Con uno sviluppo rivoluzionario, l'Università di Oita con sede in Giappone e la società farmaceutica Eisai Co. hanno svelato il primo modello di apprendimento automatico al mondo progettato per prevedere l'accumulo di amiloide-beta (Aβ) nel cervello, un fattore patologico fondamentale nella malattia di Alzheimer (AD).
Questo modello rivoluzionario sfrutta i dati raccolti dai sensori del braccialetto per monitorare facilmente l’accumulo di Aβ nel cervello utilizzando dati biologici e sullo 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 dal graduale accumulo di Aβ nel cervello. Questo processo inizia circa due decenni prima della comparsa dei sintomi clinici.
In risposta a questo problema urgente, sono stati compiuti sforzi per sviluppare farmaci terapeutici mirati all’Aβ, culminati nell’approvazione di un anticorpo monoclonale Aβ aggregato antisolubile umanizzato in Giappone.
L’efficacia di tali farmaci dipende dalla rilevazione precoce dell’accumulo di Aβ negli individui con lieve deterioramento cognitivo, idealmente prima della manifestazione dei sintomi. L’identificazione dell’accumulo di Aβ nel cervello si basa su metodi costosi e invasivi come la tomografia a emissione di positroni (PET amiloide) e l’analisi del liquido cerebrospinale (test del liquido cerebrospinale).
Questi test sono limitati a istituti medici selezionati e comportano notevoli oneri finanziari e procedurali. Di conseguenza, c'è stata una ricerca persistente per un metodo di screening conveniente e di facile utilizzo per identificare i candidati che necessitano di test per l'amiloide PET o CSF.
Mentre studi precedenti hanno tentato di prevedere l’accumulo di Aβ nel cervello utilizzando test di funzione cognitiva, esami del sangue e imaging del cervello, questo studio di apprendimento automatico rappresenta un approccio pionieristico incentrato su “dati biologici” e “dati sullo stile di vita”.
La svolta dell’apprendimento automatico
La collaborazione tra l’Università di Oita e la Eisai Co. ha dato vita a un modello pionieristico di machine learning in grado di prevedere l’accumulo di Aβ nel cervello. Ciò che distingue questo modello è l’utilizzo dei dati provenienti dai sensori dei braccialetti, un allontanamento dai test cognitivi e di imaging convenzionali.
Sfruttando 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’amiloide-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, che lo rende un obiettivo primario per gli interventi terapeutici.
Rilevare precocemente l’accumulo di Aβ è essenziale per massimizzare l’efficacia del trattamento, poiché consente un intervento medico tempestivo per rallentare o mitigare potenzialmente la progressione della malattia.
Metodi di rilevamento tradizionali
La tomografia a emissione di positroni (PET amiloide) e il test del liquido cerebrospinale (test del liquido cerebrospinale) sono stati tradizionalmente i mezzi principali per rilevare l’accumulo di Aβ nel cervello. Tuttavia, questi metodi presentano diverse sfide:
Disponibilità limitata: non tutte le istituzioni mediche possiedono la capacità di condurre test PET o liquido cerebrospinale per l'amiloide, limitando l'accesso a questi strumenti diagnostici.
Costi elevati: questi test possono essere proibitivi, rendendoli finanziariamente onerosi per molti pazienti.
Invasività: le procedure di analisi dell’amiloide PET e CSF possono essere invasive e scomode per i pazienti.
L'approccio innovativo
L’innovativo modello di apprendimento automatico sviluppato dall’Università di Oita e da Eisai Co. rappresenta un significativo allontanamento dai metodi di rilevamento tradizionali. Incorporando i dati provenienti dai sensori dei braccialetti, questo approccio sfrutta i dati biologici e sullo stile di vita per prevedere l’accumulo di Aβ nel cervello.
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, tra cui 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 il morbo di Alzheimer.
Mentre gli studi precedenti si basavano principalmente su test cognitivi e di imaging, questo modello di apprendimento automatico considera una gamma più ampia di “dati biologici” e “dati sullo stile di vita” per migliorare le sue capacità predittive.