Uno studio pubblicato sulla rivista medica La Lancetta ha valutato l'uso dell'apprendimento automatico e dei dati raccolti clinicamente (come i punteggi di screening cognitivo e comportamentale) per classificare e discriminare la FTD e il morbo di Alzheimer (AD) in gruppi sottorappresentati.

La diagnosi della FTD e di altre demenze è complicata, poiché la diagnosi della FTD richiede in media 3,6 anni. Come evidenzia lo studio, coloro che cercano una diagnosi nei paesi dell’America Latina devono affrontare ulteriori ostacoli, come la mancanza di pratiche diagnostiche standardizzate nei paesi e la diversità dei vari strumenti utilizzati per valutare lo stato cognitivo. Inoltre, le tecnologie e i metodi efficaci nella diagnosi, come l’imaging PET dell’amiloide/tau o gli strumenti di valutazione dei biomarcatori basati su fluidi, sono meno accessibili ai professionisti in America Latina.

Questi ostacoli alla diagnosi ostacolano anche la ricerca. Le differenze nella composizione socioculturale e genetica dei paesi e i livelli variabili di esperienza clinica nella FTD e nell’AD rendono difficile la raccolta di dati che possano essere generalizzati e confrontati con altri paesi.

Per affrontare gli ostacoli incontrati dai professionisti in America Latina, gli autori dello studio presentano un quadro computazionale per classificare FTD e AD che può utilizzare efficacemente diversi campioni. Il framework combina l’analisi statistica tradizionale con i più recenti modelli di machine learning. Utilizzando questo quadro, gli autori hanno identificato le caratteristiche più generalizzabili di FTD e AD che possono essere utilizzate per discriminare tra le malattie e tra le persone che vivono e non vivono con una forma di demenza.

I ricercatori hanno reclutato 1.792 partecipanti da 11 centri membri del Consorzio Multi-Partner per espandere la ricerca sulla demenza in America Latina (tre sia in Argentina che in Colombia, due sia in Cile che in Messico e uno in Perù). A tutti i partecipanti è stata diagnosticata FTD o AD seguendo le procedure standard in ciascuna struttura.

Gli autori hanno scoperto che Random Forest (RF), un modello di apprendimento automatico che funziona bene con dati complessi, era il più efficace nel classificare FTD e AD. Nonostante la diversità demografica dei partecipanti e dei campioni forniti, la RF si è rivelata comunque molto efficace nel classificare FTD e AD, con gli autori che hanno notato un indice di efficienza di 93%.

Utilizzando il modello RF, gli autori hanno scoperto che i dati provenienti da screening cognitivi, test di cognizione sociale, misure del funzionamento esecutivo ed esami neuropsichiatrici hanno mostrato la maggiore capacità di classificare FTD e AD. Nello specifico, per la FTD, le misure neuropsichiatriche e di cognizione sociale sono state le più utili per classificare la malattia.

L’apprendimento automatico è uno strumento sempre più promettente per la diagnosi e la ricerca sull’FTD. clicca qui leggere di uno studio tedesco che ha valutato anche l'efficacia dell'apprendimento automatico nella ricerca FTD.