Un digital twin non è semplicemente un modello digitale tridimensionale del paziente. La sua caratteristica distintiva è la capacità di sincronizzarsi con i dati reali, aggiornarsi durante il trattamento e utilizzare simulazioni e analisi predittive per adattare progressivamente le proprie previsioni. È questo il concetto al centro della review Advancing orthodontic care through digital twin technology, pubblicata nel 2026 su Translational Dental Research.
Gli autori hanno analizzato la letteratura pubblicata tra il 2018 e il 2025 relativa all'impiego dei gemelli digitali nella diagnosi ortodontica, nella pianificazione terapeutica, nell'analisi biomeccanica e nel monitoraggio del paziente. Si tratta di una review narrativa, scelta per sintetizzare un settore ancora emergente e caratterizzato da tecnologie e metodologie molto eterogenee.
Dal modello 3D al gemello digitale
In ortodonzia, un digital twin può integrare dati anatomici specifici del paziente, come dentizione, strutture craniofacciali e tessuti molli, insieme a parametri funzionali quali forze occlusali, dinamica dell'articolazione temporo-mandibolare e pattern di crescita. Le informazioni possono provenire da CBCT, scansioni intraorali e fotografie del volto.
Il passaggio decisivo, però, avviene quando il modello viene aggiornato nel tempo. Nuove scansioni, immagini o dati provenienti da sensori possono essere integrati durante la terapia per modificare la rappresentazione virtuale sulla base dell'evoluzione reale del paziente. È questa sincronizzazione bidirezionale che distingue un vero digital twin da un semplice modello digitale statico.
Secondo la review, tre componenti sono fondamentali: integrazione continua dei dati, simulazione biomeccanica e capacità di apprendere dalle differenze tra risultati previsti e osservati, adattando di conseguenza le raccomandazioni.
Simulare forze e movimenti prima del trattamento
Uno degli ambiti più interessanti riguarda la biomeccanica. Attraverso l'analisi agli elementi finiti, i digital twin possono simulare la distribuzione di stress e deformazioni nei denti, nell'osso e nei tessuti parodontali sottoposti alle forze ortodontiche.
Questo permette di valutare differenti configurazioni terapeutiche e di individuare aree potenzialmente a rischio prima di iniziare il trattamento. Il modello può inoltre incorporare caratteristiche individuali come proprietà del legamento parodontale, densità ossea e morfologia radicolare, contribuendo a una calibrazione delle forze maggiormente specifica per il paziente.
Le applicazioni riguardano sia gli apparecchi fissi sia gli allineatori. Nel primo caso è possibile simulare il posizionamento dei bracket, l'ingaggio degli archi e i sistemi di forza.
Nei trattamenti con allineatori, invece, il digital twin può contribuire alla definizione delle sequenze di movimento e all'identificazione dei casi nei quali siano necessari attachment o elastici.
La tecnologia può essere utilizzata anche per confrontare virtualmente strategie estrattive e non estrattive, valutandone gli effetti su profilo, overjet, overbite e forma dell'arcata.
Un trattamento che si adatta al paziente
Il digital twin modifica anche il modo di concepire il monitoraggio.
Nei workflow tradizionali, eventuali deviazioni dal piano vengono generalmente rilevate durante i controlli programmati. Un sistema basato su digital twin può invece integrare nuove scansioni o immagini durante il trattamento e confrontare continuamente il movimento reale con quello previsto.
Gli algoritmi di machine learning possono analizzare le risposte effettive dei denti e dei tessuti, aggiornare le previsioni e suggerire modifiche terapeutiche. Il trattamento diventa così potenzialmente adattivo: invece di seguire esclusivamente un piano definito all'inizio, il sistema può ricalibrarlo progressivamente sulla base dei dati raccolti. Una delle difficoltà principali riguarda l'acquisizione frequente dei dati senza ricorrere ripetutamente alla CBCT.
La review indica diverse possibilità, tra cui scansioni intraorali, fotografie, sensori incorporati nei dispositivi ortodontici e algoritmi capaci di rilevare variazioni della posizione dentale attraverso immagini successive.
Più informazioni anche per il paziente
La visualizzazione tridimensionale può avere un ruolo anche nella comunicazione. Il paziente può osservare la propria malocclusione, comprendere meglio i movimenti programmati e visualizzare la progressione del trattamento.
Le funzioni di virtual try-on consentono inoltre di simulare possibili cambiamenti della posizione delle labbra, del profilo e dell'estetica del sorriso associati a differenti opzioni terapeutiche. Secondo gli studi analizzati, questa rappresentazione può contribuire alla comprensione del trattamento e alla definizione di aspettative più realistiche.
Potenzialità elevate, ma servono più evidenze
I risultati riportati nella review sono promettenti. Uno studio ha rilevato discrepanze inferiori alla dimensione del voxel CBCT di 0,39 mm nella sovrapposizione di modelli dentali digitali. Un altro sistema basato su deep learning ha raggiunto coefficienti Dice del 94,1% per la segmentazione dei denti su CBCT, del 94,4% per l'osso e del 91,7% per le scansioni intraorali.
Gli autori sottolineano però che la superiorità clinica dei digital twin rispetto ai metodi convenzionali non è ancora dimostrata in modo definitivo.
Restano problemi legati ai costi, alla potenza di calcolo necessaria, all'integrazione tra sistemi, alla standardizzazione, alla privacy dei dati e alla validazione delle previsioni. Anche le evidenze a lungo termine sono ancora limitate: mancano dati sufficienti sulla stabilità post-trattamento, sulla soddisfazione dei pazienti e sugli esiti funzionali, così come valutazioni economiche complete.
Il digital twin si presenta quindi come una possibile evoluzione dell'ortodonzia digitale verso sistemi più dinamici e personalizzati. Il potenziale è significativo, ma la diffusione nella pratica clinica richiederà ulteriori studi prospettici, protocolli di validazione standardizzati e una maggiore integrazione tra le diverse tecnologie.
