Un recente studio coordinato dall’Istituto di scienze e tecnologie della cognizione del Consiglio Nazionale delle Ricerche di Roma (Cnr-Istc) ha utilizzato per la prima volta un algoritmo di machine learning per analizzare le differenze di genere nei fattori predittivi dell’insorgenza delle due principali malattie neurodegenerative, l’Alzheimer e il Parkinson. I risultati dello studio sono stati pubblicati in due distinti articoli sulla rivista Journal of the Neurological Sciences: uno dedicato all’analisi dei test per la previsione dell’insorgenza dell’Alzheimer e l’altro focalizzato sul morbo di Parkinson. Entrambe le ricerche evidenziano come l’uso dell’Intelligenza Artificiale possa contribuire a rendere la diagnosi più accurata e personalizzata in base al sesso.

L’uso dell’Intelligenza Artificiale nella ricerca medica sta aprendo nuove prospettive nel campo della diagnosi precoce delle malattie neurodegenerative e, in questo studio, i ricercatori hanno applicato un modello di machine learning per analizzare test neuropsicologici, dati neurofisiologici e genetici, con l’obiettivo di individuare i principali fattori predittivi dell’insorgenza di Alzheimer e Parkinson in uomini e donne.

“La novità dello studio consiste nell’aver adottato un approccio integrato nell’analisi dei test, coerentemente con la teoria che abbiamo sviluppato al Cnr-Istc, secondo cui entrambe le patologie – Alzheimer e Parkinson – potrebbero essere manifestazioni di una sola malattia, denominata Neurodegenerative Elderly Syndrome (NES)”, ha spiegato Daniele Caligiore, responsabile scientifico della ricerca.

Per quanto riguarda l’Alzheimer, l’algoritmo ha analizzato l’esito di test neuropsicologici per identificare i parametri più rilevanti nella previsione della malattia in base al sesso. Tra questi, il Mini-Mental State Examination (MMSE), un test utilizzato per valutare funzioni cognitive come memoria, orientamento, attenzione e linguaggio, è risultato un predittore più efficace dell’Alzheimer nelle donne, mentre negli uomini è particolarmente utile per il monitoraggio a lungo termine. La memoria episodica a lungo termine, misurata attraverso il test LDELTOTAL, è risultata più predittiva dell’insorgenza della malattia nelle donne, mentre la memoria verbale a breve termine, valutata con il test AVTOT, è apparsa più rilevante negli uomini. Inoltre, il livello di istruzione sembra incidere diversamente sul rischio di Alzheimer, con le donne che presentano un rischio maggiore.

Anche per quanto riguarda il Parkinson lo studio ha individuato caratteristiche neuropsicologiche, genetiche e corporee che giocano un ruolo chiave nella previsione della sua insorgenza. Nei pazienti di sesso maschile, rigidità muscolare e disfunzioni del sistema nervoso autonomo sono risultati i fattori predittivi principali. Per le donne, invece, i dati sulle disfunzioni urinarie hanno mostrato una correlazione più forte con la malattia.

Un altro elemento interessante emerso riguarda la genetica, dal momento che il modello di machine learning ha individuato come predittori significativi del Parkinson anche l’età e la storia familiare del campione, con un impatto maggiore negli uomini. Nei soggetti di sesso maschile, inoltre, sono risultati particolarmente rilevanti i test che valutano la fluidità verbale semantica (SFT) e l’analisi della variante genetica SNCA-rs356181, associata al gene dell’alfa-sinucleina, una proteina nota per il suo ruolo nello sviluppo di malattie neurodegenerative come il Parkinson

I risultati della ricerca evidenziano l’importanza di integrare nella pratica clinica approcci diagnostici specifici per sesso per migliorare la gestione di Alzheimer e Parkinson. “Compito della ricerca sarà quello di affinare sempre più i test neuropsicologici e i biomarcatori predittivi, con un’attenzione particolare al sesso così da supportare trattamenti personalizzati”, ha affermato Caligiore.

Questa ricerca rappresenta un esempio concreto di come l’Intelligenza Artificiale possa offrire un valido supporto alla medicina, integrando l’analisi delle caratteristiche individuali con una visione sistemica. L’impiego di algoritmi di machine learning potrebbe non solo migliorare la capacità di prevedere l’insorgenza di queste patologie, ma anche contribuire al monitoraggio della loro progressione e all’identificazione di strategie terapeutiche sempre più mirate.