Fumo in Gravidanza in Africa: L’Intelligenza Artificiale Svela i Segreti Nascosti

Ciao a tutti! Oggi voglio parlarvi di un argomento davvero importante e, devo dire, piuttosto preoccupante: l’uso del tabacco durante la gravidanza, specialmente in una vasta area del nostro pianeta, l’Africa subsahariana. È un tema che mi sta a cuore perché tocca la salute delle mamme e dei loro bambini in un momento delicatissimo della vita.

Pensate che, nonostante sappiamo quanto sia dannoso fumare, soprattutto quando si aspetta un bambino, i dati su questo fenomeno in molte parti dell’Africa sono scarsi. Ed è qui che entra in gioco qualcosa di affascinante: l’intelligenza artificiale, o più precisamente, un algoritmo chiamato Random Forest. Sembra il nome di una foresta incantata, vero? In realtà, è uno strumento potentissimo che ci ha permesso di “scavare” nei dati e capire meglio chi sono le donne incinte più a rischio di fumare e, soprattutto, *perché*.

Perché è Così Importante Parlarne?

Partiamo dalle basi: fumare fa male, sempre. Ma durante la gravidanza, i rischi si moltiplicano in modo esponenziale. L’Organizzazione Mondiale della Sanità (OMS) ci dice che il fumo è uno dei principali problemi di salute pubblica globali. Parliamo di circa 1,3 miliardi di fumatori nel mondo, e oltre l’80% vive in paesi a basso e medio reddito. Ogni anno, 8 milioni di persone muoiono a causa del tabacco.

Quando una donna incinta fuma, le sostanze chimiche della sigaretta, nicotina inclusa, attraversano la placenta e raggiungono il feto, che è estremamente vulnerabile, specialmente nelle prime fasi dello sviluppo degli organi. Le conseguenze? Possono essere devastanti:

• Restrizione della crescita del feto
• Basso peso alla nascita
• Aumento del rischio di obesità e malattie croniche nel bambino
• Morte intrauterina e anomalie congenite
• Sindrome della morte improvvisa del lattante (SIDS)
• Maggior rischio di ipossia, problemi respiratori e neurologici nel neonato

Nonostante tutto questo, quasi il 53% delle fumatrici nel mondo continua a fumare anche durante la gravidanza! È un numero che fa riflettere.

La Sfida Specifica dell’Africa Subsahariana

Mentre nei paesi più ricchi si è vista una diminuzione del fumo in gravidanza, nell’Africa subsahariana la situazione è meno chiara e potenzialmente in peggioramento, con proiezioni che parlano di un aumento generale dei fumatori. Sebbene la prevalenza del fumo tra le donne in generale sia relativamente bassa (sotto il 5%), il problema è che mancano dati specifici e completi sulle donne incinte.

Studi precedenti hanno già identificato alcuni fattori di rischio comuni: basso livello socioeconomico, scarsa istruzione, disoccupazione, essere giovani o single, gravidanze non pianificate. Ma spesso questi studi usano metodi statistici tradizionali. Noi abbiamo voluto fare un passo in più.

Perché Usare il Machine Learning (e Cos’è Questa “Foresta Casuale”)?

Vi chiederete: perché usare algoritmi complicati come il Random Forest invece della buona vecchia statistica? Bella domanda! I metodi statistici classici, come la regressione, sono ottimi per spiegare relazioni tra variabili *se* si rispettano certe condizioni (linearità, normalità, ecc.). Ma la vita reale, e soprattutto i comportamenti umani come il fumo, sono molto più complessi e “disordinati”. Spesso le relazioni non sono lineari e ci sono tante interazioni nascoste.

Il machine learning, e il Random Forest in particolare, è più flessibile. Non parte da ipotesi rigide, ma impara direttamente dai dati, scovando pattern complessi e non lineari che altrimenti potrebbero sfuggirci. Immaginatelo come un investigatore super potente! Il Random Forest, nello specifico, funziona creando tantissimi “alberi decisionali” (piccoli schemi di domande e risposte basati sui dati) e poi mettendo insieme i loro “pareri” per arrivare a una predizione finale più robusta e accurata. È come chiedere l’opinione a un’intera foresta di esperti invece che a uno solo!

Inoltre, abbiamo usato uno strumento chiamato SHAP. Questo ci aiuta a capire *perché* l’algoritmo fa una certa previsione, rendendo l’intelligenza artificiale meno “scatola nera” e più interpretabile. Fondamentale quando si parla di salute!

Cosa Abbiamo Analizzato Esattamente?

Abbiamo preso i dati recentissimi (2016-2023) dai Demographic and Health Surveys (DHS) di ben 26 paesi dell’Africa subsahariana. Un campione enorme: 33.705 donne incinte! Abbiamo guardato se usavano tabacco (sigarette, pipe, tabacco da masticare, ecc.) e abbiamo raccolto un sacco di informazioni su di loro:

• Livello di alfabetizzazione e istruzione
• Situazione economica (indice di ricchezza)
• Possesso di un cellulare
• Distanza dalla struttura sanitaria più vicina
• Luogo di residenza (urbano/rurale)
• Possesso di un conto in banca
• Occupazione
• Stato civile
• Presenza di elettricità in casa
• Numero di figli
• Sesso del capofamiglia
• Esposizione ai media e uso di internet

Abbiamo “pulito” i dati (gestendo i valori mancanti con una tecnica chiamata K-NN imputation), bilanciato il campione (perché, per fortuna, le fumatrici erano una minoranza, usando SMOTE) e selezionato le variabili più importanti (con RFE).

I Risultati: Cosa Ci Ha Detto la “Foresta”?

Ebbene, il nostro modello Random Forest si è rivelato bravissimo! Ha raggiunto un’accuratezza del 92% e un valore AUC (un indice della capacità di distinguere tra fumatori e non) del 98%, che è quasi perfetto! Anche la capacità di identificare correttamente le fumatrici (recall) è stata altissima, al 94%. Insomma, l’algoritmo ha imparato molto bene a prevedere il rischio.

Ma la parte più interessante è capire *quali* fattori sono risultati più importanti nel determinare se una donna incinta fuma o meno. Sia l’analisi interna del Random Forest che l’analisi SHAP hanno confermato gli stessi “colpevoli” principali:

• Alfabetizzazione e Istruzione della madre: Questo è emerso come uno dei fattori più potenti. Donne con livelli di istruzione e alfabetizzazione più bassi hanno una probabilità significativamente maggiore di fumare.
• Indice di Ricchezza: Le donne appartenenti ai quintili di ricchezza più bassi sono molto più a rischio. La povertà è un fattore determinante.
• Distanza dalle Strutture Sanitarie: Vivere lontano da un centro medico aumenta il rischio.
• Luogo di Residenza: Le donne che vivono in aree rurali sono più propense a fumare rispetto a quelle delle aree urbane.
• Possesso di un Cellulare: Non possedere un cellulare è risultato associato a un maggior rischio.
• Avere un Conto in Banca: Anche non avere accesso a servizi bancari è un indicatore di rischio.

Altri fattori importanti includono lo stato civile (le donne single sono più a rischio delle sposate), vivere in famiglie guidate da donne, non avere elettricità, avere una limitata esposizione ai media o non usare internet, essere disoccupate e, curiosamente, avere meno figli.

Il Quadro Generale: Disuguaglianze Sistemiche

Cosa ci dice tutto questo? Che il fumo in gravidanza in Africa subsahariana non è solo una questione di scelta individuale, ma è profondamente radicato in disuguaglianze sistemiche. Povertà, mancanza di istruzione, accesso limitato all’assistenza sanitaria e alle informazioni, isolamento geografico e sociale: sono questi i veri motori del problema.

Le donne con meno risorse economiche ed educative potrebbero essere meno consapevoli dei rischi, avere meno accesso a programmi per smettere di fumare o usare il tabacco come meccanismo per affrontare lo stress legato alla loro condizione. Vivere in aree rurali o lontane dai servizi sanitari complica ulteriormente la possibilità di ricevere supporto.

Cosa Possiamo Fare? E Cosa Ci Riserva il Futuro?

Questi risultati non sono solo numeri affascinanti usciti da un computer. Sono indicazioni preziose per agire! Ci dicono che per ridurre il fumo in gravidanza e migliorare la salute di mamme e bambini in Africa subsahariana, dobbiamo affrontare le cause alla radice:

• Migliorare l’istruzione e l’alfabetizzazione femminile.
• Combattere le disuguaglianze economiche e la povertà.
• Rimuovere le barriere all’accesso all’assistenza sanitaria, specialmente nelle aree rurali.
• Utilizzare canali come i media e forse anche i cellulari (visto che il loro possesso sembra protettivo) per diffondere informazioni e supporto.

Certo, il nostro studio ha dei limiti. I dati sono auto-riferiti (le donne potrebbero non dire la verità sul fumo), è uno studio “fotografico” (cross-sectional) che non può stabilire cause ed effetti certi, e abbiamo aggregato dati da 26 paesi diversi, che hanno sicuramente le loro specificità culturali e politiche.

Per il futuro, sarebbe fantastico poter usare dati longitudinali (seguire le stesse donne nel tempo) per capire meglio le dinamiche e magari confrontare più nel dettaglio le differenze tra paesi o tra zone urbane e rurali.

Ma per ora, abbiamo fatto un passo avanti importante. Abbiamo usato la potenza del machine learning non solo per predire, ma per *capire*. E capire è il primo passo per poter cambiare le cose in meglio. Speriamo che questi risultati aiutino i decisori politici e gli operatori sanitari a sviluppare interventi più mirati ed efficaci. La salute delle future generazioni africane dipende anche da questo!

Fonte: Springer