{"id":31589,"date":"2024-10-31T09:00:00","date_gmt":"2024-10-31T07:00:00","guid":{"rendered":"https:\/\/neuronup.com\/it\/?p=31589"},"modified":"2025-02-28T09:58:34","modified_gmt":"2025-02-28T07:58:34","slug":"previsione-dellincidenza-della-malattia-di-alzheimer-tramite-machine-learning-utilizzando-dati-sanitari-amministrativi-su-larga-scala","status":"publish","type":"post","link":"https:\/\/neuronup.com\/it\/notizie-su-neuronup\/previsione-dellincidenza-della-malattia-di-alzheimer-tramite-machine-learning-utilizzando-dati-sanitari-amministrativi-su-larga-scala\/","title":{"rendered":"Previsione dell’incidenza della malattia di Alzheimer tramite machine learning utilizzando dati sanitari amministrativi su larga scala"},"content":{"rendered":"\n

In questo articolo, Antonio Javier Sutil Jim\u00e9nez parla dello studio “Previsione dell’incidenza della malattia di Alzheimer tramite machine learning utilizzando dati sanitari amministrativi su larga scala”<\/em>. <\/p>\n\n\n\n

Perch\u00e9 \u00e8 importante lo studio sulla previsione dell’Alzheimer con il machine learning?<\/h2>\n\n\n\n

Il progresso della tecnologia pu\u00f2, a volte, fornire soluzioni inaspettate a problemi medici. Un esempio di ci\u00f2 \u00e8 l’uso di dati amministrativi sanitari per creare modelli predittivi del rischio di sviluppare la malattia di Alzheimer<\/a>.<\/p>\n\n\n\n

La grande novit\u00e0 del lavoro di Park e collaboratori \u00e8 stato lo sfruttamento di questa enorme quantit\u00e0 di dati che, come descritto dai ricercatori, sono ancora in molti casi non utilizzati. Pertanto, la digitalizzazione delle cartelle cliniche \u00e8 diventata una risorsa di grande valore per ridurre gli sforzi e i costi di raccolta dei dati<\/strong>. <\/p>\n\n\n\n

Nonostante ci\u00f2, la sua applicazione a malattie come l’Alzheimer era stata limitata. In parte, questo problema \u00e8 stato risolto grazie al aumento della capacit\u00e0 computazionale<\/strong>, che permette di applicare tecniche di machine learning all’analisi dei dati e creare modelli predittivi rappresentativi della popolazione, grazie a campioni sufficientemente ampi.<\/p>\n\n\n\n

Premessa dello studio<\/h3>\n\n\n\n

Per la realizzazione dello studio, si parte dal presupposto che l’uso di dati di individui a rischio di sviluppare la malattia di Alzheimer consenta una migliore individuazione precoce dei casi in fase preclinica<\/strong> e, di conseguenza, il miglioramento delle strategie terapeutiche.<\/p>\n\n\n\n

Per raggiungere questo obiettivo, il gruppo di ricercatori ha avuto accesso al database del sistema sanitario nazionale della Corea, che conteneva oltre 40.000 cartelle cliniche di persone con pi\u00f9 di 65 anni<\/strong>, con una grande quantit\u00e0 di informazioni come storia personale, precedenti familiari, dati sociodemografici, diagnosi, prescrizioni, ecc.<\/p>\n\n\n\n

Cosa \u00e8 stato fatto? <\/h2>\n\n\n\n

Dataset<\/h3>\n\n\n\n

Per realizzare lo studio, \u00e8 stata presa una coorte del NHIS-NSC<\/strong> (The National Health Insurance Service\u2013National Sample Cohort) della Corea del Sud, che includeva oltre un milione di partecipanti, monitorati per undici anni (dal 2002 al 2013).<\/p>\n\n\n\n

Il database conteneva informazioni sui servizi sanitari, diagnosi e prescrizioni di ciascun individuo, nonch\u00e9 caratteristiche cliniche, inclusi dati demografici, livelli di reddito basati sul salario mensile, codici di malattie e farmaci, valori di laboratorio, profili di salute e storie cliniche personali e familiari. Da questo campione, sono stati selezionati 40.736 adulti con pi\u00f9 di 40 anni per questo studio<\/strong>.<\/p>\n\n\n\n

Definizione operativa della malattia di Alzheimer<\/h3>\n\n\n\n

Successivamente, \u00e8 stata creata una definizione operativa della malattia di Alzheimer, basata sull’algoritmo di uno studio canadese precedente. <\/p>\n\n\n\n

Questo algoritmo ha ottenuto una sensibilit\u00e0 del 79% e una specificit\u00e0 del 99%<\/strong>, includendo codici di ospedalizzazione, richieste mediche e prescrizioni specifiche per l’Alzheimer. <\/p>\n\n\n\n

Per migliorare la precisione nel rilevamento della malattia, sono state utilizzate le etichette “definite AD” per i casi in cui si aveva un alto grado di certezza e “probable AD” per i casi confermati solo attraverso i codici ICD-10 (acronimo della Classificazione Internazionale delle Malattie), al fine di minimizzare i falsi negativi. Con queste etichette, \u00e8 stata rilevata una prevalenza della malattia di Alzheimer dell’1,5% per “definite AD” e del 4,9% per “probable AD”.<\/p>\n\n\n\n

Analisi<\/h3>\n\n\n\n

Per l’analisi e il trattamento dei dati, sono state utilizzate caratteristiche come et\u00e0 e sesso, oltre a 21 variabili provenienti dal database NHIS-NSC, che includevano profili di salute e storie cliniche familiari, insieme a oltre 6.000 variabili derivate dai codici ICD-10 e dai farmaci. <\/p>\n\n\n\n

Una volta descritte le caratteristiche, queste sono state allineate concentrandosi sull’incidenza della diagnosi per ciascun individuo<\/strong>, in base ai codici ICD-10 e ai codici dei farmaci. Questo ha permesso di eliminare malattie rare e codici di farmaci con bassa frequenza. Inoltre, sono stati esclusi gli individui senza nuovi dati sanitari negli ultimi due anni. Il set finale di variabili utilizzate nei modelli ha incluso 4.894 caratteristiche uniche.<\/p>\n\n\n\n

Per effettuare le previsioni a “n” anni nel gruppo con malattia di Alzheimer, sono stati utilizzati intervalli temporali tra il 2002 e l’anno di incidenza. Nel gruppo senza malattia, sono stati presi i dati dal 2002 fino al 2010-n.<\/p>\n\n\n\n

Infine, prima di implementare il modello, sono stati creati sottogruppi di addestramento, validazione e test utilizzando sia un set di dati bilanciato e campionato casualmente, sia un set di dati non bilanciato.<\/p>\n\n\n\n

Applicazione delle tecniche di machine learning (ML)<\/h3>\n\n\n\n

Infine, \u00e8 stata realizzata l’analisi dei dati implementando tecniche di machine learning<\/strong> come random forest, support vector machine con kernel lineare e regressione logistica. <\/p>\n\n\n\n

L’addestramento, la validazione e i test sono stati eseguiti utilizzando la validazione incrociata stratificata con 5 iterazioni. <\/p>\n\n\n\n

La selezione delle caratteristiche \u00e8 stata effettuata all’interno dei campioni di addestramento utilizzando un metodo di soglia di varianza, e la generalizzazione delle prestazioni del modello \u00e8 stata valutata sui campioni di test. <\/p>\n\n\n\n

Per verificare le prestazioni del modello, sono state utilizzate metriche comuni, come l’area sotto la curva ROC, la sensibilit\u00e0 e la specificit\u00e0.<\/p>\n\n\n\n

Per maggiori dettagli su come \u00e8 stato condotto questo studio, si consiglia di consultare l’articolo originale.<\/p>\n\n\n\n

Quali sono le principali conclusioni di questo studio sulla previsione dell’Alzheimer con machine learning?<\/h2>\n\n\n\n

Il lavoro evidenzia il potenziale delle tecniche di apprendimento automatico<\/strong> basate sui dati come uno strumento promettente<\/strong> per prevedere il rischio<\/strong> di demenza di tipo Alzheimer. <\/p>\n\n\n\n

Vantaggio principale dello studio<\/h3>\n\n\n\n

Questo studio presenta un grande vantaggio rispetto ad altri approcci basati su informazioni ottenute da test di neuroimaging o valutazioni neuropsicologiche, poich\u00e9 \u00e8 stato condotto utilizzando esclusivamente dati amministrativi.<\/p>\n\n\n\n

Mentre altri studi si concentrano su popolazioni che sono gi\u00e0 in una situazione di rischio clinico reale o che hanno mostrato sufficiente preoccupazione da consultare un professionista della salute, questo approccio sfrutta la disponibilit\u00e0 di dati amministrativi per identificare i rischi senza necessit\u00e0 di valutazioni cliniche preliminari<\/strong>.<\/p>\n\n\n\n

<\/td>Definite AD<\/td>Probabile AD<\/td>Non-AD<\/td><\/tr>
N\u00ba<\/td>614<\/td>2026<\/td>38.710<\/td><\/tr>
Et\u00e0<\/td>80.7<\/td>79.2<\/td>74.5<\/td><\/tr>
Sesso (uomo, donna)<\/td>229, 285<\/td>733, 1293<\/td>18.200, 20.510<\/td><\/tr><\/tbody><\/table>
Tabella 1. Dati semplificati delle caratteristiche del campione. Per maggiore precisione dei dati e un numero maggiore di caratteristiche consultare la tabella 1 del lavoro originale.<\/figcaption><\/figure>\n\n\n\n

Di seguito sono riportate le tabelle comparative tra definite AD e non AD, e probabile AD e non AD per gli anni di previsione 0 e 4 con tutti i classificatori utilizzati nello studio.<\/p>\n\n\n\n

Anni di previsione<\/td>Classificatore<\/td>Metriche<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Precisione<\/td>AUC<\/td>Sensibilit\u00e0<\/td>Specificit\u00e0<\/td><\/tr>
0 anni<\/td>Regressione logistica<\/td>0.76<\/td>0.794<\/td>0.726<\/td>0.793<\/td><\/tr>
<\/td>Support Vector Model<\/td>0.763<\/td>0.817<\/td>0.795<\/td>0.811<\/td><\/tr>
<\/td>Random Forest<\/td>0.823<\/td>0.898<\/td>0.509<\/td>0.852<\/td><\/tr>
4 anni<\/td>Regressione logistica<\/td>0.627<\/td>0.661<\/td>0.509<\/td>0.745<\/td><\/tr>
<\/td>Support Vector Model<\/td>0.646<\/td>0.685<\/td>0.538<\/td>0.754<\/td><\/tr>
<\/td>Random Forest<\/td>0.663<\/td>0.725<\/td>0.621<\/td>0.705<\/td><\/tr><\/tbody><\/table>
Definite AD vs Non AD.<\/figcaption><\/figure>\n\n\n\n
Anni di previsione<\/td>Classificatore<\/td>Metriche<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Precisione<\/td>AUC<\/td>Sensibilit\u00e0<\/td>Specificit\u00e0<\/td><\/tr>
0 anni<\/td>Regressione logistica<\/td>0.763<\/td>0.783<\/td>0.689<\/td>0.783<\/td><\/tr>
<\/td>Support Vector Model<\/td>0.734<\/td>0.794<\/td>0.652<\/td>0.816<\/td><\/tr>
<\/td>Random Forest<\/td>0.788<\/td>0.850<\/td>0.723<\/td>0.853<\/td><\/tr>
4 anni<\/td>Regressione logistica<\/td>0.611<\/td>0.644<\/td>0.516<\/td>0.707<\/td><\/tr>
<\/td>Support Vector Model<\/td>0.601<\/td>0.641<\/td>0.465<\/td>0.738<\/td><\/tr>
<\/td>Random Forest<\/td>0.641<\/td>0.683<\/td>0.603<\/td>0.679<\/td><\/tr><\/tbody><\/table>
Probable AD vs non AD.<\/figcaption><\/figure>\n\n\n\n

Entrambe le tabelle presentate sono semplificazioni delle tabelle dell’articolo originale. In questo caso, il numero di anni \u00e8 stato ridotto a soli due (0 e 4 anni) per gli anni di previsione.<\/p>\n\n\n\n

Risultati per la previsione<\/h3>\n\n\n\n

Un altro aspetto di rilievo dell’articolo sono le caratteristiche importanti trovate per la previsione. Queste sono descritte come correlate positivamente o negativamente con l’incidenza della malattia di Alzheimer. Alcune delle caratteristiche correlate positivamente<\/strong> con lo sviluppo della malattia includono l’et\u00e0, la presenza di proteina nelle urine e la prescrizione di zotepina (un antipsicotico).<\/p>\n\n\n\n

Al contrario, sono state rilevate anche caratteristiche che si sono correlate negativamente<\/strong> con l’incidenza della malattia, come la diminuzione dell’emoglobina, la prescrizione di nicametato citrato (un vasodilatatore), i disturbi degenerativi del sistema nervoso e i disturbi dell’orecchio esterno.<\/p>\n\n\n\n

Inoltre, il modello predittivo \u00e8 stato testato utilizzando solo le 20 caratteristiche pi\u00f9 importanti, e si \u00e8 scoperto che il modello aveva una precisione per gli anni 0 e 1 molto simile all’originale.<\/p>\n\n\n\n

\u00c8 possibile la rilevazione basata sui dati amministrativi di salute?<\/h3>\n\n\n\n

La conclusione dello studio \u00e8 che la rilevazione di individui a rischio di Alzheimer basata esclusivamente sui dati amministrativi di salute \u00e8 possibile<\/strong>. Tuttavia, gli autori lasciano aperta la possibilit\u00e0 che futuri studi in diverse nazioni e sistemi sanitari possano confermare questi risultati. La replicazione di questi studi rappresenterebbe un passo importante per una rilevazione pi\u00f9 precoce e accurata delle persone a rischio.<\/p>\n\n\n\n

Dove NeuronUP potrebbe contribuire in uno studio come questo?<\/h2>\n\n\n\n

NeuronUP<\/a> ha esperienza in ambito scientifico in due aree principali:<\/p>\n\n\n\n

    \n
  1. Fornendo supporto a gruppi di ricerca interessati alla tecnologia,<\/li>\n\n\n\n
  2. realizzando propri lavori da pubblicare in riviste di alto impatto scientifico.<\/li>\n<\/ol>\n\n\n\n

    In particolare, per studi con caratteristiche simili a quelli esaminati in questo articolo, riteniamo che, avendo accesso a grandi set di dati come quelli descritti, NeuronUP<\/a> disponga del team e dell’esperienza necessari per:<\/p>\n\n\n\n