1° studio: L'IA può aiutare a individuare i primi fattori di rischio dell'Alzheimer
I principali predittori includono colesterolo alto e osteoporosi, quest'ultimo solo nelle donne.
Scienziati della UC San Francisco hanno trovato il modo di prevedere il morbo di Alzheimer (MA) fino a 7 anni prima che appaiano i sintomi, analizzando le cartelle cliniche dei pazienti con un programma di apprendimento automatico. Le condizioni che hanno influenzato maggiormente la previsione erano il colesterolo alto e, per le donne, l'osteoporosi, la malattia che indebolisce le ossa.
Il lavoro dimostra che l'intelligenza artificiale (AI) è promettente per individuare gli schemi nei dati clinici che possono poi essere usati per vagliare i grandi database genetici e determinare ciò che sta guidando tale rischio. I ricercatori sperano che un giorno ciò possa accelerare diagnosi e trattamento del MA e di altre malattie complesse.
"Questo è un primo passo verso l'uso di routine dell'IA sui dati clinici, non solo per identificare il rischio il più presto possibile, ma anche per comprendere la biologia dietro di esso", ha affermato la prima autrice dello studio, Alice Tang, dottoranda del Sirota Lab alla UCSF. "Il potere di questo approccio con AI deriva dall'identificazione del rischio in base alle combinazioni di malattie".
2° studio: Ricercatori usano l'IA per prevedere e rilevare Alzheimer
Ricercatori della West Virginia University di Morgantown hanno identificato una serie di biomarcatori metabolici diagnostici che possono aiutarli a sviluppare strumenti di intelligenza artificiale per rilevare il morbo di Alzheimer (MA) nelle prime fasi, oltre a determinare i fattori di rischio e gli interventi di trattamento.
Lo studio, pubblicato sul Journal of the Neurological Sciences, mirava a determinare quali biomarcatori metabolici sono più rilevanti per il MA e quindi addestrare un modello di intelligenza artificiale per prevedere la probabilità che la malattia sia in atto o possa svilupparsi.
Per la ricerca, gli scienziati hanno scelto il metodo di apprendimento profondo dell'IA per il suo approccio versatile nel prevedere fenomeni biologici complessi e la sua capacità di usare vasti volumi di dati e algoritmi complessi per addestrare un modello.
"Il metodo di apprendimento profondo che usa reti neurali artificiali, ispirate alla struttura stratificata dei neuroni del cervello e i loro calcoli, ha raggiunto prestazioni di previsione senza precedenti per compiti complessi", ha affermato Kesheng Wang, professore nella facoltà di infermieristica della WVU, che ha guidato lo studio. "Si è dimostrato che le tecniche di apprendimento profondo sono più accurate per la diagnosi del MA rispetto ai modelli di apprendimento automatico convenzionali".
In medicina, i biomarcatori sono indicatori misurabili della gravità o della presenza di una malattia. Per esempio, le persone potrebbero associarli più facilmente ai valori di colesterolo o glucosio dell'esame del sangue.
I biomarcatori metabolici esistono nelle molecole di cellule, tessuti e fluidi corporei, mostrando l'interazione tra geni e stile di vita, come scelte alimentari e ambiente. A quel livello, gli scienziati possono comprendere meglio i cambiamenti nella salute di una persona e i rischi di malattie.
"Il MA può iniziare anni o addirittura decenni prima dell'insorgenza dei sintomi clinici, quindi è fondamentale identificare i biomarcatori predittivi nella fase preclinica in modo che la scienza medica possa sviluppare strategie per prevenire la progressione della malattia", ha affermato Wang.
La rilevazione precoce del MA è di fondamentale importanza anche per lo sviluppo e l'applicazione dei farmaci, ha aggiunto Wang, nonché per gli approcci diagnostici e terapeutici che prevengono la perdita di funzione e una longevità ridotta.
Per lo studio sono stati ottenuti dall'Alzheimer’s Disease Neuroimaging Initiative i dati di 78 persone con diagnosi di MA e 99 persone con funzione cognitiva normale, tutti con età da 75 a 82 anni. Usando il software LASSO, i ricercatori hanno importato 150 biomarcatori metabolici e ne hanno selezionato 21 come più rilevanti per il MA.
"I metaboliti fanno parte del metabolismo di glucosio, aminoacidi e lipidi", ha detto Wang. "Alcuni dei metaboliti sono correlati a biomarcatori clinici come le placche, a valori cognitivi e al volume dell'ippocampo, associati al MA".
L'ippocampo è l'area del cervello che spesso è danneggiata per prima dal MA e mostra un restringimento. I ricercatori hanno quindi testato più modelli di apprendimento profondo fino a trovare quello che ha raggiunto la massima precisione per la valutazione.
Wang ha affermato che gli studi che usano l'apprendimento profondo per il rilevamento del MA sono ancora nelle prime fasi e sono necessarie ulteriori ricerche. Lui e il suo team stanno lavorando a un progetto per integrare i dati di proteine e metabolismo con metodi di apprendimento profondo.
"Le basi metaboliche del MA sono ancora poco chiare come pure le relazioni tra anomalie sistemiche nel metabolismo e patogenesi del MA", ha detto Wang. "Questo studio mostra che esiste un potenziale per identificare i biomarcatori metabolici che prevedono la diagnosi e la progressione del MA".
Fonte:
- Victoria Colliver in UC San Francisco (> English) - Traduzione di Franco Pellizzari.
- West Virginia University (> English) - Traduzione di Franco Pellizzari.
Riferimenti:
- AS Tang, [+19], Marina Sirota. Leveraging electronic health records and knowledge networks for Alzheimer’s disease prediction and sex-specific biological insights. Nature Aging, 2024, DOI
- K Wang, [+5], C Xu. Deep learning analysis of UPLC-MS/MS-based metabolomics data to predict Alzheimer's disease. J Neurolog Sci, 2023, DOI
Copyright: Tutti i diritti di testi o marchi inclusi 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 OdV 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.