Sclerosi multipla. Utilizzare l’apprendimento automatico per predire l’evoluzione della malattia. Uno studio della Sapienza di Roma

Uno studio interdisciplinare nato dalla collaborazione tra quattro diversi dipartimenti dell'università romana ha individuato un nuovo paradigma per predire lo sviluppo della sclerosi multipla nel medio periodo utilizzando algoritmi di machine learning e dati medici disponibili nella comune pratica clinica. I risultati sono stati pubblicati sulla rivista PLoS ONE

24 MAR - La Sclerosi multipla (SM) rappresenta la principale causa di disabilità neurologica progressiva nei giovani, colpendo principalmente persone tra i 20 e i 50 anni, con costi umani e sociali molto elevati. Solitamente, questa malattia inizia con una forma recidivante-remittente, in cui si verifica un’alternanza fra fasi acute e fasi di remissione, che lentamente evolve in una forma secondariamente progressiva, con un peggioramento della disabilità.

Il decorso della sclerosi multipla è però estremamente variabile da soggetto a soggetto e non è possibile prevederlo in modo affidabile. Questa incapacità è molto limitante, in quanto ormai esistono varie terapie in grado di prevenire o ritardare le ricadute anche per molto tempo, ma in generale i possibili effetti avversi sono tanto più gravi quanto più efficace è il farmaco. Una predizione precoce del decorso invece consentirebbe di differenziare il trattamento in base alla aggressività prevista della patologia, riservando le terapie ad alto impatto solo ai pazienti a maggior rischio di progressione della malattia.
 
Come in altri campi della medicina, anche per lo studio della sclerosi multipla si inizia a fare ricorso all’Intelligenza artificiale per tentare di aumentare la capacità di predizione della prognosi. In particolare, si stanno utilizzando approcci basati su algoritmi di “machine learning” (o apprendimento automatico), che però non hanno ancora raggiunto livelli di affidabilità adeguati all'uso clinico. Inoltre, la maggior parte degli studi effettuati fino ad oggi fa ricorso a dati altamente specializzati, non usati nella normale pratica clinica, per cui anche migliorando l'efficacia predittiva degli algoritmi, difficilmente essi diverrebbero uno strumento utilizzabile in modo diffuso.
Un team interdisciplinare della Sapienza, applicando un interessante cambio di prospettiva, ha realizzato uno studio per predire lo sviluppo della malattia nel medio periodo utilizzando dati disponibili nella comune pratica clinica. In particolare, il progetto ha visto la collaborazione di fisici ed ingegneri esperti in machine learning e in sistemi di supporto alle decisioni con neurologi e neurofisiologi afferenti a quattro diversi dipartimenti dell’Ateneo. I risultati sono stati pubblicati sulla rivista PLoS ONE

Alla ricerca hanno collaborato membri del Dipartimento di Ingegneria informatica automatica e gestionale Antonio Ruberti; del Dipartimento di Neuroscienze, salute mentale e organi di senso (Nesmos); del Dipartimento di Fisica; dell’Istituto dei Sistemi complessi (Isc-Cnr) e Francesca Grassi del Dipartimento di Fisiologia e farmacologia Vittorio Erspamer.

Dopo un periodo iniziale volto a definire un linguaggio comune in grado di permettere una comunicazione efficace fra persone provenienti da ambiti diversi, il gruppo ha operato su un database costituito dalle cartelle cliniche dei pazienti seguiti presso l’ospedale universitario Sant’Andrea. Una volta resi utilizzabili dalle macchine per apprendimento automatico, i dati sono stati analizzati con due diversi paradigmi di apprendimento: uno basato sull’utilizzo delle informazioni cliniche relative a una singola visita medica (Visit-oriented), l’altro che utilizza la sequenza di visite disponibili per il paziente (History-oriented).
 
I risultati ottenuti mostrano che i dati clinici possono essere sufficienti per prevedere affidabilmente l'evoluzione della sclerosi multipla nei singoli soggetti. Questo lavoro quindi apre la strada alla possibilità di utilizzare i modelli di apprendimento automatico messi a punto in qualunque ospedale, anche se al momento la capacità predittiva dei modelli necessita di ulteriori miglioramenti. Inoltre, essi indicano le strategie da seguire per migliorare i risultati dell'analisi, mantenendo attiva la collaborazione fra chi raccoglie i dati e chi li analizza.

24 marzo 2020
© Riproduzione riservata