In Silico Medicine and Simulation

1. Conoscenza e comprensione

Al termine dell’insegnamento lo studente sarà in grado di descrivere i principi fondamentali della medicina in

silico e della simulazione computazionale applicata ai sistemi biomedici; distinguere le principali classi di

modelli predittivi, incluse le formulazioni basate su equazioni differenziali ordinarie e alle derivate parziali, i

modelli agent-based, i modelli multiscala e gli approcci ibridi; spiegare i concetti di Virtual Patient, Digital

Twin e In Silico Trial; illustrare le principali fasi dello sviluppo e della valutazione di un modello

computazionale, comprendenti modellazione concettuale, parametrizzazione, calibrazione, analisi di

sensibilità, quantificazione dell’incertezza, verifica, validazione e valutazione della credibilità. Lo studente

comprenderà inoltre il ruolo dei modelli computazionali nella ricerca biomedica, nello sviluppo di farmaci e

vaccini, nella medicina personalizzata e nei processi di valutazione regolatoria.

2. Capacità di applicare conoscenza e comprensione

Lo studente sarà in grado di analizzare un problema biomedico e tradurlo in un appropriato problema di

modellazione; definire un modello concettuale; individuare il paradigma di modellazione più adeguato e i

dati necessari alla sua implementazione; interpretare criticamente i risultati delle simulazioni; identificare le

principali fonti di incertezza; proporre appropriate strategie di verifica, validazione e valutazione della

credibilità. Mediante esercitazioni, analisi di casi studio e lo sviluppo di un progetto, lo studente applicherà

le conoscenze acquisite a problemi rappresentativi della medicina in silico.

3. Autonomia di giudizio

Attraverso l’analisi di casi studio, articoli scientifici e modelli computazionali e mediante lo sviluppo del

progetto, lo studente sarà in grado di analizzare criticamente le assunzioni, i punti di forza, i limiti e le fonti

di incertezza di un approccio di modellazione; confrontare strategie alternative; valutare l’adeguatezza delle

evidenze di verifica e validazione rispetto al contesto d’uso del modello; formulare e motivare un giudizio

sulla credibilità e sull’applicabilità di un modello in ambito scientifico, clinico, industriale o regolatorio.

4. Abilità comunicative

Lo studente sarà in grado di presentare e discutere in modo chiaro e scientificamente rigoroso il problema

affrontato, il razionale metodologico, la struttura, i risultati e i limiti del proprio progetto, utilizzando un

linguaggio scientifico e tecnico appropriato. Lo sviluppo e la presentazione del progetto contribuiranno alla

capacità di comunicare problematiche interdisciplinari a interlocutori con competenze informatiche,

matematiche, biomediche e regolatorie.

5. Capacità di apprendimento

Lo studente sarà in grado di reperire e analizzare autonomamente letteratura scientifica e documentazione

tecnica relativa alla medicina in silico, selezionare le fonti necessarie allo sviluppo del progetto,

approfondire nuovi paradigmi di modellazione e aggiornare le proprie conoscenze sull’evoluzione delle

metodologie computazionali, dei Digital Twins e degli approcci di valutazione della credibilità.

L’insegnamento prevede lezioni frontali dedicate alla presentazione dei principi teorici e metodologici della

medicina in silico e della modellazione computazionale, integrate da esercitazioni guidate, analisi e

discussione di casi studio, articoli scientifici e applicazioni rappresentative in ambito biomedico, clinico,

industriale e regolatorio.

Una componente centrale dell’insegnamento è costituita dallo sviluppo, individuale o in gruppo, di un

progetto relativo a un problema nell’ambito della medicina in silico. Le attività didattiche guideranno

progressivamente lo studente nell’identificazione del problema, nella definizione del modello concettuale,

nella scelta dell’approccio metodologico, nell’individuazione dei dati necessari e nella valutazione critica

delle strategie di verifica, validazione e credibility assessment.

Le lezioni frontali concorrono principalmente allo sviluppo della conoscenza e comprensione; le

esercitazioni, i casi studio e l’attività progettuale sono finalizzati allo sviluppo della capacità di applicare le

conoscenze, dell’autonomia di giudizio, delle capacità di problem solving, di apprendimento autonomo e

delle abilità comunicative previste dai risultati di apprendimento.

Secondo quanto previsto dall’Art. 12 del Regolamento Didattico di Ateneo in materia di Crediti Formativi

Universitari (CFU), nel carico standard di 25 ore di impegno complessivo dello studente corrispondente a un

credito possono rientrare 7 ore di lezioni frontali o attività didattiche equivalenti, con le restanti ore dedicate

allo studio individuale, oppure da 12 a 15 ore di esercitazioni in aula o attività assistite equivalenti, con le

restanti ore dedicate allo studio e alla rielaborazione personale.

Qualora l’insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le

necessarie variazioni rispetto a quanto sopra dichiarato, al fine di rispettare il programma previsto e

riportato nel presente syllabus.

Sono indispensabili conoscenze di base di matematica e informatica, coerenti con quelle normalmente

acquisite in un percorso di laurea di primo livello in area informatica o affine. Sono utili, ma non

indispensabili, conoscenze introduttive di programmazione, modellazione matematica, probabilità e

statistica, nonché nozioni fondamentali di biologia e fisiologia umana. I concetti specialistici necessari alla

comprensione degli argomenti di medicina in silico saranno introdotti o richiamati durante il corso.

La frequenza è obbligatoria secondo quanto previsto dal Regolamento didattico del Corso di Laurea

Magistrale in Informatica come riportato al seguente url: https://web.dmi.unict.it/corsi/lm-18/regolamento-

didattico.

1. Introduzione alla medicina in silico 

• Evoluzione della medicina computazionale.
• Definizione e principi della medicina in silico.
• Il ruolo della simulazione nella ricerca biomedica, nello sviluppo di farmaci e nella medicina personalizzata.
• Digital Health, Precision Medicine e Digital Twins.

2. Fondamenti della modellazione computazionale 

• Modelli concettuali e computazionali.
• Tassonomia dei modelli predittivi.
• Modelli deterministici, stocastici, meccanicistici e data-driven.
• Modellazione multiscala.

3. Metodi di modellazione matematica e computazionale 

• Equazioni differenziali ordinarie (ODE).
• Equazioni alle derivate parziali (PDE).
• Agent-Based Modeling.
• Modelli ibridi e integrazione con tecniche di Intelligenza Artificiale.

4. Sviluppo e valutazione dei modelli 

• Definizione del problema biologico.
• Conceptual modelling.
• Parametrizzazione e calibrazione.
• Analisi di sensibilità.
• Quantificazione dell’incertezza.
• Verification, Validation e Credibility Assessment.

5. Medicina in silico e Digital Twins 

• Virtual Patients.
• Digital Twins.
• Simulazione della progressione di malattia.
• Medicina personalizzata.

6. In Silico Trials 

• Studi clinici in silico.
• Popolazioni virtuali.
• Simulazione della risposta terapeutica.
• Applicazioni allo sviluppo di farmaci e vaccini.

7. Applicazioni della medicina in silico 

• Oncologia.
• Immunologia.
• Malattie infettive.
• Malattie neurologiche e autoimmuni.
• Supporto alle decisioni cliniche.

8. Aspetti regolatori e prospettive future 

• Verifica dell’affidabilità dei modelli.
• Contesto regolatorio nazionale e internazionale.
• Ruolo della medicina in silico nello sviluppo delle tecnologie sanitarie.
• Sfide e prospettive future.

1. Materiale didattico, slide e dispense forniti dal docente e resi disponibili attraverso la piattaforma

Studium.

2. Articoli scientifici e ulteriore materiale di approfondimento selezionati dal docente e messi a disposizione

durante il corso.

La verifica dell’apprendimento consiste nello sviluppo e nella presentazione di un progetto individuale o di

gruppo relativo a un problema nell’ambito della medicina in silico.

Il progetto potrà consistere nella progettazione di un modello computazionale, nello sviluppo di un modello

https://syllabus.unict.it/scheda-insegnamento.php?id=ed05b3da…d9-a7e5-8fcffc992d56&cds=0aa6017c-d859-4036-b3ab-13c7d8758eea

Pagina 4 di 6Università di Catania

01/09/26, 18:46

concettuale, nell’analisi critica di un modello esistente, nell’analisi di un caso studio tratto dalla letteratura

scientifica oppure nella valutazione critica di un articolo scientifico di particolare rilevanza.

Lo studente dovrà dimostrare di saper identificare e descrivere correttamente il problema biomedico,

selezionare e motivare l’approccio di modellazione più appropriato, individuare i dati e le informazioni

necessari, applicare correttamente i principi metodologici affrontati durante il corso e analizzare criticamente

assunzioni, risultati, limiti e fonti di incertezza. Dovrà inoltre essere in grado di discutere le strategie di

verifica, validazione e valutazione della credibilità del modello in relazione al relativo Context of Use e di

considerarne le possibili applicazioni in ambito scientifico, clinico, industriale o regolatorio.

Il progetto sarà presentato e discusso al fine di verificare anche la padronanza dei principi teorici e

metodologici dell’insegnamento, l’autonomia di giudizio, la capacità di collegare differenti argomenti del

programma, la capacità di argomentare le scelte effettuate e l’utilizzo appropriato del linguaggio scientifico e

tecnico.

Nel caso di progetto svolto in gruppo, la valutazione terrà conto anche del contributo e della capacità di

discussione individuale di ciascuno studente.

La valutazione finale sarà formulata considerando complessivamente:

- conoscenza e comprensione dei principi della medicina in silico e della modellazione computazionale;

- capacità di applicare le conoscenze acquisite al problema affrontato;

- appropriatezza e rigore delle scelte metodologiche;

- capacità di analisi critica e autonomia di giudizio;

- qualità e coerenza scientifica del progetto;

- capacità di utilizzare e interpretare appropriatamente la letteratura e le fonti;

- chiarezza della presentazione e appropriatezza del linguaggio scientifico e tecnico.

Per l’attribuzione del voto finale si terrà conto dei seguenti livelli:

Esame non superato: il progetto presenta carenze sostanziali nella comprensione del problema o

nell’applicazione dei principi metodologici; lo studente dimostra conoscenze insufficienti o frammentarie e

non è in grado di motivare adeguatamente le scelte effettuate.

18–21: il progetto affronta correttamente gli aspetti essenziali del problema, pur con limitata capacità di

approfondimento e analisi critica; le conoscenze e la capacità di applicazione risultano sufficienti e la

presentazione è complessivamente comprensibile.

22–25: il progetto evidenzia una discreta conoscenza dei contenuti e una adeguata capacità di applicare e

collegare i concetti; le scelte metodologiche sono generalmente appropriate e motivate e la presentazione

utilizza un linguaggio scientifico adeguato.

26–28: il progetto evidenzia una buona conoscenza e comprensione della disciplina, appropriatezza

metodologica, capacità di integrare differenti concetti e buona autonomia nell’analisi critica; la

presentazione è chiara, rigorosa e utilizza correttamente il linguaggio scientifico.

29–30 e lode: il progetto dimostra conoscenza approfondita e organica, elevata capacità di applicazione e

integrazione dei concetti, piena autonomia di giudizio e particolare rigore nell’analisi critica delle scelte, dei

risultati, dei limiti e delle implicazioni del lavoro; la presentazione e la discussione sono scientificamente

mature e caratterizzate da ottime capacità comunicative.

Nel caso di progetto svolto in gruppo, la valutazione terrà conto anche del contributo e della capacità di

discussione individuale di ciascuno studente.

La verifica dell’apprendimento potrà essere effettuata anche per via telematica, qualora le condizioni lo

dovessero richiedere.

A garanzia di pari opportunità e nel rispetto delle leggi vigenti, gli studenti interessati possono chiedere un

colloquio personale in modo da programmare eventuali misure compensative e/o dispensative, in base agli

obiettivi didattici e alle specifiche esigenze. È possibile rivolgersi anche al docente referente CInAP del

proprio Dipartimento.

1. Analizzare comparativamente modelli meccanicistici, data-driven e ibridi applicabili a uno specifico

problema biomedico, discutendone razionale, vantaggi, limiti e possibili ambiti di applicazione.

2. A partire dalla descrizione di un problema biomedico, ad esempio una malattia infettiva, oncologica,

neurologica o autoimmune, progettare un’appropriata strategia di modellazione, identificando il paradigma

computazionale, il modello concettuale, i dati necessari e le strategie di verifica e validazione.

3. Progettare il ciclo di sviluppo e valutazione di un modello computazionale, dalla definizione del problema

e del Context of Use alla modellazione concettuale, parametrizzazione, calibrazione, analisi di sensibilità,

quantificazione dell’incertezza, verifica, validazione e valutazione della credibilità.

4. Analizzare un’applicazione di Digital Twin in medicina personalizzata, discutendone struttura, dati

richiesti, strategia di aggiornamento, possibili applicazioni, limiti e prospettive future.

5. Effettuare l’analisi critica di un articolo scientifico nell’ambito della medicina in silico, discutendo il

problema biomedico affrontato, il modello concettuale, il paradigma di modellazione, il Context of Use, le

strategie di Verification, Validation e Credibility Assessment, i principali risultati e il potenziale impatto

scientifico, clinico o regolatorio.