
{"id":900003513,"date":"2026-11-16T19:33:45","date_gmt":"2026-11-16T17:33:45","guid":{"rendered":"https:\/\/neuronup.com\/it\/?p=900003513"},"modified":"2026-11-16T19:33:48","modified_gmt":"2026-11-16T17:33:48","slug":"wearables-e-intelligenza-artificiale-nella-neuroriabilitazione-il-potenziale-clinico-del-sensorfm","status":"publish","type":"post","link":"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/wearables-e-intelligenza-artificiale-nella-neuroriabilitazione-il-potenziale-clinico-del-sensorfm\/","title":{"rendered":"Dispositivi indossabili e intelligenza artificiale nella neuroriabilitazione: il potenziale clinico di SensorFM"},"content":{"rendered":"\n<p class=\"has-xl-font-size wp-block-paragraph\">Uno smartwatch pu\u00f2 anticipare i rischi per la salute? La dottoranda Marta Arbizu G\u00f3mez presenta <strong>come il modello di intelligenza artificiale SensorFM utilizza i dati dei dispositivi indossabili per analizzare i pattern fisiologici e il loro impatto sulla valutazione clinica e neuropsicologica<\/strong>.<\/p>\n\n\n\n<section class=\"wp-block-group anims-fadein-up\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-block-group-is-layout-constrained\">\n<p class=\"has-text-align-left br-0101 has-heading-color has-alt-background-color has-text-color has-background has-link-color wp-elements-1 has-xl-margin-top has-xxl-margin-bottom wp-block-paragraph\">L&#8217;integrazione dell&#8217;intelligenza artificiale e dei <strong>dispositivi indossabili sta trasformando la raccolta continua dei dati sanitari<\/strong>. Questo articolo analizza il <strong>potenziale clinico di SensorFM<\/strong>, un nuovo modello fondazionale che trasforma la registrazione di biomarcatori digitali in informazioni rilevanti per la neuroriabilitazione e la valutazione cognitiva. Scopri <strong>come il monitoraggio fisiologico passivo di variabili<\/strong> come il sonno, l&#8217;attivit\u00e0 o lo stato emotivo <strong>possa integrare l&#8217;intervento tradizionale<\/strong> e aprire nuove strade per il follow-up clinico personalizzato.<\/p>\n<\/div><\/section>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Quali informazioni si possono ricavare da un dispositivo indossabile?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Smartwatch e braccialetti intelligenti registrano continuamente informazioni sulla nostra attivit\u00e0 fisica e sul nostro funzionamento fisiologico. Nel corso della giornata possono misurare il movimento, la frequenza cardiaca, la <a href=\"https:\/\/neuronup.com\/it\/stimolazione-e-riabilitazione-cognitiva\/metodi-e-tecniche-di-intervento-terapeutico-e-psicologico\/variabilita-della-frequenza-cardiaca-e-la-sua-relazione-con-il-deterioramento-cognitivo\/\">variabilit\u00e0 della frequenza cardiaca<\/a>, la saturazione dell&#8217;ossigeno, la temperatura cutanea, l&#8217;attivit\u00e0 elettrodermica o le diverse fasi del sonno.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tuttavia, <strong>trasformare questi segnali in informazioni clinicamente utili \u00e8 ancora una sfida<\/strong>. Le misurazioni ottenute possono variare da una persona all&#8217;altra, da un dispositivo all&#8217;altro e in base al momento della giornata; inoltre, i dati presentano spesso interruzioni quando l&#8217;utente si toglie l&#8217;orologio, la batteria si scarica o un sensore smette di registrare correttamente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Inoltre, <strong>sviluppare un algoritmo diverso per ogni problema di salute richiede grandi quantit\u00e0 di dati etichettati correttamente<\/strong>, una risorsa particolarmente difficile e costosa da ottenere in ambito sanitario.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per superare questi limiti, un team di Google Research e di altre istituzioni ha sviluppato <strong>SensorFM<\/strong>, un <strong>modello fondazionale di<\/strong> <a href=\"https:\/\/neuronup.com\/it\/neuroscienze\/ia-e-neuroscienze-come-l-intelligenza-artificiale-sta-trasformando-la-stimolazione-cognitiva-e-la-neuroreabilitazione\/\"><strong>intelligenza artificiale<\/strong><\/a> <strong>addestrato per apprendere rappresentazioni generali della salute a partire dai dati provenienti da dispositivi indossabili<\/strong>. Lo studio, pubblicato come preprint, analizza se un unico modello possa sfruttare questi segnali per effettuare previsioni relative a diverse aree della salute.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Che cos&#8217;\u00e8 un modello fondazionale per i dati sanitari?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">I modelli fondazionali vengono addestrati su enormi quantit\u00e0 di informazioni, normalmente senza che sia necessario associare a ogni dato un&#8217;etichetta specifica. Durante questo processo, il <strong>modello apprende pattern generali che possono poi essere adattati a molteplici compiti<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">SensorFM segue questo approccio, ma invece di apprendere da testi o immagini, <strong>utilizza serie temporali registrate dai sensori<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il modello \u00e8 stato preaddestrato con:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Oltre <strong>un miliardo di minuti di dati<\/strong>.<\/li>\n\n\n\n<li>Informazioni provenienti da <strong>cinque milioni di persone<\/strong>.<\/li>\n\n\n\n<li>Partecipanti di oltre <strong>100 Paesi<\/strong>.<\/li>\n\n\n\n<li>Oltre <strong>20 modelli di dispositivi Fitbit e Pixel Watch<\/strong>.<\/li>\n\n\n\n<li><strong>Cinque principali tipi di sensori<\/strong>: fotopletismografia, accelerometro, temperatura cutanea, attivit\u00e0 elettrodermica e altimetro.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">A partire da questi sensori, i ricercatori <strong>hanno ricavato 34 variabili<\/strong> registrate ogni minuto, tra cui la frequenza cardiaca, diverse misure della variabilit\u00e0 cardiaca, la saturazione dell&#8217;ossigeno, i passi, la temperatura cutanea e le <a href=\"https:\/\/neuronup.com\/it\/neuroscienze\/neuroscienze-del-sonno-come-il-riposo-influenza-il-recupero-del-cervello-e-le-prestazioni-cognitive\/\">fasi del sonno<\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il modello analizzava finestre complete di 24 ore e apprendeva a ricostruire parti delle informazioni che erano state oscurate artificialmente. In questo modo, <strong>non apprendeva soltanto i valori individuali di ciascun segnale, ma anche le loro relazioni e la loro evoluzione nel corso della giornata<\/strong>.<\/p>\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<div class=\"wp-block-group br-0111 has-primary-background-color has-background has-dark-background has-sm-padding-top has-sm-padding-left has-sm-padding-right has-xxl-margin-top\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-block-group-is-layout-constrained\">\n<div class=\"wp-block-columns is-layout-flex wp-container-core-columns-is-layout-8f761849 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\">\n<figure class=\"wp-block-image size-full desktop-position-absolute desktop-bottom-0 mobile-width-50 mobile-m-inline-auto has-xl-margin-top\"><img decoding=\"async\" src=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2022\/v3\/producto-certificado.webp\" alt=\"\" class=\"wp-image-31568\"><\/figure>\n<\/div>\n\n\n\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\">\n<h2 class=\"wp-block-heading has-white-color has-text-color\"><strong>Iscriviti<\/strong> <br>alla nostra <br>Newsletter<\/h2>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button--1\" style=\"--button-outline-color:var(--color-white);--button-outline-color-hover:rgba(0,0,0,0.8);\"><a class=\"wp-block-button__link button button-outline   wp-element-button\" href=\"https:\/\/neuronup.com\/it\/newsletter\/\">Iscriviti<\/a><\/div>\n\n<\/div>\n\n\n\n<div style=\"height:40px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Che cosa volevano scoprire i ricercatori?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Lo studio si \u00e8 concentrato su <strong>tre domande principali<\/strong>:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>In primo luogo, gli autori volevano verificare se aumentare contemporaneamente la quantit\u00e0 di dati e le dimensioni del modello producesse miglioramenti prevedibili delle sue prestazioni.<\/li>\n\n\n\n<li>In secondo luogo, hanno valutato se le rappresentazioni apprese potessero essere riutilizzate per prevedere diversi aspetti della salute, anche quando erano disponibili pochi campioni etichettati.<\/li>\n\n\n\n<li>Infine, hanno analizzato se le previsioni di SensorFM potessero essere integrate in un assistente sanitario personale basato sull&#8217;<a href=\"https:\/\/neuronup.com\/it\/notizie-su-neuronup\/intelligenza-artificiale-nella-riabilitazione-cognitiva-il-futuro-della-neuropsicologia\/\">intelligenza artificiale<\/a> per generare risposte pi\u00f9 pertinenti, personalizzate e sicure.<\/li>\n<\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Per valutare il modello, <strong>hanno utilizzato informazioni indipendenti relative a 13.985 partecipanti<\/strong>, <strong>provenienti da tre studi prospettici<\/strong> incentrati sulla salute metabolica e cardiovascolare, sulla salute mentale e sul sonno.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Un unico modello per 35 compiti relativi alla salute<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">SensorFM \u00e8 stato <strong>valutato<\/strong> in 35 compiti diversi, raggruppati <strong>in sei grandi aree<\/strong>:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Salute cardiovascolare.<\/li>\n\n\n\n<li>Salute metabolica.<\/li>\n\n\n\n<li>Salute mentale.<\/li>\n\n\n\n<li>Sonno.<\/li>\n\n\n\n<li>Stile di vita.<\/li>\n\n\n\n<li>Caratteristiche demografiche e fisiologiche.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Tra le variabili analizzate figuravano il rischio cardiovascolare, l&#8217;ipertensione, il diabete, l&#8217;insulino-resistenza, i livelli di emoglobina glicata e trigliceridi, la <a href=\"https:\/\/neuronup.com\/it\/stimolazione-e-riabilitazione-cognitiva\/malattia-mentale\/strategie-pratiche-di-stimolazione-cognitiva-per-adulti-anziani-con-depressione\/\">depressione<\/a>, l&#8217;ansia, lo stress percepito e i disturbi del sonno.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il modello <strong>\u00e8 stato utilizzato anche per stimare caratteristiche quali l&#8217;et\u00e0, l&#8217;indice di massa corporea, l&#8217;altezza e il peso<\/strong>. Queste variabili non vanno necessariamente interpretate come obiettivi clinici in s\u00e9, ma come un modo per verificare quante informazioni fisiologiche e comportamentali il sistema avesse appreso.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Quali sono stati i principali risultati?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">I risultati mostrano che il <strong>modello ha appreso una rappresentazione generalizzabile della fisiologia e del comportamento<\/strong> registrati tramite dispositivi indossabili.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">SensorFM <strong>ha superato i modelli supervisionati tradizionali<\/strong> basati su variabili progettate manualmente <strong>in 34 dei 35 compiti valutati<\/strong>. In altre parole, le rappresentazioni apprese direttamente a partire da grandi quantit\u00e0 di dati si sono rivelate pi\u00f9 informative dei riepiloghi convenzionali calcolati sugli stessi segnali.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Inoltre, le <strong>prestazioni sono migliorate all&#8217;aumentare congiunto del numero di partecipanti<\/strong> utilizzati durante l&#8217;addestramento e della capacit\u00e0 del modello. La versione pi\u00f9 grande ha ottenuto i risultati migliori in 33 dei 35 compiti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Gli autori hanno inoltre osservato che i <strong>modelli di dimensioni maggiori dipendevano meno dalle informazioni demografiche aggiunte successivamente<\/strong>. Ci\u00f2 suggerisce che parte delle differenze fisiologiche associate a variabili come l&#8217;et\u00e0 o l&#8217;indice di massa corporea fosse gi\u00e0 rappresentata nei pattern registrati dai sensori.<\/p>\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Apprendere con meno dati clinici etichettati<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Uno dei risultati pi\u00f9 rilevanti \u00e8 stata la <strong>capacit\u00e0 del modello di adattarsi a nuovi compiti<\/strong> utilizzando relativamente pochi dati etichettati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nella ricerca sanitaria, ottenere informazioni continue tramite uno smartwatch \u00e8 relativamente semplice, mentre \u00e8 molto pi\u00f9 costoso disporre di diagnosi confermate, analisi del sangue o questionari clinici completi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Avendo appreso in precedenza pattern generali a partire da milioni di partecipanti, SensorFM <strong>aveva bisogno di meno esempi etichettati per sviluppare nuovi modelli predittivi<\/strong>. Questa efficienza potrebbe agevolare la ricerca su problemi di salute per i quali esistono coorti cliniche ridotte o informazioni limitate.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tuttavia, la precisione continuava ad aumentare quando si disponeva di pi\u00f9 dati etichettati, quindi il modello <strong>non elimina la necessit\u00e0 di avere campioni clinici rappresentativi e adeguatamente caratterizzati<\/strong>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">\u00c8 in grado di ricostruire i dati mancanti?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">I dati dei dispositivi indossabili sono spesso incompleti. L&#8217;utente pu\u00f2 togliersi l&#8217;orologio per una parte della giornata, un sensore pu\u00f2 disconnettersi o i segnali possono presentare errori.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>SensorFM \u00e8 stato addestrato specificamente per gestire queste informazioni mancanti<\/strong>. Nei test effettuati, ha superato i metodi di riferimento in diversi compiti di ricostruzione:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>74,8% nell&#8217;imputazione di dati rimossi casualmente.<\/li>\n\n\n\n<li>38,8% nella ricostruzione di intervalli temporali intermedi.<\/li>\n\n\n\n<li>39,6% nella previsione di intervalli situati alla fine della registrazione.<\/li>\n\n\n\n<li>83,7% quando mancavano i segnali completi di determinati sensori.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">I ricercatori hanno simulato anche la perdita di un&#8217;ora intera di dati. Dopo aver ricostruito quell&#8217;intervallo, il modello ha mantenuto una precisione del 99,7% nella stima del numero giornaliero di passi, del 99,9% nel tempo trascorso nel sonno profondo e del 99,2% nei minuti di attivit\u00e0 fisica leggera.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questa capacit\u00e0 potrebbe <strong>evitare che un&#8217;interruzione occasionale alteri i riepiloghi giornalieri<\/strong> forniti all&#8217;utente.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Agenti di intelligenza artificiale per adattare il modello<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Sebbene le rappresentazioni apprese da SensorFM potessero essere utilizzate con modelli statistici relativamente semplici, i ricercatori hanno esplorato anche una <strong>strategia automatizzata per migliorarne l&#8217;adattamento a ciascun compito<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">A tal fine hanno creato una sorta di <strong>\u201caula\u201d composta da diversi agenti basati su modelli linguistici<\/strong>. Questi agenti generavano codice, addestravano diverse soluzioni, confrontavano i risultati e modificavano progressivamente le loro proposte.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nel complesso, il sistema ha eseguito oltre <strong>30.000 esperimenti automatici<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le soluzioni individuate dagli <strong>agenti hanno migliorato le prestazioni rispetto ai modelli lineari in 16 dei 20 compiti<\/strong> di classificazione e in 12 dei 15 compiti di regressione.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questo risultato <strong>indica la possibilit\u00e0 di automatizzare parzialmente il processo<\/strong> di sviluppo dei modelli predittivi. Tuttavia, le soluzioni generate devono continuare a essere sottoposte a revisione e convalida rigorose, soprattutto quando vengono applicate a informazioni sanitarie.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Dai dati dell&#8217;orologio a un assistente sanitario personale<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">In seguito, i ricercatori hanno integrato le previsioni di SensorFM in un assistente sanitario personale basato su un modello linguistico.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;obiettivo era <strong>verificare se l&#8217;assistente potesse rispondere meglio alle domande sulla salute<\/strong> quando, oltre a conoscere i dati demografici e i riepiloghi giornalieri del dispositivo indossabile, disponeva delle stime generate da SensorFM.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Sono stati utilizzati 31 profili reali<\/strong> e sono state generate risposte <strong>in tre condizioni<\/strong>:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Dati demografici e metriche giornaliere del dispositivo indossabile.<\/li>\n\n\n\n<li>Dati demografici, metriche giornaliere e previsioni di SensorFM.<\/li>\n\n\n\n<li>Dati demografici, metriche giornaliere e valori clinici reali.<\/li>\n<\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;immagine 1 riassume il funzionamento del sistema e il disegno della valutazione. SensorFM trasforma i dati registrati dal dispositivo indossabile in previsioni sulla salute, che vengono aggiunte come contesto all&#8217;assistente prima che generi una risposta personalizzata.&nbsp;<\/p>\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image image-interface\">\n<figure class=\"aligncenter size-large\"><img decoding=\"async\" width=\"1200\" height=\"1585\" src=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica.webp\" alt=\"\" class=\"wp-image-900003512\" srcset=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica-227x300.webp 227w, https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica-768x1014.webp 768w, https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica-775x1024.webp 775w, https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica-1163x1536.webp 1163w, https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica.webp 1200w\" sizes=\"(max-width: 1200px) 100vw, 1200px\" \/><figcaption class=\"wp-element-caption\"><strong>Immagine 1.<\/strong> Integrazione di SensorFM in un assistente sanitario personale e disegno della valutazione clinica. Il sistema utilizza i dati del dispositivo indossabile per generare previsioni che vengono aggiunte come contesto al modello linguistico. Le risposte sono state valutate da professionisti sanitari in termini di contesto, pertinenza, personalizzazione, giustificazione e rischio potenziale. Immagine adattata da Narayanswamy et al. (2026).&nbsp;<\/figcaption><\/figure>\n<\/div>\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Quattro professionisti sanitari hanno valutato le risposte in base al contesto, alla pertinenza, alla personalizzazione, alla giustificazione e al rischio potenziale. In totale sono state raccolte <strong>1.860 valutazioni cliniche<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le risposte che integravano le previsioni di SensorFM erano <strong>significativamente migliori di quelle basate unicamente sui riepiloghi giornalieri<\/strong>. Inoltre, non sono state rilevate differenze statisticamente significative tra le risposte generate con le previsioni del modello e quelle che utilizzavano i valori clinici reali.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questo risultato <strong>non significa che SensorFM possa sostituire una<\/strong> <a href=\"https:\/\/neuronup.com\/it\/neuronup-assessment\/\"><strong>valutazione medica<\/strong><\/a>. Indica che <strong>le sue previsioni hanno fornito all&#8217;assistente un contesto aggiuntivo utile<\/strong> per generare risposte pi\u00f9 specifiche e coerenti.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Quali limiti presenta lo studio?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Nonostante l&#8217;ampiezza dei dati utilizzati, i <strong>risultati vanno interpretati con cautela<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In primo luogo, il lavoro \u00e8 un <strong>preprint<\/strong>, quindi non ha ancora completato il consueto processo di revisione paritaria.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il modello <strong>\u00e8 stato addestrato principalmente con dispositivi Fitbit e Pixel Watch<\/strong>. Non \u00e8 garantito che funzioni allo stesso modo con quelli di altri produttori, i cui sensori e metodi di elaborazione potrebbero essere diversi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Inoltre, <strong>sono state utilizzate variabili aggregate ogni minuto e non i segnali fisiologici originali<\/strong>. Questo consente di analizzare periodi prolungati, ma pu\u00f2 eliminare informazioni ad alta frequenza rilevanti per alcune applicazioni cliniche.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Una parte dei risultati<\/strong> utilizzati per valutare il modello <strong>proveniva da diagnosi autodichiarate, farmaci o questionari di screening<\/strong>, e non sempre da diagnosi cliniche confermate. Inoltre, la popolazione studiata differiva da quella generale: erano maggiormente rappresentate le donne e le persone che utilizzano dispositivi indossabili.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Infine, la valutazione dell&#8217;assistente sanitario personale si \u00e8 limitata a risposte statiche e a un solo turno. Una <strong>reale interazione clinica richiederebbe ulteriori domande, una revisione del contesto e un follow-up longitudinale<\/strong>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Quali implicazioni pu\u00f2 avere per la salute digitale?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Questo studio <strong>prospetta il passaggio da algoritmi creati per un singolo compito a modelli generali in grado di riutilizzare la stessa rappresentazione<\/strong> per diversi problemi di salute.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I dispositivi indossabili offrono una visione longitudinale del funzionamento quotidiano, a differenza delle misurazioni puntuali effettuate durante una visita. In combinazione con modelli adeguatamente convalidati, potrebbero aiutare a individuare cambiamenti fisiologici o comportamentali, selezionare le persone che necessitano di una valutazione pi\u00f9 approfondita e garantire un monitoraggio pi\u00f9 continuo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In neurologia e neuropsicologia, questo tipo di tecnologia <strong>potrebbe rivelarsi particolarmente interessante per studiare i cambiamenti nel sonno, nell&#8217;attivit\u00e0, nelle abitudini quotidiane, nella risposta autonomica o nello stato emotivo<\/strong>. Questi cambiamenti possono accompagnare diverse patologie neurologiche e psichiatriche, ma le previsioni ottenute tramite dispositivi indossabili non devono essere considerate diagnosi.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">In che modo pu\u00f2 contribuire NeuronUP?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Le informazioni passive ottenute tramite dispositivi indossabili <strong>possono essere integrate con valutazioni cognitive e programmi di intervento strutturati<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Piattaforme come <a href=\"https:\/\/neuronup.com\/it\/\"><strong>NeuronUP<\/strong><\/a> <strong><\/strong>consentono di valutare e allenare domini quali l&#8217;attenzione, la memoria, le <a href=\"https:\/\/neuronup.com\/it\/aree-dintervento\/funzioni-cognitive\/funzioni-esecutive\/\">funzioni esecutive<\/a>, il linguaggio o la cognizione sociale. La futura combinazione di metriche cognitive con dati longitudinali relativi al sonno, all&#8217;attivit\u00e0 e alla fisiologia potrebbe <strong>offrire una visione pi\u00f9 completa dell&#8217;evoluzione di ciascuna persona<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questa integrazione potrebbe <strong>favorire la personalizzazione degli interventi, l&#8217;individuazione dei cambiamenti funzionali e il monitoraggio della risposta al trattamento<\/strong>. A tal fine saranno necessari studi clinici specifici, modelli interpretabili e protocolli che garantiscano la privacy, l&#8217;equit\u00e0 e la sicurezza degli utenti.<\/p>\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<aside class=\"wp-block-group br-0111 particle-bg has-primary-background-color has-background has-dark-background has-sm-padding-top has-sm-padding-bottom has-sm-padding-left has-sm-padding-right\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-block-group-is-layout-constrained\">\n<div class=\"wp-block-columns are-vertically-aligned-center is-layout-flex wp-container-core-columns-is-layout-8f761849 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-vertically-aligned-center is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:66.66%\">\n<p class=\"has-white-color has-text-color has-xxl-font-size wp-block-paragraph\">Prova NeuronUP gratis per 7 giorni<\/p>\n\n\n\n<p class=\"has-white-color has-text-color wp-block-paragraph\">Potrai valutare con le nostre batterie e i nostri test, lavorare con centinaia di attivit\u00e0, progettare sedute o fare riabilitazione a distanza.<\/p>\n<\/div>\n\n\n\n<div class=\"wp-block-column is-vertically-aligned-center is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:33.33%\">\n<div class=\"wp-block-buttons is-content-justification-center is-layout-flex wp-container-core-buttons-is-layout-fe48e5de wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button\" style=\"--button-color:var(--color-primary);--button-background:var(--color-white);--button-background-hover:#e6e6e6;\"><a class=\"wp-block-button__link button     wp-element-button\" href=\"https:\/\/neuronup.com\/it\/landing-store-user\/\">Inizia la prova<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/aside>\n\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Conclusioni<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">SensorFM dimostra che l&#8217;addestramento su larga scala con dati non etichettati provenienti da dispositivi indossabili pu\u00f2 generare rappresentazioni utili in molteplici aree della salute.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il modello ha superato i metodi tradizionali nella maggior parte dei compiti analizzati, \u00e8 riuscito a ricostruire i dati mancanti e ha fornito informazioni aggiuntive a un assistente sanitario personale. Tuttavia, le sue previsioni vanno considerate strumenti potenziali per lo screening, la stratificazione del rischio e il monitoraggio, non sostituti della diagnosi clinica.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I risultati rappresentano <strong>un passo verso sistemi capaci di trasformare grandi quantit\u00e0 di dati quotidiani in informazioni personalizzate<\/strong>. La sfida ora sar\u00e0 dimostrare che questi strumenti mantengono accuratezza, sicurezza e utilit\u00e0 quando vengono applicati a popolazioni cliniche diverse e in contesti sanitari reali.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Bibliografia<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li class=\"has-sm-font-size\">Narayanswamy G, Xu MA, Heydari AA, et al. Verso un&#8217;intelligenza e un&#8217;interfaccia generali per i dati sanitari dei dispositivi indossabili. arXiv. 2026. https:\/\/doi.org\/10.48550\/arXiv.2605.22759<\/li>\n<\/ul>\n\n\n\n<div style=\"height:70px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<div class=\"wp-block-group p-4 br-0111 has-alt-background-color has-background has-light-background\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-block-group-is-layout-constrained\">\n<h2 class=\"wp-block-heading\"><strong>Domande frequenti sull&#8217;intelligenza artificiale e i dispositivi indossabili nella neuroriabilitazione<\/strong><\/h2>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<div class=\"wp-block-pb-accordion-item c-accordion__item js-accordion-item no-js\" data-initially-open=\"false\" data-click-to-close=\"true\" data-auto-close=\"true\" data-scroll=\"false\" data-scroll-offset=\"0\" id=\"trabajarneuronup\"><h3 id=\"at-9000035130\" class=\"c-accordion__title js-accordion-controller\" role=\"button\">1. Che cos&#8217;\u00e8 il modello SensorFM e come si applica alla salute digitale?<\/h3><div id=\"ac-9000035130\" class=\"c-accordion__content\">\n<p class=\"wp-block-paragraph\">SensorFM \u00e8 un modello fondazionale di intelligenza artificiale sviluppato da Google Research e da altre istituzioni, addestrato con oltre un miliardo di minuti di dati provenienti da dispositivi indossabili. Apprende pattern generali dalle biosignali per formulare previsioni applicabili a molteplici compiti sanitari, che spaziano dalla qualit\u00e0 del sonno agli indicatori di salute metabolica e mentale.<\/p>\n<\/div><\/div>\n\n\n\n<div class=\"wp-block-pb-accordion-item c-accordion__item js-accordion-item no-js\" data-initially-open=\"false\" data-click-to-close=\"true\" data-auto-close=\"true\" data-scroll=\"false\" data-scroll-offset=\"0\" id=\"trabajarneuronup\"><h3 id=\"at-9000035131\" class=\"c-accordion__title js-accordion-controller\" role=\"button\">2. Quali vantaggi offrono i biomarcatori digitali alla neuroriabilitazione?<\/h3><div id=\"ac-9000035131\" class=\"c-accordion__content\">\n<p class=\"wp-block-paragraph\">Smartwatch e braccialetti intelligenti offrono una visione longitudinale e continua del funzionamento quotidiano dell&#8217;utente, registrando metriche quali la variabilit\u00e0 della frequenza cardiaca, le fasi del sonno o l&#8217;attivit\u00e0 fisica. Questo monitoraggio passivo integra le valutazioni puntuali durante le visite, consentendo ai neuropsicologi di individuare cambiamenti sottili nelle abitudini, nella risposta autonomica o nello stato emotivo associati a diverse patologie.<\/p>\n<\/div><\/div>\n\n\n\n<div class=\"wp-block-pb-accordion-item c-accordion__item js-accordion-item no-js\" data-initially-open=\"false\" data-click-to-close=\"true\" data-auto-close=\"true\" data-scroll=\"false\" data-scroll-offset=\"0\" id=\"videosneuronup\"><h3 id=\"at-9000035132\" class=\"c-accordion__title js-accordion-controller\" role=\"button\">3. In che modo l&#8217;intelligenza artificiale risolve la perdita di dati negli smartwatch?<\/h3><div id=\"ac-9000035132\" class=\"c-accordion__content\">\n<p class=\"wp-block-paragraph\">I dati dei dispositivi indossabili presentano spesso interruzioni dovute a problemi della batteria o al fatto che l&#8217;utente si toglie il dispositivo. Modelli come SensorFM sono addestrati per ricostruire queste informazioni mancanti; nelle simulazioni in cui mancava un&#8217;ora intera di registrazione, il sistema ha mantenuto una precisione superiore al 99% nella stima del sonno profondo e dei passi giornalieri.<\/p>\n<\/div><\/div>\n\n\n\n<div class=\"wp-block-pb-accordion-item c-accordion__item js-accordion-item no-js\" data-initially-open=\"false\" data-click-to-close=\"true\" data-auto-close=\"true\" data-scroll=\"false\" data-scroll-offset=\"0\" id=\"formaciongratuita\"><h3 id=\"at-9000035133\" class=\"c-accordion__title js-accordion-controller\" role=\"button\">4. Le previsioni dei dispositivi indossabili possono sostituire la diagnosi clinica?<\/h3><div id=\"ac-9000035133\" class=\"c-accordion__content\">\n<p class=\"wp-block-paragraph\">No, le variabili stimate dai modelli fondazionali a partire dai dispositivi indossabili non costituiscono di per s\u00e9 obiettivi o diagnosi cliniche. Sono strumenti di screening e monitoraggio che forniscono un prezioso contesto aggiuntivo per personalizzare gli interventi, ma devono sempre integrarsi con valutazioni cliniche strutturate e con la supervisione di un professionista sanitario.<\/p>\n<\/div><\/div>\n<\/div><\/div>\n\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h3 class=\"wp-block-heading\">Se ti \u00e8 piaciuto questo articolo sui <strong>dispositivi indossabili e l&#8217;intelligenza artificiale nella neuroriabilitazione: il potenziale clinico di SensorFM<\/strong>, potrebbero interessarti anche questi articoli di NeuronUP:<\/h3>\n\n\n<div class=\"mai-grid entries entries-grid has-boxed has-image-full\" style=\"--entry-title-font-size:var(--font-size-lg);--align-text:start;--entry-meta-text-align:start;\"><div class=\"entries-wrap has-columns\" style=\"--columns-xs:1 \/ 1;--columns-sm:1 \/ 1;--columns-md:1 \/ 3;--columns-lg:1 \/ 3;--flex-xs:0 0 var(--flex-basis);--flex-sm:0 0 var(--flex-basis);--flex-md:0 0 var(--flex-basis);--flex-lg:0 0 var(--flex-basis);--column-gap:var(--spacing-lg);--row-gap:var(--spacing-lg);--align-columns:start;\"><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-linee-di-ricerca tag-intelligenza-artificiale tag-ricerca\" style=\"--entry-index:1;\" aria-label=\"Dispositivi indossabili e intelligenza artificiale nella neuroriabilitazione: il potenziale clinico di SensorFM\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/wearables-e-intelligenza-artificiale-nella-neuroriabilitazione-il-potenziale-clinico-del-sensorfm\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/Wearables-e-inteligencia-artificial.-Como-el-modelo-SensorFM-utiliza-datos-de-wearables-para-analizar-patrones-fisiologicos.-Impacto-en-neurorrehabilitacion-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Dispositivi indossabili e intelligenza artificiale. Come il modello SensorFM utilizza i dati dei dispositivi indossabili per analizzare i pattern fisiologici. Impatto sulla neuroriabilitazione.\" srcset=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/Wearables-e-inteligencia-artificial.-Como-el-modelo-SensorFM-utiliza-datos-de-wearables-para-analizar-patrones-fisiologicos.-Impacto-en-neurorrehabilitacion-400x300.webp 400w, https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/Wearables-e-inteligencia-artificial.-Como-el-modelo-SensorFM-utiliza-datos-de-wearables-para-analizar-patrones-fisiologicos.-Impacto-en-neurorrehabilitacion-800x600.webp 800w\" sizes=\"(max-width:599px) 599px, (min-width:600px) and (max-width: 799px) 799px, (min-width:800px) and (max-width: 999px) 333px, (min-width:1000px) 400px\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/wearables-e-intelligenza-artificiale-nella-neuroriabilitazione-il-potenziale-clinico-del-sensorfm\/\" rel=\"bookmark\">Dispositivi indossabili e intelligenza artificiale nella neuroriabilitazione: il potenziale clinico di SensorFM<\/a><\/h3>\n<\/div><\/article><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-linee-di-ricerca tag-cervello tag-ricerca\" style=\"--entry-index:2;\" aria-label=\"Formazione della fovea e visione: meccanismi e implicazioni nella degenerazione maculare legata all\u2019et\u00e0 (DMLE)\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/formazione-della-fovea-e-della-visione-meccanismi-e-implicazioni-nella-degenerazione-maculare-legata-all-eta-dmla\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/it-Modelo-propuesto-para-la-formacion-de-la-foveola-humana-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Modello proposto per la formazione della foveola umana.\" srcset=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/it-Modelo-propuesto-para-la-formacion-de-la-foveola-humana-400x300.webp 400w, https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/it-Modelo-propuesto-para-la-formacion-de-la-foveola-humana-800x600.webp 800w\" sizes=\"(max-width:599px) 599px, (min-width:600px) and (max-width: 799px) 799px, (min-width:800px) and (max-width: 999px) 333px, (min-width:1000px) 400px\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/formazione-della-fovea-e-della-visione-meccanismi-e-implicazioni-nella-degenerazione-maculare-legata-all-eta-dmla\/\" rel=\"bookmark\">Formazione della fovea e visione: meccanismi e implicazioni nella degenerazione maculare legata all\u2019et\u00e0 (DMLE)<\/a><\/h3>\n<\/div><\/article><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-linee-di-ricerca tag-malattia-di-alzheimer tag-malattie-neurodegenerative tag-parkinson tag-ricerca\" style=\"--entry-index:3;\" aria-label=\"Cosa hanno in comune Alzheimer e Parkinson? Nuovi indizi dalla trascrittomica cellulare\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/cosa-hanno-in-comune-l-alzheimer-e-il-parkinson-nuove-piste-dalla-transcriptomica-cellulare\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/it-Procesos-biologicos-compartidos-entre-alzheimer-y-parkinson-segun-el-tipo-celula-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Processi biologici condivisi da Alzheimer e Parkinson in base al tipo cellulare.\" srcset=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/it-Procesos-biologicos-compartidos-entre-alzheimer-y-parkinson-segun-el-tipo-celula-400x300.webp 400w, https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/it-Procesos-biologicos-compartidos-entre-alzheimer-y-parkinson-segun-el-tipo-celula-800x600.webp 800w\" sizes=\"(max-width:599px) 599px, (min-width:600px) and (max-width: 799px) 799px, (min-width:800px) and (max-width: 999px) 333px, (min-width:1000px) 400px\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/cosa-hanno-in-comune-l-alzheimer-e-il-parkinson-nuove-piste-dalla-transcriptomica-cellulare\/\" rel=\"bookmark\">Cosa hanno in comune Alzheimer e Parkinson? Nuovi indizi dalla trascrittomica cellulare<\/a><\/h3>\n<\/div><\/article><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-linee-di-ricerca tag-malattie-neurodegenerative tag-parkinson tag-ricerca\" style=\"--entry-index:4;\" aria-label=\"Trapianto di cellule staminali nel Parkinson: primi risultati dello studio STEM-PD\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/trapianto-di-cellule-staminali-nella-malattia-di-parkinson-primi-risultati-dello-studio-stem-pd\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/11\/terapia-celular-parkinson-pet-18f-fdopa-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Trapianto di cellule staminali nel Parkinson: primi risultati dello studio STEM-PD\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/trapianto-di-cellule-staminali-nella-malattia-di-parkinson-primi-risultati-dello-studio-stem-pd\/\" rel=\"bookmark\">Trapianto di cellule staminali nel Parkinson: primi risultati dello studio STEM-PD<\/a><\/h3>\n<\/div><\/article><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-linee-di-ricerca tag-demenza tag-ricerca\" style=\"--entry-index:5;\" aria-label=\"Dormire per depurare il cervello: il legame tra sonno, sistema glinfatico e demenza\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/dormire-per-depurare-il-cervello-il-legame-tra-sonno-sistema-glinfatico-e-demenza\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/09\/Dormir-para-limpiar-el-cerebro-el-vinculo-entre-sueno-sistema-glinfatico-y-demencia.-El-papel-del-sistema-glinfatico-y-el-sueno-NREM-en-la-eliminacion-de-amiloide-y-tau.-Implicaciones-clinicas-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Dormire per depurare il cervello: il legame tra sonno, sistema glinfatico e demenza. Il ruolo del sistema glinfatico e del sonno NREM nell\u2019eliminazione di amiloide e tau. Implicazioni cliniche.\" srcset=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/09\/Dormir-para-limpiar-el-cerebro-el-vinculo-entre-sueno-sistema-glinfatico-y-demencia.-El-papel-del-sistema-glinfatico-y-el-sueno-NREM-en-la-eliminacion-de-amiloide-y-tau.-Implicaciones-clinicas-400x300.webp 400w, https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/09\/Dormir-para-limpiar-el-cerebro-el-vinculo-entre-sueno-sistema-glinfatico-y-demencia.-El-papel-del-sistema-glinfatico-y-el-sueno-NREM-en-la-eliminacion-de-amiloide-y-tau.-Implicaciones-clinicas-800x600.webp 800w\" sizes=\"(max-width:599px) 599px, (min-width:600px) and (max-width: 799px) 799px, (min-width:800px) and (max-width: 999px) 333px, (min-width:1000px) 400px\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/dormire-per-depurare-il-cervello-il-legame-tra-sonno-sistema-glinfatico-e-demenza\/\" rel=\"bookmark\">Dormire per depurare il cervello: il legame tra sonno, sistema glinfatico e demenza<\/a><\/h3>\n<\/div><\/article><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-linee-di-ricerca tag-demenza tag-invecchiamento-normale tag-ricerca\" style=\"--entry-index:6;\" aria-label=\"DunedinPACNI: come misurare il ritmo dell\u2019invecchiamento cerebrale con una sola risonanza\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/dunedinpacni-come-misurare-il-ritmo-dell-invecchiamento-cerebrale-con-una-sola-risonanza\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/10\/it-Desarrollo-y-validacion-de-DunedinPACNI.-Articulo-de-investigacion-de-NeuronUP-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Sviluppo e validazione di DunedinPACNI. Articolo di ricerca di NeuronUP.\" srcset=\"https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/10\/it-Desarrollo-y-validacion-de-DunedinPACNI.-Articulo-de-investigacion-de-NeuronUP-400x300.webp 400w, https:\/\/neuronup.com\/it\/wp-content\/uploads\/2026\/10\/it-Desarrollo-y-validacion-de-DunedinPACNI.-Articulo-de-investigacion-de-NeuronUP-800x600.webp 800w\" sizes=\"(max-width:599px) 599px, (min-width:600px) and (max-width: 799px) 799px, (min-width:800px) and (max-width: 999px) 333px, (min-width:1000px) 400px\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/dunedinpacni-come-misurare-il-ritmo-dell-invecchiamento-cerebrale-con-una-sola-risonanza\/\" rel=\"bookmark\">DunedinPACNI: come misurare il ritmo dell\u2019invecchiamento cerebrale con una sola risonanza<\/a><\/h3>\n<\/div><\/article><\/div><\/div>","protected":false},"excerpt":{"rendered":"<p>Uno smartwatch pu\u00f2 anticipare i rischi per la salute? La dottoranda Marta Arbizu G\u00f3mez presenta come il modello di intelligenza artificiale SensorFM utilizza i dati dei dispositivi indossabili per analizzare i pattern fisiologici e il loro impatto sulla valutazione clinica e neuropsicologica. L&#8217;integrazione dell&#8217;intelligenza artificiale e dei dispositivi indossabili sta trasformando la raccolta continua dei &hellip;<\/p>\n","protected":false},"author":231,"featured_media":900003511,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_genesis_hide_title":false,"_genesis_hide_breadcrumbs":false,"_genesis_hide_singular_image":false,"_genesis_hide_footer_widgets":false,"_genesis_custom_body_class":"","_genesis_custom_post_class":"","_genesis_layout":"","footnotes":""},"categories":[452],"tags":[447,370],"class_list":["type-post","category-linee-di-ricerca","tag-intelligenza-artificiale","tag-ricerca","entry"],"acf":[],"_links":{"self":[{"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/posts\/900003513","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/users\/231"}],"replies":[{"embeddable":true,"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/comments?post=900003513"}],"version-history":[{"count":1,"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/posts\/900003513\/revisions"}],"predecessor-version":[{"id":900003518,"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/posts\/900003513\/revisions\/900003518"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/media\/900003511"}],"wp:attachment":[{"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/media?parent=900003513"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/categories?post=900003513"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/neuronup.com\/it\/wp-json\/wp\/v2\/tags?post=900003513"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}