Lo screening dell'Alzheimer fa un balzo in avanti con il modello di machine learning del Giappone

In uno sviluppo rivoluzionario, l'Università di Oita in Giappone e l'azienda farmaceutica Eisai Co. hanno presentato il primo modello di machine learning al mondo progettato per prevedere l'accumulo di beta-amiloide (Aβ) nel cervello, un fattore patologico cruciale nella malattia di Alzheimer (AD).

Questo modello rivoluzionario sfrutta i dati raccolti dai sensori da polso per screeningare facilmente l'accumulo di Aβ cerebrale utilizzando dati biologici e dello stile di vita.

Una soluzione alle sfide della diagnosi precoce

La malattia di Alzheimer, che rappresenta oltre il 60% dei casi di demenza, è caratterizzata dall'accumulo graduale di Aβ nel cervello. Questo processo ha inizio circa due decenni prima dell'insorgenza dei sintomi clinici. 

In risposta a questa questione urgente, sono stati intrapresi sforzi per sviluppare farmaci terapeutici mirati all'Aβ, culminati con l'approvazione in Giappone di un anticorpo monoclonale umanizzato anti-aggregato solubile di Aβ.

L'efficacia di tali farmaci dipende dalla diagnosi precoce dell'accumulo di Aβ negli individui con lieve compromissione cognitiva, idealmente prima della manifestazione dei sintomi. L'identificazione dell'accumulo di Aβ cerebrale si basa su metodi costosi e invasivi come la tomografia a emissione di positroni (amyloid PET) e il test del liquido cerebrospinale (test CSF). 

Questi test sono limitati a specifiche istituzioni mediche e comportano oneri finanziari e procedurali considerevoli. Di conseguenza, è persistita la ricerca di un metodo di screening economico e facile da usare per identificare i candidati che necessitano di amyloid PET o test CSF.

Mentre studi precedenti hanno tentato di prevedere l'accumulo di Aβ cerebrale utilizzando test delle funzioni cognitive, esami del sangue e immagini cerebrali, questo studio di machine learning rappresenta un approccio pionieristico incentrato sui "dati biologici" e sui "dati sullo stile di vita".

La svolta del machine learning

La collaborazione tra l'Università di Oita e Eisai Co. ha dato vita a un modello di machine learning pionieristico in grado di prevedere l'accumulo di Aβ cerebrale. Ciò che distingue questo modello è l'utilizzo di dati provenienti da sensori a braccialetto, in netto contrasto con i tradizionali test cognitivi e di imaging. 

Sfruttando i dati biologici e sullo stile di vita, questa tecnologia all'avanguardia offre una soluzione promettente per lo screening precoce della malattia di Alzheimer.

Il ruolo dell'Amyloid Beta (Aβ)

L'amiloide beta (Aβ) è una proteina che svolge un ruolo centrale nello sviluppo della malattia di Alzheimer. Nell'AD, l'Aβ inizia ad accumularsi nel cervello molto prima che i sintomi clinici diventino evidenti. Questo accumulo è un fattore patologico critico, rendendolo un bersaglio primario per le terapie. 

Rilevare precocemente l'accumulo di Aβ è essenziale per massimizzare l'efficacia del trattamento, poiché consente un intervento medico tempestivo che potrebbe rallentare o mitigare la progressione della malattia.

Metodi di rilevamento tradizionali

La tomografia a emissione di positroni (amyloid PET) e il test del liquido cerebrospinale (test CSF) sono stati tradizionalmente i mezzi principali per rilevare l'accumulo di Aβ cerebrale. Tuttavia, questi metodi presentano diverse sfide:

Disponibilità limitata: Non tutte le istituzioni mediche sono in grado di eseguire amyloid PET o test CSF, limitando l'accesso a questi strumenti diagnostici.

Costi elevati: Questi test possono essere proibitivamente costosi, rendendoli un onere finanziario per molti pazienti.

Invasività: Le procedure di amyloid PET e test CSF possono essere invasive e scomode per i pazienti.

L'approccio innovativo

Il rivoluzionario modello di machine learning sviluppato da Oita University ed Eisai Co. rappresenta una significativa allontanamento dai metodi di rilevamento tradizionali. Incorporando dati provenienti da sensori a braccialetto, questo approccio sfrutta i dati biologici e sullo stile di vita per prevedere l'accumulo di Aβ cerebrale.

Questa innovazione promette un mezzo più accessibile, economico e non invasivo per identificare gli individui a rischio di malattia di Alzheimer.

Vari fattori di rischio, inclusi lo stile di vita e condizioni mediche come la mancanza di esercizio fisico, l'isolamento sociale, i disturbi del sonno, l'ipertensione, il diabete e le malattie cardiovascolari influenzano la malattia di Alzheimer. 

Mentre gli studi precedenti si sono basati principalmente su test cognitivi e di imaging, questo modello di machine learning considera un'ampia gamma di "dati biologici" e "dati sullo stile di vita" per migliorare le sue capacità predittive.