PENSAI Glucosio: governance dei dati e giudizio sospeso

2. Cosa fanno già le piattaforme CGM

Le piattaforme di monitoraggio continuo sono ormai mature. Calcolano il tempo in range (TIR), con le relative soglie di tempo sopra e sotto l’intervallo, e il coefficiente di variazione. Producono profili glicemici giornalieri sovrapposti, individuano pattern ricorrenti, per esempio iperglicemie postprandiali o ipoglicemie notturne, e confrontano il periodo corrente con una baseline. Le metriche e i target di riferimento vengono dal consenso internazionale sul tempo in range^[1]; il report standardizzato che le riunisce, l’Ambulatory Glucose Profile, è stato proposto da un panel di esperti nel 2013^[2].

Su questo terreno non c’è nulla da rivendicare. Sono metriche consolidate, standardizzate e disponibili da anni. Presentare PENSAI Glucosio come «una nuova app per il diabete» significherebbe collocarlo esattamente dove la concorrenza è più forte e dove la novità è più difficile da dimostrare.

3. Cosa introduce PENSAI

PENSAI Glucosio sposta l’attenzione da cosa si calcola a quando si è autorizzati a calcolare. Il flusso è esplicito e ordinato:

validazione → contesto → parametri verificati → analisi → incertezza → stato

Prima dell’analisi, il sistema controlla che i dati siano utilizzabili. Poi verifica che il contesto necessario sia presente. Solo con parametri verificati si procede al calcolo. Al termine, il risultato non è un numero isolato: porta con sé una misura della propria incertezza e uno stato che dichiara se può essere considerato valido, parziale o non determinabile.

Non tutti questi passaggi sono nuovi. Il controllo di sufficienza dei dati è già raccomandato dagli standard^[1][3]. Ciò che PENSAI propone è di trasformarlo, insieme a contesto e parametri, in condizione vincolante dell’intera sequenza.

In questo schema l’analisi è un passaggio intermedio, subordinato a quelli che la precedono.

4. La regola decisiva: sospendere il giudizio

Se una condizione necessaria non è verificabile, il sistema non completa il vuoto. Sospende il giudizio.

Un software può, davanti a un’informazione mancante, sostituirla con un’assunzione: un valore predefinito, un’interpolazione, una stima plausibile. È una scelta comoda, perché il risultato arriva sempre. PENSAI rifiuta questa scorciatoia. Un’assenza non diventa un dato e un’ipotesi non diventa un fatto.

Si può obiettare che un risultato mancante sia meno utile di uno approssimato. In ambito sanitario vale però il ragionamento opposto: un risultato che sembra solido e non lo è, è peggio di un’esplicita dichiarazione di non poter concludere. Il secondo caso informa chi legge, il primo lo induce in errore.

5. Perché non è «un algoritmo innovativo»

Dire di avere «un algoritmo innovativo» è un’affermazione sul come si calcola, e di solito non è verificabile dall’esterno. La proposta di PENSAI è di natura diversa: riguarda le regole di ammissibilità del risultato. Sono regole che si possono enunciare, ispezionare e testare: dato un input incompleto, il sistema deve produrre uno stato di sospensione e non un numero.

Questa differenza rende la tesi più onesta e più falsificabile. Non si chiede al lettore di fidarsi di un’analisi migliore, ma di verificare che certe condizioni vengano effettivamente imposte e rispettate.

6. Stato della ricerca

Qui serve cautela. Singoli elementi di questa architettura esistono già nello stato dell’arte: il controllo della qualità dei dati, la quantificazione dell’incertezza, i sistemi che si astengono dal rispondere quando la confidenza è bassa, l’attenzione al contesto clinico. Nessuno di questi è un’invenzione di PENSAI. La predizione con opzione di rifiuto esiste da circa sessant’anni nel machine learning^[4], è stata applicata alla decisione biomedica^[5][6] e ricompare in proposte recenti di «strati di governance dell’incertezza» per sistemi clinici^[7].

Quest’ultimo riferimento è il più vicino anche nel lessico: un preprint che combina stima dell’incertezza, calibrazione e un gate di astensione che rinvia i casi a bassa confidenza alla revisione umana. Dall’abstract, però, lavora su predittori clinici basati su modelli linguistici e su logica probabilistica, non su dati CGM né su condizioni di ammissibilità deterministiche. Il confronto va fatto sul testo completo. In questa ricerca preliminare non è emersa una fonte che unisca validazione dei dati CGM e sospensione deterministica del giudizio, ma l’assenza di risultati non prova che non esista.

Quello che resta da verificare è la combinazione metodologica: una sequenza deterministica in cui validazione, contesto, parametri, analisi e incertezza sono vincolati l’uno all’altro, con la sospensione del giudizio come esito legittimo e non come errore. Se esista già qualcosa di equivalente può stabilirlo solo un confronto sistematico con la letteratura e con i prodotti esistenti. Finché quel confronto non è fatto, la novità va trattata come ipotesi, non come dato acquisito.

7. Conclusione

Se la verifica comparativa lo confermerà, l’innovazione di PENSAI Glucosio non starà nell’analisi glicemica, che è la parte più standard del percorso. Starà nella governance deterministica dell’evidenza: nell’idea che un software debba dimostrare di avere il diritto di concludere prima di concludere, e che il suo risultato più onesto, in certi casi, sia fermarsi.

Riferimenti

1. 1. Battelino T. et al., Clinical Targets for Continuous Glucose Monitoring Data Interpretation: Recommendations From the International Consensus on Time in Range, Diabetes Care, 2019. pmc.ncbi.nlm.nih.gov/articles/PMC6973648
   2. Bergenstal R.M. et al., Recommendations for standardizing glucose reporting and analysis to optimize clinical decision making in diabetes: the Ambulatory Glucose Profile (AGP), Diabetes Technology & Therapeutics, 2013;15(3):198-211. DOI 10.1089/dia.2013.0051

1. 1. Consenso di esperti sull’interpretazione dei dati CGM (soglia minima del 70% di utilizzo su 14 giorni), 2025. DOI 10.1186/s13098-025-01702-y
   2. Geifman Y., El-Yaniv R., Selective Classification for Deep Neural Networks, NeurIPS, 2017. arXiv:1705.08500

1. Machine learning with asymmetric abstention for biomedical decision-making, BMC Medical Informatics and Decision Making, 2021;21:294. pmc.ncbi.nlm.nih.gov/articles/PMC8549182
2. Uncertainty-aware abstention in medical diagnosis based on medical texts, arXiv:2502.18050. arxiv.org/abs/2502.18050
3. MedBayes-Lite: A Clinical Uncertainty Governance Layer for Risk-Aware Medical Decision Support, preprint, arXiv:2511.16625. arxiv.org/abs/2511.16625