L'intelligenza artificiale (IA) sta rapidamente permeando ogni aspetto della nostra vita, e il settore sanitario non fa eccezione. Negli ultimi anni, abbiamo assistito a una progressiva espansione dell'IA nelle nostre vite quotidiane, con una serie di tecnologie che simulano processi cognitivi umani, come apprendimento, riconoscimento di pattern e presa di decisioni. Il concetto di una macchina capace di simulare il pensiero umano fu introdotto da Alan Turing nel 1950 con la pubblicazione di "Computing Machinery and Intelligence". Il termine "Intelligenza artificiale" fu coniato per la prima volta nel 1956 alla Conferenza di Dartmouth da John McCarthy. Questo periodo vide la nascita dei primi programmi, come Logic Theorist, seguito dalle grandi aspettative degli anni '60 con lo sviluppo dei primi chatbot (Eliza) e una fase di rallentamento negli anni '80 dovuta a crisi di finanziamenti. Un momento significativo fu nel 1997, con la vittoria del supercomputer IBM Deep Blue contro il campione mondiale di scacchi Garry Kasparov.
Le evoluzioni più recenti includono il Machine Learning, che consente ai sistemi di apprendere dai dati e migliorare progressivamente le proprie prestazioni attraverso algoritmi complessi che identificano caratteristiche ricorrenti nei dati per costruire modelli matematici capaci di formulare previsioni. Il Deep Learning, un sottocampo del Machine Learning e dell'IA, si basa su reti neurali profonde, ispirate al cervello umano, che apprendono da grandi volumi di dati non strutturati. Questo processo coinvolge l'elaborazione dei dati attraverso vari strati di neuroni che estraggono caratteristiche sempre più complesse, trasformando le informazioni in forme più astratte e migliorando le prestazioni del modello nel tempo senza programmazione specifica. L'AI generativa, un ulteriore sviluppo basato sulle tecniche di deep learning, utilizza Large Language Models (LLM) - modelli linguistici di grandi dimensioni addestrati su vasti corpora testuali - capaci di comprendere il contesto e generare contenuti in linguaggio naturale coerenti e sintatticamente strutturati.
Applicazioni dell'IA nella Diagnosi della Demenza
L'applicazione dell'IA nella diagnosi della demenza apre scenari promettenti, offrendo strumenti innovativi per un'identificazione precoce e precisa delle patologie neurodegenerative.
Analisi di Immagini Mediche
Una delle aree più promettenti è l'analisi delle immagini mediche. Hao et al. (2024) hanno sviluppato Eye-AD, un modello di Deep Learning in grado di predire l'insorgenza di Mild Cognitive Impairment (MCI) o demenza analizzando immagini di tomografia ottica (OCT) dei capillari retinici. Questo metodo si rivela veloce, non invasivo ed efficiente per la diagnosi di demenza. Eye-AD utilizza una rappresentazione multistrato per analizzare sia gli strati interni che quelli esterni della retina, dimostrando un alto grado di affidabilità nella diagnosi di Alzheimer (AD) e MCI dopo aver analizzato 5751 immagini.
Una review sistematica del 2022, condotta da Frizzel et al., ha analizzato la letteratura sull'uso dell'IA nell'analisi delle immagini di Risonanza Magnetica (MRI) per la diagnosi differenziale tra MCI e varie forme di demenza, coprendo il periodo tra il 2009 e il 2020. Nel corso degli anni, le applicazioni dell'IA si sono ampliate, passando da un supporto nella diagnosi differenziale delle demenze alla capacità di calcolare la probabilità di conversione da MCI ad AD, stimare l'età cerebrale e fornire predizioni sempre più precise e precoci del rischio di sviluppare demenza. Sono aumentate sia le scansioni MRI analizzate (dalla sola T1 a tutte le scansioni) sia la quantità di algoritmi di IA utilizzati. Tra gli algoritmi più diffusi figurano il SVM (Support Vector Machine), un algoritmo di apprendimento automatico supervisionato, e la CNN (Convolutional Neural Network), un tipo specializzato di rete neurale artificiale utilizzata nel Deep Learning per l'analisi di immagini, progettata per funzionare in modo simile alla corteccia visiva umana. L'analisi combinata di immagini MRI pesate in T1 e FDG-PET ha raggiunto un'accuratezza del 98% nella diagnosi di demenza. L'integrazione di metodi innovativi come la capsule 3D e gli autoencoder 3D addestrati ha permesso di raggiungere un'accuratezza del 97,6% nel riconoscimento della demenza di Alzheimer e dell'MCI.
Analisi di Dati Clinici e Cartelle Elettroniche
Oltre all'imaging, l'IA è impiegata nell'analisi di dati clinici estratti da cartelle elettroniche. Winchester (2023) suggerisce che la ricerca di nuovi biomarcatori per l'Alzheimer possa trarre spunto dall'analisi dei dati estratti dalle cartelle cliniche elettroniche, similmente a quanto fatto per identificare i sospetti casi di COVID-19. L'uso di software non supervisionati capaci di elaborare questi dati potrebbe individuare caratteristiche comuni nei pazienti con AD all'interno di una coorte. Per identificare nuovi biomarcatori, è fondamentale disporre di grandi set di dati di pazienti il più possibile omogenei rispetto alla popolazione globale.
L'ambulatorio CDCD (Centro per i Disturbi Cognitivi e le Demenze) dell'ASL4, che serve una popolazione di circa 140.000 abitanti, di cui il 30% ha più di 65 anni, ha implementato un'analisi di dati clinici tramite intelligenza artificiale. I referti clinici, originariamente in formato PDF, sono stati estratti in un file Excel anonimizzato e organizzato per fasce d'età. L'elaborazione con strumenti di IA (Perplexity) ha permesso di calcolare le medie dei principali indicatori clinici su 1735 referti. L'analisi ha rivelato un punteggio medio MMSE di 21,66, indicativo di un decadimento cognitivo lieve-moderato. La scala AGED ha mostrato un valore medio di 16,93, suggerendo un livello significativo di compromissione funzionale. Il test di Tinetti presentava un valore medio di 16,75, compatibile con un alto rischio di caduta. I dati raccolti delineano il profilo tipico del paziente seguito presso l'ambulatorio: prevalentemente una donna di età superiore agli 80 anni, affetta da disturbo neurocognitivo maggiore in fase iniziale, parzialmente non autosufficiente, con elevato rischio di caduta e disturbi comportamentali associati. L'analisi per fasce d'età ha evidenziato un aumento progressivo della quota di pazienti di sesso femminile con l'avanzare dell'età (dal 33% nella fascia 51-55 anni all'84% nei soggetti con più di 95 anni), parallelamente a una riduzione dei punteggi medi del MMSE (da 24 nella fascia 56-60 anni a 17,52 nella fascia 91-95 anni).
Intelligenza Artificiale in Diagnostica per Immagini
IA nella Prognosi e nella Ricerca Terapeutica
L'intelligenza artificiale non si limita alla diagnosi, ma gioca un ruolo sempre più cruciale nella definizione della prognosi e nella ricerca di nuove terapie per la demenza.
Previsione della Progressione della Malattia
Negli ultimi anni, l'IA viene impiegata sempre più non solo nella diagnosi ma anche nella prognosi della demenza. La maggior parte degli studi (71%) si basa sul dataset ADNI (Alzheimer’s Disease Neuroimaging Initiative), con il rischio di ottenere risultati viziati dall'analisi di un campione omogeneo. Borchert RJ et al. (2023) hanno focalizzato la loro attenzione sull'uso dell'IA nell'analisi delle neuroimmagini per la diagnosi e la prognosi della demenza, segnalando un'espansione dei modelli algoritmici e una stabilizzazione nell'uso dell'IA generativa (sebbene l'uso massivo dell'IA generativa sia iniziato più recentemente). Le immagini più frequentemente analizzate sono state la Risonanza Magnetica (RM) morfologica (71%) e la Tomografia a emissione di positroni (PET) (25%).
L'analisi delle immagini per predire la conversione da MCI ad AD prevede due approcci: l'analisi delle sole immagini al baseline o la valutazione delle immagini in un arco temporale definito per associarle a una possibile prognosi. Gli studi che utilizzano solo immagini al baseline mostrano un'accuratezza variabile dal 65% al 96%, mentre la valutazione delle immagini nel tempo variava dal 73% al 92%. Gli autori raccomandano, per futuri studi diagnostici o prognostici con l'IA, di includere persone con demenza non Alzheimer nei dataset, raggiungere un consenso sulle misure di outcome e monitorare i possibili bias etnici e sociodemografici inserendo una popolazione eterogenea.
Sviluppo di Nuove Terapie
Il screening virtuale con il Machine Learning rappresenta uno strumento importante per lo studio dello sviluppo di nuove terapie. Doherty (2023) evidenzia come questo approccio possa aumentare il numero di terapie validate attraverso test in silico su milioni di combinazioni in tempi molto ridotti rispetto alle classiche fasi degli studi scientifici controllati, riducendo i costi fino al 50%. Gli algoritmi bayesiani sono i più utilizzati nell'analisi del Machine Learning per esaminare le possibili attività biologiche di piccole molecole e predire la loro utilità nel trattamento della malattia di Alzheimer.
Google DeepMind, attraverso il software Alpha-Fold, è in grado di predire la struttura tridimensionale delle molecole basandosi sulla sequenza degli aminoacidi, senza la necessità di sintesi in laboratorio. L'IA non viene utilizzata solo per testare piccole molecole, ma anche per progettare e ottimizzare anticorpi monoclonali, predicendo direttamente dalla struttura dell'anticorpo la sua interazione con il potenziale antigene. Recentemente, il trastuzumab è stato testato su un campione di pazienti con AD per verificarne la specificità antigenica.
Stratificazione dei Pazienti nei Trial Clinici
L'IA può migliorare la stratificazione dei pazienti nei trial clinici. La demenza è una malattia multifattoriale, e il profilo genetico può influenzare la traiettoria della malattia. Analisi non supervisionate della deposizione di proteina tau alla PET hanno individuato 4 diverse traiettorie di malattia, e sono stati identificati tre diversi sottotipi di accumulo della beta amiloide, ciascuno con specifici fattori di rischio che influenzano la progressione. Comprendere queste traiettorie e sottotipi è fondamentale per somministrare l'anticorpo monoclonale giusto al paziente giusto nella fase di malattia appropriata.
Limiti e Sfide nell'Uso dell'IA per la Ricerca Farmaceutica
Nonostante i progressi, l'approccio di Machine Learning alla ricerca di nuove terapie per l'Alzheimer presenta limiti significativi. La dipendenza da ampi set di dati di alta qualità, rappresentativi della popolazione di interesse e privi di bias, è cruciale ma spesso difficile da garantire. I set di dati di alta qualità per la scoperta di farmaci rimangono scarsi ed eterogenei. Inoltre, molti dati disponibili non sono leggibili dall'IA. La fiducia nella scoperta di nuovi farmaci basata sull'IA è limitata dalla mancanza di successi clinici per i farmaci così progettati, sollevando interrogativi sul potenziale futuro dell'IA nello sviluppo di nuovi farmaci. La carenza di molecole e bersagli bioattivi validati sperimentalmente, e la complessità strutturale dei bersagli patologici noti, complicano ulteriormente la progettazione di farmaci basata sulla struttura molecolare.
Aspetti Normativi e Implicazioni Etico-Legali
L'integrazione dell'IA nel settore sanitario solleva anche importanti questioni normative ed etico-legali. È stata recentemente emanata una legge (23/9/25 n. 132) che definisce il quadro normativo sull'IA nel settore sanitario, con l'obiettivo di promuovere l'innovazione tecnologica garantendo al contempo la tutela dei diritti fondamentali e della privacy dei dati sanitari. L'articolo 7 disciplina l'utilizzo dell'intelligenza artificiale in sanità e nel campo della disabilità, mirando a migliorare l'efficienza e la qualità dei servizi sanitari e ad assicurare la protezione dei diritti e delle libertà individuali, in linea con il GDPR e i principi etici europei.
È fondamentale che i dati delle cartelle elettroniche siano trasparenti, accessibili (nel rispetto delle normative sulla privacy) e condivisibili. L'aumento della tipologia e della numerosità dei dati da analizzare (cartelle cliniche, biomarcatori, dispositivi indossabili) incrementerà il ruolo del Machine Learning. Sarà necessario passare a nuovi outcome secondari, come la predizione della conversione da MCI ad AD e la risposta al trattamento nelle varie fasi di malattia. L'utilità del Machine Learning nell'analisi dell'imaging è inequivocabile, ma in futuro sarà essenziale integrare un ampio numero di fenotipi in modelli predittivi, anche attraverso l'uso dell'NLP (Natural Language Processing) per analizzare i dati contenuti nelle cartelle cliniche elettroniche.
I sistemi sanitari che adotteranno massivamente l'IA per analizzare dati clinici si troveranno di fronte a una serie di rischi medico-legali. I parenti dei pazienti o i pazienti stessi potrebbero contestare diagnosi e terapie basate sull'IA. Le assicurazioni potrebbero avvalersi dell'IA per valutare se il medico ha agito secondo le evidenze scientifiche. Inoltre, i medici stessi potrebbero ricorrere all'IA non solo per migliorare la diagnosi e la prognosi, ma anche per difendersi da eventuali contestazioni.
Formazione e Valutazione nella Gestione della Demenza
La gestione della demenza richiede un approccio multidisciplinare che coinvolge anche la formazione del personale sanitario e la valutazione della qualità dell'assistenza.
Strumenti di Valutazione Neuropsicologica
Il Corso di aggiornamento mira a fornire agli studenti le conoscenze relative agli strumenti di valutazione neuropsicologica utilizzati nella pratica clinica per valutare l'invecchiamento sano e patologico. Verranno inoltre acquisite competenze di base per la definizione e programmazione di interventi mirati di riabilitazione cognitiva. Gli studenti apprenderanno l'utilizzo di tali strumenti, il loro scoring e l'interpretazione dei risultati. Saranno approfonditi i criteri diagnostici delle diverse tipologie di demenza, considerando gli aspetti neuropsicologici, biologici e di neuroimaging.
I temi trattati includono: la neuropsicologia dell'invecchiamento: meccanismi di base; il concetto di riserva cognitiva e cerebrale; la longevità e la promozione dell'invecchiamento attivo: aspetti cognitivi e attività fisica; aspetti metodologici e statistici dei test neuropsicologici; il "Mild Cognitive Impairment" (MCI); la demenza di Alzheimer e le forme atipiche; la demenza Fronto-Temporale; l'Afasia Primaria Progressiva; le demenze vascolari; la Demenza a corpi di Lewy; la malattia di Parkinson e i parkinsonismi atipici; la demenza post traumatica; meccanismi di neuroplasticità e riabilitazione cognitiva; interventi non farmacologici nel paziente con demenza. Fonti bibliografiche rilevanti includono "Psicologia dell’invecchiamento e della longevità" di De Beni R. e Borella E., e "Neuropsicologia delle demenze" di Papagno C. e Bolognini N. Le metodologie didattiche prevedono lezioni frontali, esercitazioni pratiche in aula con strumenti neuropsicologici, discussione e analisi di casi clinici.
Valutazione della Qualità dell'Assistenza
Un volume si focalizza sulla valutazione della qualità della cura nelle strutture per anziani fragili e non autosufficienti, proponendo una riflessione teorica e operativa centrata sul valore della relazione di cura. Questa prospettiva va oltre il soddisfacimento dei bisogni fisici per considerare la persona nella sua interezza e promuovere il suo benessere. Gli spunti teorici e operativi presentati sono il risultato di un progetto di ricerca valutativa con esiti di ricerca-formazione, rivolti a operatori dei servizi per la terza età, residenze sanitarie assistenziali, centri diurni, servizi di supporto agli anziani, attori istituzionali e decisori politici, con l'obiettivo di migliorare la qualità delle prestazioni di cura.
La Biblioteca di Parma e la Letteratura sulla Demenza
La vastità della letteratura disponibile sulla demenza, come evidenziato dall'elenco di pubblicazioni, sottolinea l'importanza di risorse bibliotecarie specializzate. Opere come quelle che trattano "la demenza strumenti e metodi di valutazione", sebbene non direttamente citate nella loro specificità per la biblioteca di Parma, rappresentano il nucleo di studi essenziali per la comprensione e la gestione di questa patologia. La presenza di testi che spaziano dalla neuropsicologia alla farmacologia, dalla gestione infermieristica alla qualità dell'assistenza, evidenzia la complessità del campo e la necessità di un accesso facilitato a informazioni aggiornate e diversificate.
La biblioteca di Parma, come altre istituzioni simili, svolge un ruolo cruciale nel rendere disponibile questo patrimonio di conoscenze, supportando la ricerca, la formazione e la pratica clinica. La digitalizzazione delle risorse e lo sviluppo di database specializzati sono passi fondamentali per garantire un accesso più ampio e rapido alle informazioni relative alla demenza e alle sue molteplici sfaccettature.
Conclusioni sull'Impatto dell'IA
L'intelligenza artificiale sta trasformando radicalmente la gestione della demenza, offrendo strumenti potenti per migliorare la diagnosi, definire la prognosi e accelerare la ricerca di nuove terapie. L'integrazione dell'IA in tutti gli ambiti della medicina, inclusa la gestione della demenza, è destinata a diventare sempre più preponderante negli anni a venire. È essenziale affrontare le sfide normative, etiche e tecniche per garantire che l'innovazione tecnologica proceda di pari passo con la tutela dei diritti dei pazienti e l'equità nell'accesso alle cure. La collaborazione tra ricercatori, clinici, sviluppatori di IA e decisori politici sarà fondamentale per sfruttare appieno il potenziale dell'intelligenza artificiale a beneficio dei pazienti affetti da demenza e delle loro famiglie.
tags: #la #demenza #strumenti #e #metodi #di