🎧 Ascolta il podcast dell’articolo

Digital twin in cardiologia: un innovativo assistente virtuale per la prevenzione

Il Digital Twin (DT) è la rappresentazione del cuore di un paziente come un vero e proprio sistema dinamico in grado di aggiornarsi costantemente con nuove osservazioni che comprendono immagini, segnali, dati clinici e, sempre più spesso, flussi provenienti da dispositivi wearable.

In altre parole, il DT non è un sistema statico, bensì un sistema evolutivo che integra in modo continuo informazioni reali e modelli predittivi. Grazie a questo processo, fornisce una rappresentazione personalizzata del cuore umano in costante evoluzione.

L’obiettivo perseguito dai suoi progettisti non è meramente descrittivo. Il DT, infatti,  consente di simulare scenari ex ante, testando in silico l’effetto di interventi diagnostici e terapeutici. Di più, permette di quantificare l’incertezza associata alle diverse scelte cliniche, contribuendo così a decisioni più consapevoli e tempestive.

Inoltre, dal punto di vista scientifico, la letteratura evidenzia come la combinazione di modelli meccanicistici multiscala, quali ad esempio elettrofisiologia, meccanica e fluidodinamica, con metodi statistici e di intelligenza artificiale offra un equilibrio virtuoso, consentedo di fatto di mantenere la coerenza fisiopatologica e, al contempo, di introdurre adattività ai dati (Corral-Acero et al., 2020; Trayanova, 2024).

Va comunque subito evidenziato che il DT non sostituisce il giudizio clinico, ma lo rende più esplicito, misurabile e discutibile. In questo modo favorisce un processo decisionale più trasparente, in linea con i principi ispiratori della medicina di precisione.

Programmi europei

Sul piano delle politiche della ricerca e dell’innovazione, l’Unione Europea ha promosso una visione integrata attraverso programmi come EDITH e Virtual Human Twins. In particolare, tali iniziative riflettono l’obiettivo di creare sinergie tra i diversi centri di competenza europei, favorendo una governance coordinata della ricerca digitale in ambito sanitario.
Queste iniziative, infatti, mirano a creare infrastrutture federate, repository condivisi e buone pratiche comuni per lo sviluppo dei gemelli digitali della salute.

Parallelamente, e in continuità con questa strategia europea, diversi progetti dedicati al device testing e alle tecnico in silico trials hanno dimostrato l’efficacia di pipeline riproducibili e verificabili.
Grazie a ciò, oggi è possibile supportare la progettazione preclinica di soluzioni cardiovascolari e, allo stesso tempo, consolidare procedure di validazione condivise con le autorità regolatorie.
In sintesi, queste esperienze dimostrano come la cooperazione scientifica europea possa accelerare l’adozione clinica di strumenti digitali affidabili e trasparenti.

Origini del concetto e prime implementazioni

L’idea del DT in cardiologia si sviluppa progressivamente nell’ambito del Virtual Physiological Human Institute, un’organizzazione internazionale impegnata nell’integrazione di modelli d’organo e di sistema in rappresentazioni coerenti della fisiologia umana. Tali modelli possono essere utilizzati sia nella ricerca, sia nella pratica clinica, favorendo un approccio predittivo e più personalizzato.

Un passaggio emblematico di questa evoluzione è rappresentato dal Living Heart Project, iniziativa che ha reso disponibile un simulatore elettro-meccanico a quattro camere capace di sostenere non solo attività di ricerca, ma anche processi di co-progettazione e valutazione di dispositivi medici.
Successivamente, i risultati ottenuti hanno dimostrato come un “cuore virtuale” integrato potesse fungere da piattaforma di studio per la funzione cardiaca e le interazioni con protesi e terapie.
Di conseguenza, il progetto ha agito come un vero catalizzatore culturale e metodologico, spianando la strada al concetto di digital evidence e aprendo nuove prospettive per la cardiologia computazionale.

Da evidenziare che parallelamente l’elettrofisiologia computazionale ha introdotto approcci paziente-specifici per comprendere e trattare aritmie complesse. Tra questi approcci, il lavoro di Boyle sulla pianificazione personalizzata dell’ablazione nella fibrillazione atriale persistente. In questo caso, pur senza usare il lessico “digital twin”, si adotta la logica di un modello individualizzato che guida scelte procedurali.

Negli anni successivi, review e position paper hanno consolidato i progressi, mostrando un percorso che dall’atrio si è esteso ai ventricoli, con l’obiettivo di predire substrati e circuiti di tachicardia, selezionando a priori le strategie di ablazione più promettenti (Trayanova, 2024; Bhagirath et al., 2024).

Inoltre, nell’ambito della cardiopatia ischemica, la fisiologia coronarica virtuale ha rappresentato uno dei primi esempi ampiamente validati e già applicati nella pratica clinica di valutazione personalizzata del flusso sanguigno e della funzionalità delle arterie coronarie, ottenuta attraverso modelli di simulazione computazionale.

Il National Institute for Health and Care Excellence (NICE) del Regno Unito ne ha riconosciuto il valore clinico ed economico, inserendolo nelle proprie linee guida pubblicate nel 2017 e successivamente aggiornate nel 2021, a conferma della sua efficacia nel migliorare l’appropriatezza diagnostica e l’efficienza dei percorsi coronarici.

Dal dato al DT

Il DT cardiaco è il prodotto di un processo che coniuga acquisizione, modellazione e validazione. L’iter tipico parte dall’imaging (CCTA o MRI) e dalla segmentazione delle camere e dei vasi, prosegue con la definizione dell’architettura delle fibre e l’annotazione di cicatrici/fibrosi, quindi calibra i parametri su segnali clinici (ECG, Holter, mappaggi).

A livello modellistico e di simulazione, l’elettrofisiologia è descritta da equazioni di reazione-diffusione accoppiate a modelli ionici; la meccanica da leggi costitutive anisotrope; la fluidodinamica da schemi CFD. L’accoppiamento elettro-meccanico e, ove necessario, emodinamico, consente valutazioni integrate in context of use specifici.

Le pipeline moderne sono ibride e integrano IA per accelerare segmentazione, inferenza di parametri iniziali e costruzione di surrogates utili a esplorazioni rapide, mantenendo struttura meccanicistica ed explainability.

Un elemento trasversale, decisivo per l’adozione, è la credibilità del modello. Secondo ASME V&V 40 e la guida FDA (2023), essa si dimostra con un credibility plan proporzionato al rischio decisionale, che chiarisca contesto d’uso, verifiche numeriche, validazioni contro dati indipendenti e quantificazione dell’incertezza.

Evidenze scientifiche e stato dell’arte

Le evidenze in elettrofisiologia indicano che gemelli personalizzati possono riprodurre la propagazione elettrica e identificare substrati critici in aritmie ventricolari e atriali, offrendo un vantaggio nella pianificazione di ablazioni mirate. I segnali sono incoraggianti, pur richiedendo trial comparativi su hard endpoints per consolidare l’impatto clinico (Trayanova, 2024; Bhagirath et al., 2024).

In coronaropatia, l’esperienza FFR-CT dimostra che una misura simulata può integrarsi stabilmente nel percorso diagnostico, migliorando appropriatezza e costi (NICE, 2017/2021). Inoltre, nel device testing, ambienti in silico europei hanno standardizzato procedure e criteri, favorendo il riconoscimento regolatorio della digital evidence.

Adozione del DT: molte le dimensioni da valutare

Sul piano economico-organizzativo, l’introduzione dei gemelli digitali deve essere sottoposta a una valutazione sistematica che metta in relazione benefici clinici attesi, costi di implementazione e ricadute sui processi assistenziali, utilizzando i metodi propri della Health Technology Assessment (HTA), così da supportare decisioni di adozione informate e sostenibili.

L’esperienza del Servizio Sanitario Nazionale del Regno Unito (NHS) indica che l’impiego della riserva frazionale di flusso calcolata su tomografia computerizzata coronarica (FFR-CT) consente risparmi per paziente e migliora l’appropriatezza nell’invio alle procedure invasive. In elettrofisiologia (EP) i benefici attesi comprendono tempi procedurali più brevi e minori rientri ospedalieri; tali vantaggi richiedono tuttavia conferma mediante studi pragmatici condotti nella pratica clinica.

In prospettiva etica, il gemello digitale esige un impianto di tutele particolarmente rigoroso in materia di protezione dei dati personali, consenso informato (preferibilmente in forma dinamica e aggiornabile), spiegabilità dei modelli e garanzia di equità nell’accesso e nelle performance. L’AI Act colloca infatti i sistemi di intelligenza artificiale utilizzati in ambito clinico tra quelli “ad alto rischio” e richiede l’adozione di misure di gestione del rischio, di una solida governance dei dati, di requisiti di robustezza e di una supervisione umana effettiva; tali obblighi risultano applicabili anche ai gemelli digitali ibridi quando sono impiegati come software as a medical device. In parallelo, la riflessione regolatoria europea – anche in sede EMA – è orientata verso un modello autenticamente human-centric, capace di tenere insieme innovazione, sicurezza del paziente e responsabilità degli attori coinvolti.

Formazione e alfabetizzazione avanzata

Un ulteriore aspetto imprescindibile riguarda la formazione degli addetti ai lavori. La dimensione formativa è, infatti, strategica perché il gemello digitale introduce nel percorso clinico strumenti di modellistica e simulazione che non possono essere utilizzati in modo “black box”. Per questo i curricula di cardiologi, ingegneri clinici, tecnici di fisiopatologia cardiocircolatoria e operatori ICT in sanità dovrebbero includere almeno: basi di modellazione fisiologica, principi di verifica e validazione (V&V), gestione e comunicazione dell’incertezza, oltre alla capacità di leggere e contestualizzare i report generati dai DT.

Figure “ponte” clinico-tecnologiche

Questa alfabetizzazione avanzata è ciò che consente di far emergere figure “ponte” clinico-tecnologiche, in grado di tradurre i fabbisogni assistenziali in specifiche computazionali, di dialogare con sviluppatori e data scientist e di orchestrare team realmente multidisciplinari lungo l’intero ciclo di vita della soluzione digitale. Senza queste competenze intermedie, il rischio è che il DT resti un prodotto tecnologico poco integrato nei workflow clinici.

Quadro regolatorio e standard

Su questo terreno si innesta coerentemente il livello regolatorio: standard come l’ASME V&V 40 offrono il lessico e il metodo per pianificare e documentare la credibilità dei modelli, mentre la guida FDA 2023 ne rende più concreta l’applicazione nelle sottomissioni dei software medico-diagnostici. In Europa, l’entrata in vigore progressiva dell’AI Act e il raccordo con MDR/IVDR vanno nella stessa direzione: definire requisiti di sicurezza, tracciabilità, vigilanza e post-market monitoring anche per gemelli digitali ibridi o integrati in software as a medical device, così da rendere valutabili e auditabili le scelte modellistiche.

Dimensione sociale e partecipazione

Questo quadro tecnico-formativo e regolatorio ha senso solo se è accompagnato da una prospettiva sociale: l’impatto dei DT dipenderà dalla loro capacità di essere inclusivi e rappresentativi delle diverse popolazioni di pazienti. Perciò la partecipazione di pazienti, caregiver e associazioni alla definizione dei casi d’uso, delle metriche di esito e dei criteri di successo clinico è decisiva per garantire pertinenza, accettabilità e, in ultima analisi, adozione reale del gemello digitale.

Tendenze

Tre linee guideranno il prossimo ciclo di innovazione. La prima è la convergenza fra DT e dispositivi wearable, che abilita allerta precoce e gestione dinamica attraverso flussi continui di dati.

La seconda, concerne l’integrazione multi-organo , ad esempio cuore-rene o cuore-polmone, per rappresentare interazioni patologiche complesse e valutare implicazioni sistemiche di interventi locali.

Infine, la terza è l’uso di surrogate models basati su IA per ridurre tempi computazionali e abilitare simulazioni near real-time in ambito clinico, mantenendo interpretabilità e coerenza fisiopatologica.

Implicazioni cliniche e prospettive

In elettrofisiologia, la pianificazione supportata da DT è candidata a diventare standard nei centri ad alto volume, con attese di riduzione dei tempi di mappaggio, maggiore precisione dei target e potenziale diminuzione delle recidive. In coronaropatia, la naturale evoluzione della FFR-CT è l’integrazione con punteggi di rischio per stimare il beneficio individuale della rivascolarizzazione e supportare uno stent planning personalizzato, anche tramite scenari “what-if” post-stenting. Nell’area strutturale, DT emodinamici possono affinare sizing e device-patient matching in TAVI e riparazioni mitraliche, riducendo complicanze correlate a scelta e posizionamento.

Nella gestione cronica e nella prevenzione, i DT “leggeri” possono servire come sistemi di previsione dinamica collegati a riabilitazione, aderenza terapeutica e coaching comportamentale.

Tuttavia, la loro efficacia richiederà metriche di outcome allargate che includano aderenza, uso di risorse, soddisfazione del paziente e riduzione del carico per i caregiver. In termini di rimborso e adozione, saranno decisivi trial pragmatici e valutazioni HTA in contesti reali, sostenuti da piani di evidenza e sorveglianza post-market coerenti con AI Act e standard V&V.

Conclusione: innovazione e interdisciplinarità nella prevenzione cardiovascolare

I DT rappresentano un nuovo modo di pensare la medicina cardiovascolare, spostando l’attenzione dall’osservazione dell’evento alla sua anticipazione tramite scenari controfattuali testati in silico. La loro forza è intrinsecamente interdisciplinare: cardiologia, ingegneria, scienze computazionali ed etica concorrono a trasformare dati in conoscenza azionabile.

In prevenzione, ciò si traduce in traiettorie di rischio dinamiche, interventi tempestivi e percorsi personalizzati. Perché la promessa diventi pratica, servono modelli credibili e trasparenti, formazione congiunta, governance dei dati centrata sulla persona e un quadro regolatorio chiaro. L’innovazione, così intesa, non è uno slogan, ma un patto metodologico per ridurre il carico globale delle malattie cardiovascolari.

Bibliografia essenziale

• (2018). V&V 40–2018: Assessing Credibility of Computational Modeling and Simulation—Application to Medical Devices. American Society of Mechanical Engineers.
• Baillargeon, B., Rebelo, N., Fox, D. D., Taylor, R. L., & Kuhl, E. (2014). The Living Heart Project: A robust and integrative simulator for human heart. International Journal for Numerical Methods in Biomedical Engineering. https://doi.org/10.1002/cnm.2673
• Baillargeon, B., et al. (2015). Human Cardiac Function Simulator for the Optimal Design of Devices and Therapies. Biomechanics and Modeling in Mechanobiology, 14(5), 1007–1029. https://doi.org/10.1007/s10237-015-0661-5
• Bhagirath, P., et al. (2024). From bits to bedside: entering the age of digital twins in cardiac electrophysiology. Europace, 26(12), euae295. https://doi.org/10.1093/europace/euae295
• Boyle, P. M., Zghaib, T., Zahid, S., et al. (2019). Computationally guided personalized targeted ablation of persistent atrial fibrillation. Nature Biomedical Engineering, 3(11), 870–879. https://doi.org/10.1038/s41551-019-0437-9
• Corral-Acero, J., et al. (2020). The “Digital Twin” to enable the vision of precision cardiology. European Heart Journal, 41(48), 4556–4564. https://doi.org/10.1093/eurheartj/ehaa159
• (2023). Reflection paper on the use of Artificial Intelligence (AI) in the medicinal product lifecycle. European Medicines Agency.
• (2023). Assessing the Credibility of Computational Modeling and Simulation in Medical Device Submissions. U.S. Food and Drug Administration.
  Mittal, T. K., et al. (2023). The Use and Efficacy of FFR-CT: Real-World Multicenter Experience. JACC: Cardiovascular Imaging, 16(12), 1919–1931. https://doi.org/10.1016/j.jcmg.2023.02.005
• (2017; 2021 review). MTG32: HeartFlow FFRCT for estimating fractional flow reserve from coronary CT angiography. National Institute for Health and Care Excellence.
• Sel, K., et al. (2024). Building digital twins for cardiovascular health. Journal of the American Heart Association, 13(7), e031981. https://doi.org/10.1161/JAHA.123.031981
• Trayanova, N. A. (2023). Up Digital and Personal: How Heart Digital Twins Can Transform Patient Care. Heart Rhythm O2, 4(1), 1–9. https://doi.org/10.1016/j.hroo.2023.11.001
• Trayanova, N. A. (2024). Computational modeling of cardiac electrophysiology and arrhythmias. Physiological Reviews, 104(2), 567–621. https://doi.org/10.1152/physrev.00017.2023
• Ugurlu, D., et al. (2025). Cardiac digital twins at scale from MRI: Open tools and resources. PLOS ONE. https://doi.org/10.1371/journal.pone.0327158
• Waight, M. C., et al. (2025). Personalized Heart Digital Twins Detect Substrate for Ventricular Tachycardia. Circulation. https://doi.org/10.1161/CIRCULATIONAHA.124.070526
• van Kolfschooten, H., et al. (2024). The EU Artificial Intelligence Act (2024): Implications for health. Health Policy. https://doi.org/10.1016/j.healthpol.2024.06.012

🧑‍🎓Segui la lezione su Youtube