La malattia di Parkinson è il secondo disordine neurodegenerativo più diffuso. Sebbene non esista ancora una cura definitiva ed efficace, una diagnosi e un trattamento tempestivi possono alleviarne i sintomi, migliorando significativamente la qualità di vita del paziente. Un aiuto arriva dai ricercatori dell’Università di Zhejiang, grazie allo sviluppo di un innovativo sistema olfattivo ad Intelligenza Artificiale in grado di diagnosticare il Parkinson a partire dall’odore della pelle.
Un nemico da riconoscere e trattare
Il morbo di Parkinson è una malattia neurodegenerativa caratterizzata da sintomi motori e non motori, la cui progressione varia da paziente a paziente. Tra i sintomi motori rientrano tremore, rallentamento dei movimenti volontari, rigidità e instabilità della postura; tra quelli non motori troviamo perdita di memoria, depressione, anosmia, costipazione ed alterata frequenza urinaria.
Si tratta del secondo disordine neurodegenerativo più diffuso: al momento si stima una prevalenza di 65.6-12.500/100.000 casi in Europa e 537-614/100.000 casi in Nord America, ma il Global Burden of Disease (GBD) prevede che nei prossimi 30 anni questi dati siano destinati a raddoppiare insieme all’aumentare dell’aspettativa di vita della popolazione.
Come affrontare un afflusso sempre maggiore di potenziali pazienti quando, ad oggi, le tecniche di analisi si basano prevalentemente su anamnesi, manifestazioni cliniche e schede di valutazione?
Il rischio maggiore è di ritrovarsi, al momento della diagnosi, con una malattia in stadio già avanzato.
Il nuovo sistema olfattivo ad Intelligenza Artificiale
Con il termine Intelligenza Artificiale (AI, Artificial Intelligence) si fa riferimento a tutte quelle operazioni caratteristiche dell’intelletto umano che possono essere eseguite da un computer: la pianificazione, la comprensione del linguaggio, il riconoscimento di oggetti e suoni e l’identificazione di dati. Il Machine Learning (ML) in particolare, è una branca dell’AI che prende spunto dal processo di apprendimento tipico umano e che viene impiegato principalmente per risolvere tre tipologie di problemi:
- regressione: la previsione del valore futuro di un dato avendo noto il suo valore attuale;
- raggruppamento (clustering): il raggruppamento di dati che presentano caratteristiche simili;
- classificazione: l’identificazione della categoria di appartenenza di un dato.
Grazie alle potenzialità e all’avanzamento della tecnologia, i ricercatori del Dipartimento di Ingegneria Biomedica dell’Università di Zhejiang hanno pensato di combinare il ML, la cromatografia gassosa ed un sensore ad onde acustiche superficiali (SAW) per sviluppare un innovativo sistema olfattivo basato su AI (AIO, Artificial Intelligent Olfactory), atto a diagnosticare il morbo di Parkinson a partire dall’odore della pelle (Figura 1).
L’uomo è una sorgente di VOCs
I composti organici volatili (VOCs, Volatile Organic Compounds) sono sostanze chimiche organiche a basso peso molecolare che evaporano facilmente a temperatura ambiente, trasformandosi in gas. Le sorgenti includono vernici, prodotti per la pulizia, cosmetici, pesticidi e prodotti per ufficio. Un numero sempre più significativo di studi dimostra che questi composti possono essere generati direttamente dall’uomo in zone come la fronte o la schiena, nelle quali risulta maggiore la formazione di sebo.
La produzione alterata di sebo è una caratteristica comune in chi soffre di Parkinson. Analizzare il sebo rilasciato dai malati e studiarne la composizione in termini di VOCs potrebbe rappresentare uno strumento non invasivo utile a fronteggiare la malattia.
L’indagine sperimentale
Diversi studi pilota si sono serviti di tecniche cromatografiche per analizzare e confrontare il sebo prodotto dai soggetti malati e soggetti sani, riportando delle differenze tra i due gruppi in termini di VOCs. In particolare, le indagini hanno dimostrato che la tipologia e la concentrazione dei composti è correlata ad una severità dei disturbi motori di tipo 3, sulla base della scala di valutazione unificata UPDRS.
Il sebo del paziente e l’odore della pelle legato alla presenza dei VOCs possono quindi essere impiegati come metodo alternativo di diagnosi e identificazione del morbo di Parkinson.
Risultati preliminari
Wei Fu e i colleghi ricercatori hanno condotto un’analisi statistica per individuare i biomarker significativamente differenti in un campione costituito da 32 soggetti sani (HC, healthy controls) e 31 soggetti malati (PD, Parkinson’s disease) (Figura 2).
I pazienti sono stati successivamente classificati sulla base del profilo di odore ottenuto, combinando i risultati derivati dall’analisi cromatografica dei gas sebacei e cinque diversi algoritmi di ML (Figura 3).
- Support vector machine (SVM)
- Random forest (RF)
- k nearest neighbor (KNN)
- AdaBoost (AB)
- Naive Bayes (NB)
L’80% dei soggetti è stato utilizzato come training dataset, per addestrare l’algoritmo, mentre il 20% come validation dataset. Dalla prima fase, sono stati ottenuti risultati molto promettenti che hanno spinto i ricercatori a procedere allo step successivo: la valutazione della performance del sistema AIO con l’applicazione clinica del modello.
L’applicazione clinica
In questa fase sono stati identificati 12 soggetti PD e 12 soggetti HC. Le prestazioni del classificatore sono state misurate attraverso indici standardizzati tipici del ML binario (Tabella 1):
- Sensibilità/Recall/True Positive Rate: numero di positivi classificati correttamente rispetto ai positivi totali;
- Specificità/True Negative Rate: numero di negativi classificati correttamente rispetto ai negativi totali;
- Precisione/Positive Predictive Value: numero di positivi classificati correttamente rispetto al totale dei positivi predetti, comprensivi sia di True Positive (TP) che di False Negative (FN);
- F1: media armonica di precisione e sensibilità;
- Accuratezza: indice di prestazione globale del classificatore;
- Area Under the Curve (AUC): un valore vicino ad 1 indica un classificatore di alto livello, un valore vicino a 0 indica scarse performance.
Di seguito sono riportati i risultati statistici ottenuti a fronte dell’applicazione clinica del modello (Figura 5,6).
Secondo i risultati riportati, la valutazione clinica effettuata evidenzia una minore accuratezza rispetto alla fase sperimentale, ma comunque significativa soprattutto nel caso di algoritmo RF e AB. Tra questi, Il primo presenta una maggiore sensibilità insieme a KNN, mentre il secondo è caratterizzato da una maggiore AUC.
Conclusioni e prospettive future
I risultati ottenuti non possono essere trascurati se paragonati con i tradizionali metodi di diagnosi del Parkinson: il sistema olfattivo progettato AIO, oltre che essere portatile e facile da utilizzare, consente di avere risultati diagnostici in tempi brevi e in modo del tutto non invasivo (Figura 7).
Questi vantaggi rendono il sistema AIO uno strumento di largo impiego in ospedali e cliniche per il tracciamento e il monitoraggio dei soggetti malati oppure direttamente nelle case dei pazienti come strumento di automonitoraggio della propria condizione.
Il modello appena descritto presenta dei limiti che ricerche future potrebbero superare per migliorarne l’applicabilità. Gli autori dello studio si sono posti i seguenti obiettivi:
- l’implementazione di un classificatore più affidabile e accurato attraverso l’utilizzo di un dataset non bilanciato e più rappresentativo della distribuzione dei pazienti affetti da Parkinson nella realtà clinica.
- la comprensione più approfondita dei meccanismi metabolici alla base della presenza di VOCs differenti nei soggetti malati.
Fonti e approfondimenti
- ACSPublications – Artificial Intelligent Olfactory System for the Diagnosis of Parkinson’s Disease
- ACSPublications – Discovery of Volatile Biomarkers of Parkinson’s Disease from Sebum
- Intelligenza Artificiale Italia – Algoritmi di Machine Learning (ML) usati nella Data Science
- cornell.edu – Peformance Measures for Machine Learning
