Le informazioni raccolte alle visite di routine del medico sono sufficienti per prevedere con precisione il rischio di una persona di sviluppare il morbo di Alzheimer e le relative forme di demenza, secondo una nuova ricerca condotta da scienziati del Regenstrief Institute, della Indiana University e della Merck.
I ricercatori hanno sviluppato e testato due algoritmi per l'apprendimento del computer usando dati delle cartelle cliniche elettroniche, e identificare i pazienti che possono avere un rischio di sviluppare la demenza.
Almeno 50 pazienti anziani su 100 nelle cure primarie, che hanno il MA e le demenze correlate, non ricevono una diagnosi. E molti di più vivono con dei sintomi da 2 a 5 anni prima di avere la diagnosi. Attualmente, i test per individuare il rischio di demenza sono invasivi, lunghi e costosi.
“La cosa bella di questo metodo è che è passivo, e ha una precisione simile ai test più intrusivi che sono usati attualmente”, ha detto Malaz Boustani MD/MPH, ricercatore del Regenstrief Institute e professore all'Indiana University. “Questa è una soluzione economica e scalabile in grado di fornire un beneficio sostanziale ai pazienti e alle loro famiglie, aiutandoli a prepararsi alla possibilità di una vita con demenza e consentendo loro di agire".
Sviluppo di algoritmi di apprendimento automatico per predire la demenza
Il team di ricerca, che comprendeva anche scienziati della Georgia State University, dell'Albert Einstein College of Medicine e del Solid Research Group, ha recentemente pubblicato i risultati di due diversi approcci di apprendimento automatico. Il documento pubblicato sul Journal of the American Geriatrics Society ha analizzato i risultati di un algoritmo di elaborazione del linguaggio naturale, che impara le regole attraverso esempi, e quello su Artificial Intelligence in Medicine comunica i risultati di un modello a foresta casuale, che è costruito usando un insieme di alberi di decisione.
Entrambi i metodi hanno mostrato una precisione simile nel predire l'insorgenza della demenza entro un periodo da 1 a 3 anni dalla diagnosi. Per allenare gli algoritmi, i ricercatori hanno raccolto dati su pazienti dell'Indiana Network for Patient Care. Per predire l'insorgenza di demenza, i modelli hanno usato informazioni su prescrizioni e diagnosi, che sono campi strutturati, così come sulle note mediche, che sono a testo libero.
I ricercatori hanno trovato che le note a testo libero erano più preziose per aiutare a identificare le persone a rischio di sviluppo della malattia. “Questa ricerca è emozionante perché potenzialmente dà un beneficio significativo ai pazienti e alle loro famiglie”, ha dichiarato Patrick Monahan PhD, autore senior dello studio, della UI e scienziato affiliato al Regenstrief. “I medici possono dare informazioni su comportamenti e abitudini per aiutare i pazienti a far fronte ai loro sintomi e avere una qualità migliore di vita”.
Zina Ben Miled PhD/MS, prima autrice di uno studio, della Facoltà di Ingegneria e Tecnologia della IU e scienziata del Regenstrief, ha detto: “L'identificazione precoce dei rischi dà l'opportunità a medici e famiglie di mettere in atto un piano di assistenza. So per esperienza che peso può essere aver a che fare con una diagnosi di demenza. La finestra fornita da questo test è molto importante per contribuire a migliorare la qualità della vita sia dei pazienti che delle famiglie”.
Oltre al beneficio per le famiglie, questi metodi possono anche fornire significativi risparmi di costo per i pazienti e i sistemi sanitari. Essi sostituiscono test costosi e permettono ai medici di selezionare intere popolazioni per identificare quelli più a rischio. Anche ritardare l'insorgenza dei sintomi consente di risparmiare una notevole quantità di denaro per il trattamento.
Il passo successivo è quello di distribuire questi algoritmi di apprendimento automatico alle cliniche di vita reale per verificare se consentono di identificare più casi di demenza veri, nonché per imparare come influenzano la volontà del paziente di dare un seguito ai risultati.
Fonte: Regenstrief Institute (> English text) - Traduzione di Franco Pellizzari.
Riferimenti:
- Malaz Boustani, Anthony J. Perkins, Rezaul Karim Khandker, Stephen Duong, Paul R. Dexter, Richard Lipton, Christopher M. Black, Vasu Chandrasekaran, Craig A. Solid, Patrick Monahan. Passive Digital Signature for Early Identification of Alzheimer's Disease and Related Dementia. Journal of the American Geriatrics Society, 2019, DOI
- Zina Ben Miled, Kyle Haas, Christopher M. Black, Rezaul Karim Khandker, Vasu Chandrasekaran, Richard Lipton, Malaz A. Boustani. Predicting dementia with routine care EMR data. Artificial Intelligence in Medicine, 2020, DOI
Copyright: Tutti i diritti di eventuali testi o marchi citati nell'articolo sono riservati ai rispettivi proprietari.
Liberatoria: Questo articolo non propone terapie o diete; per qualsiasi modifica della propria cura o regime alimentare si consiglia di rivolgersi a un medico o dietologo. Il contenuto non rappresenta necessariamente l'opinione dell'Associazione Alzheimer onlus di Riese Pio X ma solo quella dell'autore citato come "Fonte". I siti terzi raggiungibili da eventuali collegamenti contenuti nell'articolo e/o dagli annunci pubblicitari sono completamente estranei all'Associazione, il loro accesso e uso è a discrezione dell'utente. Liberatoria completa qui.
Nota: L'articolo potrebbe riferire risultati di ricerche mediche, psicologiche, scientifiche o sportive che riflettono lo stato delle conoscenze raggiunte fino alla data della loro pubblicazione.