Come apprende Longev AI: regole, dati e verifica delle previsioni
Il cuore di Longev AI si basa su regole cliniche spiegabili applicate ai valori di base dell'ospite, raccoglie coppie «trattamento → risposta» e misura in modo trasparente il margine di errore delle previsioni.
A chi è rivolta questa pagina. A chi si occupa di audit tecnico, ai medici e agli investitori, ovvero a chiunque si chieda: «si tratta di apprendimento automatico o di regole fisse?». La risposta è trasparente e verificabile direttamente sul portale.
Il nucleo è costituito da regole, ed è una scelta precisa. Ogni raccomandazione deriva da una soglia definita ed è spiegabile con una sola frase; le modifiche ai trattamenti a pagamento spettano solo al medico. In ambito medico nessuno convalida una scatola nera.
La personalizzazione parte dai valori di base. Gli avvisi non si calcolano su una «norma della popolazione», ma sulla media personale dell'ospite durante il soggiorno: un battito a riposo di 62 non significa nulla finché non si sa che per tutta la settimana è stato 54.
Due insiemi di dati. Il registro delle decisioni («valori dell'ospite → azione del medico») e il registro degli esiti («trattamenti e carico di ieri → dati rilevati dall'orologio al mattino»). Entrambi sono anonimi per progettazione ed esportabili in formato JSONL.
Previsioni sotto controllo. La piattaforma stima per il giorno successivo battito a riposo, HRV, Body Battery e punteggio del sonno attraverso tre modelli, mostrando l'errore medio di ciascuno in una tabella trasparente.
Il nostro ambito. Wellness & Lifestyle Intelligence: un supporto per lo stile di vita, non un dispositivo medico; l'ultima parola spetta sempre al medico. Aggiornato il 25.08.2026.
Regole, non una scatola nera: ecco perché
Longev AI è strutturato come un motore deterministico: la stessa notte con le stesse soglie genera sempre lo stesso prospetto. Non si tratta di un limite nascosto, ma di una precisa scelta ingegneristica basata su tre motivi.
Il primo è la firma del medico. Il foglio mattutino viene convalidato e ogni riga deve spiegare il «perché»: «frequenza a riposo di 68 rispetto alla media personale di 61: consigliamo di sostituire il trattamento più impegnativo». Se una raccomandazione non può essere giustificata da un dato numerico, il motore non la propone.
Il secondo è il quadro normativo. Un sistema che modifica le prescrizioni mediche tramite modelli opachi ricade nella categoria dei dispositivi medici e dei sistemi ad alto rischio previsti dal regolamento europeo sull'intelligenza artificiale (EU AI Act). La piattaforma rimane volutamente un supporto allo stile di vita: suggerisce, spiega e lascia la decisione al medico (quadro normativo).
Il terzo è il problema dell'avvio a freddo. Un modello che richiede addestramento senza dati è meno efficace delle regole: non ha nulla su cui basarsi in un hotel che ha appena iniziato a usare la piattaforma. Le regole funzionano fin dal primo ospite, mentre la raccolta dati per i modelli futuri si avvia già dalla prima mattina, come spiegato di seguito.
Valori di base personali invece di medie di popolazione
Quasi tutte le soglie del motore confrontano l'ospite con se stesso. La base di riferimento è la media del soggiorno: i giorni incompleti di arrivo ne restano correttamente esclusi e, prima di aver registrato almeno due giorni, gli avvisi basati sui valori di riferimento non scattano, poiché il confronto con una sola notte non avrebbe valore statistico. Il medico può estendere questo periodo di sicurezza fino a 5 giorni.
La variabilità della frequenza cardiaca (HRV, ovvero la variazione degli intervalli tra i battiti cardiaci) ha un secondo riferimento affidabile: la fascia di normalità dell'ospite, elaborata dall'algoritmo Firstbeat integrato in Garmin nell'arco di circa tre settimane. Se l'orologio, che monitora l'ospite da più tempo rispetto alla nostra base di due giorni, indica un valore «sotto la fascia», il fattore di prontezza non può risultare verde: il dato dell'orologio ha la precedenza sui calcoli interni, in modo univoco.
Dagli stessi dati si ricava la prontezza giornaliera: un punteggio da 0 a 100, equivalente al Readiness di Oura o al Recovery di WHOOP, ma basato sui dati Garmin e calibrato secondo le impostazioni stabilite dal medico dell'hotel. Il Body Battery incide per 30 punti, l'HRV e il sonno per 25 ciascuno, mentre la frequenza a riposo e il carico del giorno precedente contano per 10 punti ciascuno. Se manca un dato, non viene sostituito con una media generica: il parametro viene escluso, i pesi vengono ricalcolati e, se i dati disponibili coprono meno della metà del peso totale, la valutazione non viene emessa.
Foglio mattutino del medico: prontezza a 49 su 100 con dettaglio dei componenti; ogni voce indica il proprio valore, il riferimento di base e la motivazione×
I livelli del motore
Livello
Cosa fa
Dove viene spiegato
Input
25 metriche da orologio e bilancia Garmin, questionario iniziale, prescrizioni del medico, diario alimentare
Il sistema di gestione alberghiera (PMS) può connettere l'API Garmin Health e ricevere battito e sonno. Gli mancano però i due elementi che compongono un set di addestramento: le prescrizioni del medico e il diario alimentare. Per questo la piattaforma raccoglie due set di dati, che esistono solo dove biometria, prescrizioni e alimentazione convivono nello stesso circuito.
Il registro delle decisioni — «valori dell'ospite → azione del medico». Ogni intervento clinico nel pannello viene salvato con un'istantanea anonima dell'ospite in quel momento: età, sesso, giorno di soggiorno, valori notturni, medie personali, segnalazioni. Già oggi funge da suggeritore: il medico vede come la struttura ha agito di fronte a valori analoghi.
Il registro degli esiti — «esposizione → risposta». Ogni mattina monitorata, la piattaforma registra automaticamente una coppia di dati: i trattamenti e il carico del giorno precedente (compresi una cena dopo le 20:00 e i bicchieri della cura idropinica) insieme a quanto rilevato dall'orologio al mattino — frequenza a riposo e HRV rispetto al valore di base personale, sonno, Body Battery, prontezza, segnalazioni.
Anonimato e cancellazione. Le righe non contengono nomi né date di nascita; la revoca del consenso ai dati sanitari elimina anche le coppie dell'ospite — il set di dati ne esce più integro, non più povero. L'esportazione avviene in formato JSONL dal pannello di amministrazione.
Osservazione, non causalità. In base alle coppie accumulate, il pannello mostra le medie «con / senza il fattore»: trattamenti termici il giorno prima, un trattamento impegnativo, carico superiore del 50% rispetto al valore di base, cena tardiva. Il confronto viene mostrato solo a partire da 5 coppie per lato ed è etichettato come osservazione: una singola mattina ha troppe variabili perché una differenza tra medie possa essere definita causa.
Verifica delle previsioni: un margine di errore al posto delle promesse
La frase «la piattaforma diventa più precisa» deve poter essere quantificata durante una verifica. Per questo nel pannello di amministrazione è presente la verifica delle previsioni: sull'intero storico accumulato, la piattaforma stima retroattivamente ogni mattina — battito a riposo, HRV, Body Battery e punteggio del sonno — calcolando l'errore assoluto medio (MAE), ovvero lo scostamento medio della stima in unità.
Il calcolo è di tipo walk-forward — «procedendo solo in avanti»: la stima per la mattina si basa rigorosamente sui giorni precedenti, e persino il coefficiente di carico si perfeziona solo sulle coppie già registrate fino a quel momento. Sbirciare nel futuro per aggiustare il risultato è impossibile per progettazione.
Modello
Come calcola la stima
Perché è nella tabella
«Come ieri»
domani ci sarà lo stesso valore di oggi
soglia di riferimento elementare: un modello che non la supera non può essere definito tale
«Valore di base personale»
la media dell'ospite durante il soggiorno — la stessa indicata nel foglio mattutino
mostra il reale valore della sola personalizzazione
«Valore di base + carico»
il valore di base personale corretto per il sovraccarico di ieri; il coefficiente si attiva dopo 8 coppie accumulate
il primo elemento che apprende — e il suo contributo è visibile separatamente
La tabella è pensata appositamente per mostrare anche i dati sfavorevoli: su uno storico limitato, l'approccio elementare «come ieri» supera spesso le correzioni — ed è un risultato corretto, non un'anomalia. Il criterio di riferimento per i modelli futuri è fissato da questa stessa tabella: un modello entra nella piattaforma solo quando supera stabilmente quello elementare sui dati dell'hotel, non quando sembra promettente sulla carta.
Tabella di marcia
Adesso. Regole basate sui valori di riferimento individuali; i registri delle decisioni e degli esiti crescono da soli; l'errore di previsione si misura premendo un pulsante.
In seguito. Modelli predittivi sul registro degli esiti, non appena le coppie saranno sufficienti a superare con costanza la soglia di riferimento elementare della tabella sopra. Fino ad allora, nessuna parola «smart» in vetrina.
Sempre. La prescrizione automatica rimane solo una bozza firmata dal medico: funziona già così la nota del mattino e funzionerà così il suggeritore dei trattamenti basato sul registro delle decisioni.
Domande frequenti
Si tratta di machine learning o di regole fisse? Il nucleo è costituito da regole spiegabili basate sui valori di riferimento dell'ospite. Gli elementi che apprendono esistono già — il coefficiente di carico nella previsione e la ricerca di casi simili nel registro delle decisioni —, mentre i modelli completi arriveranno con il registro degli esiti, e la loro qualità viene già misurata dalla tabella degli errori.
Perché non una rete neurale? Perché il piano viene firmato da un medico e la spiegabilità è un requisito clinico, non una preferenza; perché il regolamento EU AI Act valuta le raccomandazioni sanitarie opache in modo molto più severo rispetto alle regole; e perché i modelli senza dati sono peggiori delle regole, e la piattaforma sta ancora raccogliendo dati.
Cosa impedisce a un normale PMS di fare lo stesso? La Garmin Health API trasmette i dati biometrici, ma non le prescrizioni del medico né il diario alimentare. La coppia «esposizione → risposta» si forma solo dove tutti e tre i flussi risiedono nello stesso circuito, e questo set di dati rimane di proprietà dell'hotel.
Dove si può vedere tutto questo? Nel pannello: Impostazioni → Assistente — le schede di entrambi i registri, le osservazioni sui fattori, il pulsante di verifica della previsione e l'esportazione JSONL (la schermata di amministrazione).
La piattaforma presuppone un rapporto di causalità? No. Le medie «con il fattore / senza» sono contrassegnate come osservazioni; le conclusioni causali richiedono volumi e un disegno di studio che un singolo hotel non possiede, e una pagina trasparente lo dichiara apertamente.
