
- Nimri e Phillip, Enhancing Care in Type 1 Diabetes with Artificial Intelligence Driven Clinical Decision Support Systems, 2025.
- FDA, insulin pump and algorithm-based software for automated insulin delivery.
- World Health Organization, Diabetes fact sheet.
- NHS, screening: benefici, rischi e limiti.
Scrivimi per organizzare un evento o un corso sull’intelligenza artificiale generativa
Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.