{"id":33956,"date":"2024-10-31T09:09:00","date_gmt":"2024-10-31T07:09:00","guid":{"rendered":"https:\/\/neuronup.com\/?p=33956"},"modified":"2024-10-31T09:09:00","modified_gmt":"2024-10-31T07:09:00","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\/ricerca\/linee-di-ricerca\/previsione-dellincidenza-della-malattia-di-alzheimer-tramite-machine-learning-utilizzando-dati-sanitari-amministrativi-su-larga-scala\/","title":{"rendered":"Predizione dell’incidenza della malattia di Alzheimer mediante l’apprendimento automatico utilizzando dati sanitari amministrativi su larga scala"},"content":{"rendered":"\n

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

Perch\u00e9 \u00e8 importante lo studio di previsione dell’Alzheimer con apprendimento automatico?<\/h2>\n\n\n\n

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

La grande novit\u00e0 del lavoro di Park e collaboratori \u00e8 stata la valorizzazione di questa enorme quantit\u00e0 di dati che, come descrivono i ricercatori, in molti casi sono ancora da sfruttare. Pertanto, la digitalizzazione delle cartelle cliniche \u00e8 diventata una risorsa di grande valore per ridurre gli sforzi e il costo della 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 si \u00e8 risolto grazie al aumento della capacit\u00e0 di calcolo<\/strong>, che permette di applicare tecniche di apprendimento automatico all’analisi dei dati e creare modelli predittivi rappresentativi della popolazione, disponendo di campioni sufficientemente grandi.<\/p>\n\n\n\n

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

Per la realizzazione dello studio, si parte dalla premessa che l’uso di dati di individui a rischio di sviluppare la malattia di Alzheimer permetter\u00e0 una migliore rilevazione precoce<\/a> di casi in stadio preclinico<\/strong> e, di conseguenza, migliorare le strategie terapeutiche. <\/p>\n\n\n\n

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

Che cosa \u00e8 stato fatto?<\/h2>\n\n\n\n

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

Per condurre lo studio, \u00e8 stata presa in esame una coorte del NHIS-NSC<\/strong> (The National Health Insurance Service\u2013National Sample Cohort) della Corea del Sud, che includeva pi\u00f9 di un milione di partecipanti, e sono stati seguiti per undici anni (2002-2013). <\/p>\n\n\n\n

Il database conteneva informazioni sui servizi sanitari, diagnosi e prescrizioni per ogni individuo, nonch\u00e9 caratteristiche cliniche, che includevano dati demografici, livelli di reddito basati sul salario mensile, codici di malattie e farmaci, valori di laboratorio, profili di salute e storia di malattie personali e familiari. Da questo campione sono stati selezionati 40.736 adulti di et\u00e0 superiore ai 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, reclami medici e prescrizioni specifiche per l’Alzheimer. <\/p>\n\n\n\n

Per migliorare la precisione nella rilevazione della malattia, sono state utilizzate le etichette “definite AD” per i casi con un alto grado di certezza, e “probable AD” per i casi confermati unicamente tramite i codici della CIE-10 (acronimo della Classificazione Internazionale delle Malattie), al fine di minimizzare i falsi negativi. Con queste etichette si \u00e8 ottenuta 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 processamento 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 storia di malattie familiari, insieme a pi\u00f9 di 6.000 variabili derivate dai codici CIE-10 e dalle prescrizioni farmacologiche. <\/p>\n\n\n\n

Una volta descritte le caratteristiche, queste sono state allineate concentrandosi sull’incidenza della diagnosi per ciascun individuo<\/strong>, secondo i codici CIE-10 e i codici dei farmaci. Ci\u00f2 ha permesso di eliminare malattie rare e codici di farmaci con bassa frequenza di comparsa. Inoltre, sono stati esclusi gli individui che non avevano nuovi dati sanitari negli ultimi due anni. Il set finale di variabili utilizzate nei modelli includeva 4.894 caratteristiche uniche.<\/p>\n\n\n\n

Per effettuare le previsioni a “n” anni nel gruppo con malattia di Alzheimer, sono state utilizzate le finestre temporali comprese tra il 2002 e l’anno di incidenza. Nel gruppo senza la 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 sottoinsiemi di addestramento, validazione e test utilizzando sia un set di dati bilanciato e campionato casualmente, sia un set di dati sbilanciato.<\/p>\n\n\n\n

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

Infine \u00e8 stata effettuata l’analisi dei dati implementando tecniche di apprendimento automatico<\/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 validazione incrociata stratificata con 5 iterazioni. <\/p>\n\n\n\n

La selezione delle caratteristiche \u00e8 stata eseguita all’interno dei campioni di addestramento utilizzando un metodo basato su 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 abituali, 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

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Iscriviti<\/strong>
alla nostra
Newsletter<\/h2>\n\n\n\n
\n
Iscriviti<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

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

Il lavoro evidenzia il potenziale delle tecniche di apprendimento automatico<\/strong> guidate dai 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 si trovano gi\u00e0 in una situazione di rischio clinico reale o che hanno manifestato sufficiente preoccupazione da consultare un professionista sanitario, questo approccio sfrutta la disponibilit\u00e0 di dati amministrativi per identificare i rischi senza necessit\u00e0 di valutazioni cliniche pregresse<\/strong>.<\/p>\n\n\n\n

<\/div>\n\n\n\n
<\/td>Definite AD<\/td>Probable AD<\/td>Non-AD<\/td><\/tr>
N\u00ba<\/td>614<\/td>2026<\/td>38.710<\/td><\/tr>
Edad<\/td>80.7<\/td>79.2<\/td>74.5<\/td><\/tr>
Sexo (hombre, mujer)<\/td>229, 285<\/td>733, 1293<\/td>18.200, 20.510<\/td><\/tr><\/tbody><\/table>
Tabella1. 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
<\/div>\n\n\n\n

Di seguito vengono mostrate le tabelle comparative tra definite AD e non AD, e probable AD e non AD per gli anni di previsione 0 e 4 con tutti i classificatori usati nello studio.<\/p>\n\n\n\n

<\/div>\n\n\n\n
A\u00f1os de predicci\u00f3n<\/td>Clasificador<\/td>M\u00e9tricas<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Precisi\u00f3n<\/td>AUC<\/td>Sensibilidad<\/td>Especifidad<\/td><\/tr>
0 a\u00f1os<\/td>Regresi\u00f3n log\u00edstica<\/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 a\u00f1os<\/td>Regresi\u00f3n log\u00edstica<\/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
<\/div>\n\n\n\n
A\u00f1os de predicci\u00f3n<\/td>Clasificador<\/td>M\u00e9tricas<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Precisi\u00f3n<\/td>AUC<\/td>Sensibilidad<\/td>Especifidad<\/td><\/tr>
0 a\u00f1os<\/td>Regresi\u00f3n log\u00edstica<\/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 a\u00f1os<\/td>Regresi\u00f3n log\u00edstica<\/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
<\/div>\n\n\n\n

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

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

Un altro punto saliente dell’articolo sono le caratteristiche importanti trovate per la predizione. Queste vengono descritte come correlate in modo positivo o negativo 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 proteine 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 riduzione 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 esclusivamente le 20 caratteristiche pi\u00f9 importanti, e si \u00e8 riscontrato che il modello aveva una precisione per gli anni 0 e 1 molto simile all’originale.<\/p>\n\n\n\n

\u00c8 possibile il rilevamento basato sui dati amministrativi sanitari?<\/h3>\n\n\n\n

Pertanto, la conclusione dello studio \u00e8 che il rilevamento di individui a rischio di Alzheimer basandosi esclusivamente sui dati amministrativi sanitari \u00e8 possibile<\/strong>. Tuttavia, gli autori lasciano aperta la possibilit\u00e0 che studi futuri in nazioni e sistemi sanitari diversi possano corroborare questi risultati. La loro replicazione sarebbe un traguardo che permetterebbe una rilevazione pi\u00f9 precoce e accurata delle persone a rischio.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n

Prova NeuronUP gratis per 7 giorni<\/h2>\n\n\n\n

Potrai collaborare con le nostre attivit\u00e0, progettare sedute o fare riabilitazione a distanza.<\/p>\n<\/div>\n\n\n\n

\n
\n
Comincia la tua prova<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n
<\/div>\n\n\n\n

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

NeuronUP<\/a> ha esperienza nel campo 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 i propri lavori per essere pubblicati su 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 insiemi di dati come quelli descritti, NeuronUP<\/a> disponga del team e dell’esperienza necessari per:<\/p>\n\n\n\n