Il dott. David Jones
Ricercatori della Mayo Clinic di Rochester (Minnesota/USA) hanno sviluppato un nuovo strumento di intelligenza artificiale (AI) che aiuta i medici a identificare i modelli di attività cerebrale legati a 9 tipi di demenza, compreso il morbo di Alzheimer (MA), usando una singola scansione ampiamente disponibile, un progresso trasformativo nella diagnosi precoce e accurata.
Lo strumento, StateViewer, ha aiutato i ricercatori a identificare il tipo di demenza nell'88% dei casi, secondo la ricerca pubblicata su Neurology. Ha inoltre consentito ai medici di interpretare le scansioni cerebrali con velocità quasi doppia e con una precisione fino a tre volte maggiore rispetto ai flussi di lavoro standard. I ricercatori hanno formato e testato l'AI su oltre 3.600 scansioni di pazienti con demenza e persone senza compromissione cognitiva.
Questa innovazione affronta una sfida fondamentale nella cura della demenza: identificare la malattia prima e con più precisione, anche quando sono presenti varie condizioni. Man mano che emergono nuovi trattamenti, la diagnosi tempestiva aiuta ad abbinare i pazienti alle cure più appropriate, quando può avere il maggiore impatto. Lo strumento potrebbe portare un supporto diagnostico avanzato alle cliniche che mancano di competenza in neurologia.
Il peso crescente della demenza
La demenza colpisce oltre 55 milioni di persone in tutto il mondo, con quasi 10 milioni di nuovi casi ogni anno. Il MA, la forma più comune, è ora la quinta causa di morte a livello globale. La diagnosi di demenza richiede in genere test cognitivi, prelievi di sangue, scansioni, interviste cliniche e intervento di specialisti. Anche con estesi test, rimane impegnativo distinguere condizioni come MA, demenza da corpi di Lewy e demenza frontotemporale, anche per specialisti di grande esperienza.
StateViewer è stato sviluppato sotto la direzione di David Jones MD, neurologo della Mayo Clinic e direttore del Mayo Clinic Neurology Intelligence Program, che afferma:
"Ogni paziente che entra nella mia clinica ha una storia unica modellata dalla complessità del cervello. Quella complessità mi ha guidato alla neurologia e continua a guidare il mio impegno a risposte più chiare. StateViewer riflette quell'impegno: un passo verso una comprensione precoce, un trattamento più preciso e, un giorno, cambio del decorso di queste malattie".
Per dare vita a quella visione, il dott. Jones ha lavorato al fianco di Leland Barnard PhD, scienziato dei dati, responsabile l'ingegneria AI dietro StateViewer:
"Nel progettare StateViewer, non abbiamo mai perso di vista il fatto che dietro ogni punto dati e scansione del cervello c'era una persona che affrontava una diagnosi difficile e domande urgenti. Vedere che questo strumento potrebbe aiutare i medici con approfondimenti e orientamento precisi in tempo reale, evidenzia il potenziale dell'apprendimento automatico per la medicina clinica".
Trasformare i modelli cerebrali in intuizioni cliniche
Lo strumento analizza una scansione di tomografia a emissione di positroni con fluorodeossiglucosio (FDG-PET), che mostra come il cervello usa il glucosio per produrre energia. Poi confronta la scansione con un ampio database di scansioni da persone con diagnosi di demenza confermate e identifica modelli che corrispondono a tipi specifici o combinazioni di demenza.
Il MA colpisce in genere le regioni della memoria e dell'elaborazione, la demenza da corpi di Lewy coinvolge aree legate all'attenzione e al movimento e la demenza frontotemporale altera le regioni responsabili del linguaggio e del comportamento. StateViewer mostra questi schemi attraverso mappe cerebrali con codice colore che evidenziano le aree chiave dell'attività cerebrale, dando a tutti i medici, anche quelli senza allenamento di neurologia, una spiegazione visiva di ciò che vede l'AI e come supporta la diagnosi.
I ricercatori della Mayo Clinic prevedono di espandere l'uso dello strumento e continueranno a valutare le sue prestazioni in vari contesti clinici.
Fonte: Susan Murphy in Mayo Clinic (> English) - Traduzione di Franco Pellizzari.
Riferimenti: L Barnard, [+29], DT Jones. An FDG-PET–Based Machine Learning Framework to Support Neurologic Decision-Making in Alzheimer Disease and Related Disorders. Neurology, 2025, DOI
Copyright: Tutti i diritti di testi o marchi inclusi nell'articolo sono riservati ai rispettivi proprietari.
Liberatoria: Questo articolo non propone terapie o diete; per qualsiasi modifica della propria cura o regime alimentare si consiglia di rivolgersi a un medico o dietologo. Il contenuto non rappresenta necessariamente l'opinione dell'Associazione Alzheimer OdV di Riese Pio X ma solo quella dell'autore citato come "Fonte". I siti terzi raggiungibili da eventuali collegamenti contenuti nell'articolo e/o dagli annunci pubblicitari sono completamente estranei all'Associazione, il loro accesso e uso è a discrezione dell'utente. Liberatoria completa qui.
Nota: L'articolo potrebbe riferire risultati di ricerche mediche, psicologiche, scientifiche o sportive che riflettono lo stato delle conoscenze raggiunte fino alla data della loro pubblicazione.