Preeclampsia: E se l’Intelligenza Artificiale potesse prevederla dalle analisi di routine?

Ciao a tutti! Oggi voglio parlarvi di un argomento che mi sta particolarmente a cuore e che riguarda la salute di tantissime future mamme: la preeclampsia. Sapete, è una di quelle complicazioni della gravidanza che possono spaventare, perché insorge un po’ all’improvviso dopo la 20esima settimana, portando con sé un aumento repentino della pressione sanguigna e altri problemi che possono mettere a rischio sia la mamma che il bambino. Pensate che colpisce circa il 4.6% delle gravidanze nel mondo, causando purtroppo gravi conseguenze in troppi casi.

La sfida più grande? Riuscire a prevederla in anticipo, quando magari si è ancora nelle prime settimane di gestazione. Intervenire presto, ad esempio con basse dosi di aspirina prima della 16esima settimana, può fare una differenza enorme, soprattutto per le forme più precoci (chiamate EOPE, Early-Onset Preeclampsia). Ma come fare a capire chi è davvero a rischio così presto? Non è semplice, perché le cause esatte non sono ancora chiarissime e i fattori di rischio sono tanti (età materna, peso, ipertensione preesistente, diabete, ecc.).

La Caccia agli Indizi Nascosti nei Dati

Qui entra in gioco qualcosa di affascinante: l’intelligenza artificiale (IA) e il machine learning. Immaginate di avere a disposizione una montagna di dati: le informazioni cliniche delle future mamme (età, peso, pressione, storia medica) e i risultati delle analisi di laboratorio di routine, quelle che si fanno comunemente all’inizio della gravidanza (esami del sangue, delle urine, funzionalità epatica e renale…). Cosa succederebbe se potessimo “insegnare” a un computer a scovare dei pattern nascosti in questi dati, dei segnali deboli che l’occhio umano fatica a cogliere, ma che potrebbero indicare un rischio aumentato di sviluppare preeclampsia?

È proprio quello che ha cercato di fare uno studio recente, di cui vi racconto oggi. Abbiamo analizzato retrospettivamente i dati di quasi 2000 donne in gravidanza (tra cui casi di preeclampsia a esordio precoce, tardivo e pretermine, oltre a controlli sani) raccolti tra il 2019 e il 2021 in diversi ospedali. L’obiettivo era duplice:

• Capire quali specifici valori degli esami di laboratorio fossero più significativamente associati ai diversi tipi di preeclampsia.
• Sviluppare e testare dei modelli di machine learning capaci di prevedere il rischio di sviluppare preeclampsia (precoce, tardiva o pretermine) già nelle prime fasi della gravidanza, combinando dati clinici e di laboratorio.

Cosa Abbiamo Scoperto? Segnali dagli Esami di Routine

Analizzando i dati, abbiamo effettivamente trovato delle differenze significative nei valori di laboratorio tra le donne che hanno poi sviluppato preeclampsia e quelle con gravidanze senza complicazioni. Ad esempio, per la preeclampsia a esordio precoce (EOPE), abbiamo identificato 7 marcatori di laboratorio chiave. Per quella a esordio tardivo (LOPE), ne abbiamo trovati ben 18! E anche per la preeclampsia pretermine (Preterm PE), sono emersi 8 indicatori specifici.

Alcuni valori ricorrevano spesso, come i livelli di acido urico (UA), l’enzima epatico ALT, i globuli rossi (RBC), i monociti (MO) e il rapporto AST/ALT. L’acido urico, in particolare, sembra essere un indicatore comune a quasi tutte le forme di preeclampsia analizzate. Questo è interessante perché studi precedenti suggeriscono che livelli elevati di acido urico all’inizio della gravidanza potrebbero giocare un ruolo nello sviluppo dell’ipertensione e dell’infiammazione associate alla preeclampsia.

Abbiamo anche notato che alcuni fattori clinici noti, come un indice di massa corporea (BMI) più alto e una pressione arteriosa media (MAP) più elevata all’inizio della gravidanza, erano effettivamente associati a un rischio maggiore, confermando quanto già si sapeva. Una scoperta interessante è stata l’associazione tra aborti ricorrenti (RPL) e un rischio aumentato specificamente per la EOPE.

Costruire la “Sfera di Cristallo” Digitale

La parte più entusiasmante è stata usare questi dati per “addestrare” i nostri modelli di machine learning. Abbiamo utilizzato algoritmi sofisticati (come LASSO per selezionare le variabili più importanti e poi modelli “ensemble”, che combinano la potenza di diversi algoritmi singoli) per creare dei sistemi predittivi specifici per EOPE, LOPE e Preterm PE.

La buona notizia? I modelli che combinavano sia i dati clinici SIA i marcatori di laboratorio identificati si sono dimostrati significativamente più bravi nel predire il rischio rispetto ai modelli basati solo sui fattori clinici tradizionali.

Ad esempio, il nostro modello “ensemble” per la EOPE ha mostrato una buona capacità di distinguere le donne a rischio da quelle sane già all’inizio della gravidanza, con una sensibilità del 72.22% (capacità di identificare correttamente chi svilupperà la malattia) e una specificità dell’85.25% (capacità di identificare correttamente chi non la svilupperà). I fattori predittivi più importanti per questo modello sono risultati essere BMI, MAP, storia di aborti ricorrenti (RPL), ricorso a fecondazione in vitro (IVF), acido urico (UA), monociti (MO) e il rapporto AST/ALT.

Anche per la LOPE, il modello combinato ha funzionato bene (sensibilità 69.57%, specificità 85.25%), superando leggermente il modello basato solo sui dati clinici. In questo caso, i predittori chiave includevano BMI, MAP e ben 13 marcatori di laboratorio!

Cosa Significa Tutto Questo per le Future Mamme?

Questi risultati sono promettenti! Suggeriscono che potremmo essere in grado di utilizzare le informazioni provenienti da esami di routine, già disponibili all’inizio della gravidanza, per ottenere una valutazione del rischio di preeclampsia molto più accurata e precoce.

Un aspetto molto interessante è che i “punteggi di rischio” generati dai nostri modelli hanno mostrato correlazioni significative con la gravità della malattia al momento del parto. Ad esempio, punteggi più alti erano associati a una pressione sanguigna più elevata al momento del ricovero e, in alcuni casi (come per la EOPE), a livelli più alti di proteine nelle urine (un segno di danno renale). Questo suggerisce che i modelli non solo identificano il rischio, ma potrebbero anche dare un’indicazione sulla potenziale severità della condizione.

Immaginate un futuro in cui, grazie a questi strumenti, i medici possano identificare le donne a più alto rischio molto prima, permettendo di attuare strategie preventive (come l’aspirina a basso dosaggio) in modo mirato ed efficace, migliorando così gli esiti per mamma e bambino.

La Strada è Ancora Lunga, Ma Promettente

Ovviamente, come in ogni ricerca, ci sono dei limiti. Questo era uno studio retrospettivo e, sebbene multi-centrico, i dati provenivano da una specifica popolazione (donne cinesi). Sarà fondamentale condurre studi prospettici su larga scala, coinvolgendo popolazioni diverse, per confermare questi risultati e vedere come questi modelli si comportano “sul campo”, nella pratica clinica quotidiana.

Inoltre, non abbiamo potuto includere altri marcatori noti per la predizione della preeclampsia, come il PlGF (Placental Growth Factor) o i dati dell’ecodoppler delle arterie uterine, perché non erano disponibili retrospettivamente per tutti i partecipanti. Integrare questi dati con i nostri marcatori di laboratorio potrebbe potenzialmente rendere i modelli predittivi ancora più potenti.

Nonostante queste cautele, credo che questo studio apra una porta davvero interessante. L’idea di sfruttare dati già disponibili, ottenuti con esami di routine poco costosi, grazie alla potenza dell’intelligenza artificiale, per affrontare una sfida importante come la predizione precoce della preeclampsia è, a mio avviso, estremamente affascinante e ricca di potenziale per migliorare la salute materno-infantile. Staremo a vedere cosa ci riserverà il futuro!

Fonte: Springer