L’utilizzo delle nuove tecnologie nel mondo sanitario rappresenta al giorno d’oggi una sorta di “spina dorsale” del settore healthcare, con nosocomi e centri di ricerca – supportati da aziende del ramo tecnologico sempre più all’avanguardia – interessati a portare la qualità delle cure a un livello sempre più elevato. Addentrandoci nello specifico, ossia nel ramo pediatrico, esaminiamo i risultati di tre studi in materia che hanno visto, con l’impiego dell’intelligenza artificiale, un netto miglioramento (grazie agli algoritmi) per quanto riguarda la diagnosi delle malattie.
Un algoritmo di machine learning per la diagnosi differenziale della sindrome di Kawasaki
Un recente studio[1] condotto dai ricercatori statunitensi della University of California San Diego ha scoperto che un algoritmo di apprendimento automatico (machine learning) ha identificato le differenze tra la “sindrome infiammatoria multi-sistemica” nei bambini e la sindrome di Kawasaki, le quali condividono modelli molecolari di base molto simili. Tra i bambini, la sindrome di Kawasaki è la principale causa di cardiopatia “acquisita”. Quando, durante il biennio pandemico, la sindrome di Kawasaki è diminuita di frequenza è emersa un’altra patologia, chiamata “sindrome infiammatoria multi-sistemica” scatenata, secondo i ricercatori, dal virus SARS-CoV-2. I ricercatori dell’università californiana hanno creato un algoritmo di apprendimento automatico atto a differenziare le due malattie tra loro, nel tentativo di consentire una diagnosi precoce delle stesse. Alla portata di ogni nosocomio e con un’accuratezza superiore al 90 percento. Non male se si pensa che da quarant’anni la comunità scientifica era alla ricerca di un test diagnostico per la sindrome di Kawasaki. I ricercatori della University of California San Diego hanno raccolto i dati di circa millecinquecento piccoli pazienti del Rady Children’s Hospital-San Diego, affetti dalle sindromi in esame e da altre malattie febbrili.
Gli stessi ricercatori hanno, quindi, utilizzato un algoritmo di apprendimento profondo (o “deep learning”, che si avvale delle cosiddette “reti neurali artificiali”) che ha permesso di confrontare l’età dei pazienti, i cinque criteri principali della sindrome di Kawasaki e altre diciassette misurazioni di laboratorio. Durante la fase di validazione interna, l’algoritmo si è dimostrato efficace nell’identificare la differenza tra le due malattie. Successivamente al buon esito del Rady Children’s Hospital-San Diego, i ricercatori hanno validato ulteriormente l’algoritmo utilizzando coorti di pazienti provenienti dal Boston Children’s Hospital, dal Children’s National Hospital di Washington e dal cfDNA in Hereditary And High-Risk Malignancies (CHARMS) Study Group Consortium di Toronto (Canada). La speranza è che l’algoritmo in questione, chiamato “Kidmatch”, possa aiutare i medici a distinguere tra “sindrome infiammatoria multi-sistemica”, sindrome di Kawasaki ed altre malattie febbrili, in modo da poter fornire un trattamento più precoce e appropriato, finalizzato a prevenire gravi complicazioni.[2]
AI e nanotecnologie contro la tubercolosi
In un altro studio americano, della Tulane University di New Orleans (Louisiana)[3], i ricercatori si sono concentrati sulla lotta alla tubercolosi che colpisce i bambini mediante l’uso dell’intelligenza artificiale e delle nanotecnologie, a partire dalla diagnosi della malattia. La tubercolosi è causata da un batterio che di solito attacca i polmoni, ma può anche attaccare qualsiasi parte del corpo, come i reni e il cervello. Ed in bambini non ne sono protetti (soprattutto in presenza concomitante di altra malattia). Per la Tulane University i metodi di diagnosi e trattamento della tubercolosi, basati sulla tecnologia di ultima generazione, meritano di essere esaminati e varati, anche perché la malattia è molto seria e i contagi sono sempre presenti. Il test del sangue basato sull’intelligenza artificiale e sulle nanotecnologie, sviluppato dai ricercatori dell’Università della Louisiana, fornisce una visione d’insieme di come i batteri causano la tubercolosi nel corpo umano, individuando anche il glicolipide “lipoarabinomannan” (responsabile dell’inattivazione dei macrofagi e, quindi, inibitore delle difese dell’organismo). Tale glicolipide si trova in “sacche” legate a membrane chiamate “vescicole extracellulari”, che vengono rilasciate dalle cellule immunitarie dei pazienti affetti da tubercolosi.
Il team della Tulane University ha individuato queste vescicole e a proceduto a rivestirle con anticorpi. Complessivamente, il test ha individuato con precisione la tubercolosi nel quasi 90 percento dei bambini a cui era già stata diagnosticata la malattia. Mentre ha identificato la malattia nel settantaquattro percento dei bambini che avevano ricevuto risultati di test “standard” che non indicavano la presenza di tubercolosi.[4]
Un modello predittivo per i sopravvissuti a un tumore pediatrico
Infine, uno studio canadese-statunitense[5] ha scoperto che un modello predittivo è in grado di prevedere accuratamente la qualità di vita correlata alla salute tra i sopravvissuti (adulti) a un tumore pediatrico utilizzando fattori sociodemografici, di stile di vita e di stato di salute. Come molte patologie croniche, il tumore pediatrico comporta ogni anno determinati oneri economici per i diversi sistemi sanitari nazionali. I ricercatori hanno scoperto che anche se il tasso di sopravvivenza a cinque anni, per i tumori infantili, è aumentato nell’ultimo quarantennio dell’85 percento, gli esiti avversi legati alla malattia – come la mortalità prematura – permangono. I ricercatori hanno inoltre osservato che ricerche precedenti hanno esaminato la qualità della vita legata alla salute tra i sopravvissuti ai tumori pediatrici, anche se non senza lacune. Esiste, infatti, una lacuna nella ricerca per quanto riguarda la previsione del declino o della scarsa qualità della vita legata alla salute di questi individui. Queste previsioni sono fondamentali per sviluppare interventi volti a migliorare la vita dei sopravvissuti alla malattia.
Per costruire il loro modello predittivo, i ricercatori hanno iniziato raccogliendo i dati di quasi cinquemila adulti partecipanti al Childhood Cancer Survivor Study. La qualità della vita legata alla salute per questa coorte di pazienti è stata determinata utilizzando un sondaggio che rilevava otto domini della qualità della vita legata alla salute: funzionamento fisico, limitazioni di ruolo derivanti da problemi di salute fisica, dolore corporeo, percezione della salute generale, vitalità, funzionamento sociale, limitazioni di ruolo derivanti da problemi emotivi e salute mentale. Da questi dati, i ricercatori hanno estratto i fattori predittivi, i quali sono stati distinti in sociodemografici, di stile di vita e di stato di salute. I fattori sociodemografici predittivi includevano l’età al momento della compilazione del sondaggio, il sesso, l’etnia, il livello di istruzione, lo stato occupazionale, il reddito familiare annuo, lo stato civile, la sistemazione abitativa, la copertura assicurativa e le visite di assistenza primaria o oncologica. I fattori predittivi dello stile di vita includevano il fumo di sigaretta, l’attività fisica e il peso corporeo. I fattori predittivi dello stato di salute comprendevano le condizioni di salute croniche, il disagio emotivo e lo stato funzionale neuro-cognitivo.
I ricercatori hanno affermato che la forte associazione tra condizioni di salute croniche, compromissione emotiva e neuro-cognitiva nonché il fumo abituale, associate al declino della qualità della vita legata alla salute fisica e mentale, indica che sono necessari interventi mirati a questi fattori di rischio per migliorare i risultati dei sopravvissuti adulti al tumore pediatrico. I ricercatori hanno anche scoperto che le APP per la salute e il benessere possono essere utili ai sopravvissuti di tumore, ma queste risorse devono essere personalizzate per l’utente e non possono essere utilizzate indistintamente per tutti. Allo stesso modo, alcune ricerche hanno dimostrato che il coinvolgimento e l’educazione dei pazienti restano carenti nei piani di cura per i sopravvissuti. Tuttavia, la comunicazione bidirezionale può contribuire a migliorare il coinvolgimento dei pazienti in questo ambito.[6]
Note
- How to tell the difference between Kawasaki Disease and MIS-C. American Association for the Advancement of Science (AAAS). https://www.eurekalert.org/news-releases/965532 ↑
- ML Algorithm Can Differentiate Between Inflammatory Conditions in Kids. HealthITAnalytics.com. https://healthitanalytics.com/news/ml-algorithm-can-differentiate-between-inflammatory-conditions-in-kids ↑
- New test uses nanotechnology, artificial intelligence to diagnose TB in children. Tulane University. https://news.tulane.edu/news/new-test-uses-nanotechnology-artificial-intelligence-diagnose-tb-children ↑
- Artificial Intelligence Enhances Pediatric Tuberculosis Diagnosis Process. HealthITAnalytics.com. https://healthitanalytics.com/news/artificial-intelligence-enhances-pediatric-tuberculosis-diagnosis-process ↑
- Development and Validation of Models to Predict Poor Health-Related Quality of Life Among Adult Survivors of Childhood Cancer. Jama Network Open. https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2795248 ↑
- Prediction Model Forecasts Quality of Life Among Childhood Cancer Survivors. HealthITAnalytics.com. https://healthitanalytics.com/news/prediction-model-forecasts-quality-of-life-among-childhood-cancer-survivors ↑
