Un esame del sangue con intelligenza artificiale individua quattro malattie cerebrali correlate alla demenza con una precisione del 92,3%.

Molte persone affette da demenza non ricevono mai una diagnosi accurata, in parte perché il morbo di Alzheimer, il morbo di Parkinson e le patologie correlate sono notoriamente difficili da distinguere e spesso si presentano insieme. Ora, un nuovo strumento basato sull’intelligenza artificiale e su un semplice prelievo di sangue potrebbe fare chiarezza.

I ricercatori della Washington University School of Medicine di St. Louis hanno sviluppato un classificatore basato sull’intelligenza artificiale in grado di distinguere tra quattro comuni malattie cerebrali che causano demenza: il morbo di Alzheimer, il morbo di Parkinson, la demenza frontotemporale e la demenza con corpi di Lewy, nonché il normale invecchiamento cerebrale.

Lo strumento è in grado di distinguere queste patologie l’una dall’altra e dai tipici cambiamenti cognitivi legati all’invecchiamento con una precisione superiore al 90%, e può rilevare quando un paziente presenta più di un processo patologico in atto contemporaneamente: una situazione comune ma clinicamente complessa che può complicare il trattamento.

“Attualmente, a molti pazienti viene diagnosticata una singola patologia, ad esempio l’Alzheimer o il Parkinson, ma in realtà il loro cervello spesso presenta una combinazione di danni causati da diverse malattie. Gli strumenti diagnostici attuali semplicemente non sono stati progettati per rilevare questa combinazione”, ha affermato Carlos Cruchaga, professore titolare della cattedra Barbara Burton e Reuben M. Morriss III presso il Dipartimento di Psichiatria della WashU Medicine e autore senior dell’articolo pubblicato su Alzheimer’s & Dementia .

“Il nostro obiettivo era quello di creare un test che non si limitasse a dire ‘sì’ o ‘no’ a una singola malattia, ma che fornisse invece un’indicazione di tutte le principali malattie neurodegenerative presenti in quella persona. Questo è ciò che serve davvero per una diagnosi di precisione e, in definitiva, per un trattamento di precisione.”

Una finestra sul cervello

Cruchaga, che dirige anche il Centro di Neurogenomica e Informatica di WashU Medicine, ha collaborato con altri ricercatori per creare uno strumento economico e non invasivo che rifletta la reale complessità biologica del cervello che invecchia o è affetto da neurodegenerazione, in modo da poter supportare la diagnosi precoce, il monitoraggio continuo e il trattamento personalizzato.

Per sviluppare il nuovo test, il team ha selezionato un set di 15 proteine ​​presenti nel sangue che riflettono la patologia neurodegenerativa nel cervello. Tra queste figuravano marcatori ben validati della patologia di Alzheimer, insieme a proteine ​​coinvolte nel danno sinaptico e nervoso e nell’infiammazione.

Il team di Cruchaga ha addestrato e testato un classificatore basato sull’intelligenza artificiale utilizzando dati sulle proteine ​​del sangue di oltre 3.200 individui, raccolti dal Charles F. and Joanne Knight Alzheimer Disease Research Center e dalla Sezione dei Disturbi del Movimento del Dipartimento di Neurologia della WashU Medicine, tra cui persone con diagnosi cliniche di malattia di Alzheimer, malattia di Parkinson, demenza frontotemporale, demenza con corpi di Lewy e soggetti di controllo cognitivamente normali.

Le prestazioni del modello sono state quindi verificate su un gruppo separato di 225 individui sottoposti a valutazione cognitiva in vita e i cui cervelli sono stati esaminati all’autopsia. I risultati del classificatore si sono allineati strettamente con l’effettivo carico patologico riscontrato nel tessuto cerebrale e con la presentazione clinica della demenza quando gli individui erano in vita. Lo strumento ha raggiunto un’accuratezza diagnostica complessiva del 92,3%, identificando correttamente i casi in cui a un paziente era stata diagnosticata una singola malattia neurodegenerativa.

Il test si è inoltre dimostrato promettente nel fornire informazioni utili in casi in cui la diagnosi era incerta o in continua evoluzione. Ad esempio, nelle persone con lieve deterioramento cognitivo e in quelle con diagnosi neurologiche “diverse” o ambigue, la previsione del modello di avere l’Alzheimer corrispondeva strettamente al carico effettivo di placche amiloidi – accumuli proteici nel cervello che svolgono un ruolo nel declino cognitivo – riscontrati all’autopsia.

Il modello ha inoltre identificato cambiamenti biologici simili a quelli dell’Alzheimer in persone che avevano ricevuto una diagnosi di Parkinson in vita ma che in seguito hanno sviluppato demenza, sottolineando la sua capacità di rilevare patologie miste che la sola valutazione clinica non sarebbe in grado di individuare.

Il test non è ancora pronto per l’uso clinico. Cruchaga ha osservato che sono necessarie ulteriori validazioni su popolazioni più ampie e diversificate per confermarne la generalizzabilità, e saranno necessari studi prospettici che seguano i pazienti nel tempo per valutare quanto bene preveda la progressione della malattia e guidi il trattamento.

Ma le potenziali applicazioni sono molteplici.

In ambito di ricerca, un classificatore multi-malattia basato su analisi del sangue potrebbe aiutare a identificare i pazienti più adatti per studi clinici mirati a specifici percorsi patologici e consentire studi su larga scala a livello di popolazione, che sarebbero impraticabili con costose scansioni cerebrali o punture lombari.

In ambito clinico, questo strumento potrebbe aiutare i medici a decidere quali pazienti necessitano di ulteriori accertamenti, a quali specialisti dovrebbero rivolgersi e, in definitiva, quali trattamenti o strategie preventive potrebbero essere più efficaci.

Abstract

INTRODUZIONE

La diagnosi clinica accurata delle malattie neurodegenerative rimane una sfida, soprattutto quando i pazienti presentano patologie miste. Abbiamo implementato il classificatore di intelligenza artificiale per le malattie neurodegenerative basato sulle proteine ​​(GPND-AI), utilizzando il pannello NULISA (NUcleic acid-Linked Immuno-Sandwich Assay) per il sistema nervoso centrale (SNC), al fine di classificare la malattia di Alzheimer, la malattia di Parkinson, la demenza frontotemporale, la demenza con corpi di Lewy e i soggetti di controllo sani, distinguendo al contempo le patologie miste.

METODI

Le informazioni proteomiche e cliniche provenienti dal Charles F. and Joanne Knight Alzheimer’s Disease Research Center (Knight-ADRC) e dalla Movement Disorder Clinic sono state utilizzate per addestrare e testare il classificatore GPND-AI. La validazione esterna è stata effettuata su una coorte del Banner Sun Health Research Institute e su ulteriori campioni del Knight-ADRC con diagnosi confermate neuropatologicamente.

RISULTATI

GPND-AI ha identificato 15 proteine ​​che raggiungono un’area sotto la curva (AUC) di 0,955 e un’accuratezza del 92,3% in cinque categorie diagnostiche. Nella coorte di validazione, le co-patologie previste erano significativamente correlate con le caratteristiche cliniche.

DISCUSSIONE

GPND-AI ha identificato un pannello di 15 proteine ​​in grado di classificare accuratamente gli individui affetti dalle quattro principali malattie neurodegenerative. La validazione rispetto alle diagnosi confermate da esami neuropatologici supporta l’utilità degli approcci basati sulla proteomica per la mappatura dei processi neurodegenerativi specifici di ciascuna malattia e di quelli coesistenti.

Punti salienti

• Un pannello plasmatico semplificato di 15 proteine, basato sul test immunoenzimatico NULISA (NUcleic acid-Linked Immuno-Sandwich Assay), ha distinto con precisione quattro principali malattie neurodegenerative e l’invecchiamento cerebrale sano.
• In una coorte esterna indipendente, il classificatore NULISA ha distinto le malattie neurodegenerative così come definite dalla neuropatologia.
• Le probabilistiche a livello individuale rilevano segnali patologici precoci, ambigui e misti, in linea con il carico di amiloide/tau e il declino cognitivo sottostanti.

by