- Dettagli
- Categoria: Salute 2020
- Pubblicato: Martedì, 24 Marzo 2020 15:34
Roma. Lo studio interdisciplinare è condotto tra quattro diversi dipartimenti dell'università Sapienza
Come predire lo sviluppo
della sclerosi multipla
con algoritmi
di machine learning
24.03.20 - Applicando un interessante cambio di prospettiva, un gruppo interdisciplinare dell'università Sapienza di Roma ha realizzato uno studio per predire lo sviluppo della sclerosi multipla (SM) 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.
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, però, è 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.
Dopo un periodo iniziale volto a definire un linguaggio comune in grado di permettere una comunicazione efficace tra persone provenienti da ambiti diversi, il gruppo ha operato su un database costituito dalle cartelle cliniche dei pazienti seguiti nell’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 così ottenuti mostrano che i dati clinici possono essere sufficienti per prevedere affidabilmente l'evoluzione della sclerosi multipla nei singoli soggetti.
Questo lavoro pertanto 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 tra chi raccoglie i dati e chi li analizza.
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. (red)
vedi
www.uniroma1.it
Riferimento
Considering patient clinical history impacts performance of machine learning models in predicting course of multiple sclerosis - Ruggiero Seccia, Daniele Gammelli, Fabio Dominici, Silvia Romano, Anna Chiara Landi, Marco Salvetti, Andrea Tacchella, Andrea Zaccaria, Andrea Crisanti, Francesca Grassi, Laura Palagi - Plos One, Published: March 20, 2020 https://doi.org/10.1371/journal.pone.0230219
