Possibile prevedere outcome avversi in gravidanza nelle donne affette da lupus con un approccio di intelligenza artificiale basato sull’apprendimento automatico
Ancora una volta, l’adozione di un approccio basato sull’intelligenza artificiale sembra venire in aiuto nell’ottimizzazione della gestione dei pazienti affetti da malattie reumatologiche: stando ad uno studio recentemente pubblicato su Lupus Science Medicine, sarebbe possibile replicare la predizione di outcome avversi in gravidanza nelle donne affette da lupus con un approccio di intelligenza artificiale basato sull’apprendimento automatico (machine learning).
Razionale e disegno dello studio
Quasi il 20% delle gravidanze portate a termine da pazienti con LES si associa, purtroppo, ad un outcome avversi in gravidanza (APO) – parto pre-termine, restrizione di crescita intrauterina, mortalità fetale – pur in presenza di malattia quescente, ricordano i ricercatori nell’introduzione allo studio.
Al momento, però, non esistono strumenti consolidati per prevedere gli outcome nelle singole pazienti. Pertanto, tutte le gravidanze con LES vengono monitorate intensamente, con un impatto sia sulla salute emotiva delle pazienti che in termini di costi sanitari.
Ciò premesso, appare chiaro che la capacità di identificare, già nelle prime fasi della gravidanza, le pazienti ad alto rischio di APO, potrebbe migliorarne la gestione e rendere possibile la conduzione di studi su nuovi trattamenti per prevenire la pre-eclampsia e l’insufficienza placentare. Allo stesso tempo, il costoso e intensivo monitoraggio durante la gravidanza, nonché lo stress della paziente, potrebbero essere ridotti per coloro che sono state identificate con elevata sicurezza come pazienti a rischio molto basso di APO.
Lo studio PROMISSE (Predictors of pRegnancy Outcome: bioMarkers In Antiphospholipid Antibody Syndrome and Systemic Lupus Erythematosus) è il più grande studio multicentrico e multietnico e finora condotto avente lo scopo di valutare prospetticamente i predittori clinici e di laboratorio di APO in donne con LES e/o aPL (anticorpi anti-fosfolipidi) con attività di malattia inattiva o lieve/moderata al momento del concepimento.
La stessa equipe di ricerca aveva analizzato, in precedenza, i dati PROMISSE relativi al primo trimestre di gravidanza, utilizzando un modello di regressione logistica standard.
I risultati di questa analisi avevano portato ad identificate nella presenza di lupus anticoagulante (LAC), nell’impiego di farmaci anti-ipertensivi, nell’attività di malattia lupica, nel numero basso di piastrine e nell’appartenenza ad etnia non Caucasica dei predittori significativi di APO al basale.
L’adozione di modelli di regressione logistica è stata ampiamente applicata negli studi clinici ed epidemiologici per valutare i predittori di un outcome binario (ad esempio, APO, assenza di APO) e fornisce risultati facilmente interpretabili, sotto forma di OR, dell’associazione di ciascun predittore nel modello con l’outcome.
Il loro limite, tuttavia, nonostante le performance considerate, tutto sommato, ragionevolmente buone, risiede nella loro incapacità di intercettare le possibili interazioni tra variabili, con la possibile sottostima del rischio di APO.
Gli algoritmi di intelligenza artificiale basati sull’apprendimento automatico (machine learning) si stanno imponendo in medicina per propositi diagnostici o predittivi in quanto in grado di intercettare quelli che sono i limiti dei modelli statistici di calcolo tradizionali.
L’obiettivo di questo studio è stato quello di determinare la capacità dei metodi di machine learning di migliorare la capacità predittiva degli APO nelle pazienti con LES sulla base dei dati ottenuti nelle prime fasi della gravidanza.
Inoltre, sono stati messi a confronto i più importanti predittori di APO con ciascuno dei metodi testati rispetto al modello originale di regressione logistica standard al fine di ottenere una comprensione più esaustiva dei principali fattori di rischio di APO e di generare ipotesi per nuovi studi finalizzati a sviluppare strategie per mitigare il rischio di APO nelle pazienti gravide con lupus.
Disegno dello studio e risultati principali
Sono stati presi in considerazione i dati del PROMISSE relativi a 41 predittori identificati da 385 pazienti. Il 18,4% delle pazienti del campione in studio è andato incontro ad APO (parto pre-termine a causa di insufficienza placentale/pre-eclampsia, morte fetale/neonatale, restrizione di crescita fetale).
In estrema sintesi, dal confronto tra i fattori predittivi identificati mediante modello di regressione logistica standard e quelli basati sul machine learning, è emerso che alcuni fattori di rischio identificati in precedenza come l’impiego di farmaci anti-ipertensivi, una bassa conta piastrinica, l’attività di malattia lupica e la presenza di anticoagulante lupico si sono confermati come fattori predittivi importanti anche negli altri metodi.
Inoltre, nello specifico, l’adozione del metodo LASSO (least absolute shrinkage and selection operator) si è accompagnata anche alla determinazione aggiuntiva di possibili interazioni tra l’anticoagulante lupico e le IgG anti-cardiolipina.
Al di là delle performance numericamente migliori di predittività per il metodo “SuperLearner” di intelligenza artificiale in termini di AUC, non sono state documentate differenze significative di performance tra i diversi approcci di machine learning adottati.
Limiti e implicazioni dello studio
Questo studio ha dimostrato l’utilità dell’approccio di intelligenza artificiale basato sul machine learning nel favorire la stratificazione del rischio clinico in una coorte di pazienti complessa.
Se l’utilizzo di variabili cliniche standard e il confronto di diverse tecniche di machine learning rappresentano dei punti di forza sostanziali di questo studio. è auspicabile un’ulteriore validazione dei risultati su coorti esterne.
L’applicazione delle tecniche di machine learning nella stratificazione del rischio nel LES può fornire dati più intelleggibili nella valutazione di una coorte di pazienti eterogenea.
E’ auspicabile che, nel prossimo futuro, vengano studiati approcci metodologici simili per tutto lo spettro delle malattie autoimmuni del tessuto connettivo, al fine di rendere possibile la comunicazione di informazioni prognostiche alle pazienti al momento della diagnosi, indipendentemente dalla specifica malattia considerata.
Bibliografia
Fazzari MJ, Guerra MM, Salmon J, Kim MY. Adverse pregnancy outcomes in women with systemic lupus erythematosus: can we improve predictions with machine learning? Lupus Sci Med. 2022 Sep;9(1):e000769. doi: 10.1136/lupus-2022-000769. PMID: 36104120; PMCID: PMC9476149.
Leggi