Retrospective Forecasting and Long-Term Projection of Alzheimer’s Disease Spreading

Sintesi Tecnica: Previsione Retrospettiva e Proiezione a Lungo Termine della Diffusione della Malattia di Alzheimer

Definizione del Problema
Prevedere la diffusione delle malattie non trasmissibili (NCD), nello specifico la malattia di Alzheimer e la demenza, presenta sfide metodologiche significative a causa della natura multifattoriale della loro eziologia. A differenza delle malattie infettive, le Nolo sono guidate da interazioni complesse e dinamiche di fattori genetici, comportamentali, socio-economici e ambientali. Gli approcci di previsione tradizionali spesso si affidano alla quantificazione di questi specifici fattori di rischio o assumono la stazionarietà del processo, entrambi i quali faticano a gestire l'incertezza intrinseca e la non-stazionarietà delle dinamiche di malattia a lungo termine. Inoltre, i modelli esistenti spesso si concentrano su indicatori annuali volatili, che possono oscurare i trend stabili a lungo termine. Gli autori sostengono che una previsione accurata sia critica per la pianificazione strategica sanitaria, l'allocazione delle risorse e la giustificazione dei finanziamenti alla ricerca, eppure gli attuali metodi spesso non riescono a fornire proiezioni decennali affidabili in condizioni di incertezza.

Metodologia
Il documento propone una nuova metodologia basata su un Modello di Flusso Integrale Inflow-Outflow (IIOM) con parametri stocastici. Questo approccio sposta il focus analitico dalla modellazione dei singoli fattori di rischio o dei conteggi annuali volatili alla modellazione della dinamica dei volumi cumulativi (integrali) di ingresso (nuovi casi) e uscita (mortalità).

Componenti chiave della metodologia:

1. Framework del Modello: La popolazione affetta dalla malattia è trattata come un "serbatoio" definito da un'equazione di bilancio: $I(t) = X_{inf}(t, t_0) - X_{of}(t, t_0)$, dove $I(t)$ è il numero di casi attivi, $X_{inf}$ è l'ingresso cumulativo e $X_{of}$ è l'uscita cumulativa.
2. Tassi Stocastici: Il modello utilizza i tassi di variazione di questi volumi cumulativi ($r_{inf}$ e $r_{of}$) piuttosto che i conteggi grezzi.
3. Identificazione dei Trend: Una scoperta fondamentale dello studio è che, mentre i tassi annuali possono essere volatili, i tassi degli ingressi e delle uscite integrali mostrano una diminuzione monotona nel tempo. Questa proprietà permette la costruzione di trend lineari.
4. Meccanismo di Previsione:
   • Gli autori calcolano la variazione media annua nel tasso di diminuzione delle percentuali di ingresso e uscita ($\alpha_{inf}$ e $\alpha_{of}$) su una finestra storica (ad es., 10 anni).
   • Questi tassi sono approssimati tramite funzioni di potenza mediante il metodo dei minimi quadrati.
   • I trend lineari per i futuri tassi stocastici ($\tilde{r}_{inf}$ e $\tilde{r}_{of}$) sono estrapolati utilizzando la formula $\tilde{r}(\tau) = r(t) - k(t)(t - \tau)$, dove $k(t)$ rappresenta il coefficiente di trend derivato dai dati storici.
   • Questi tassi estrapolati vengono sostituiti nelle equazioni discrete IIOM per generare proiezioni a 10 anni e a lungo termine.
5. Validazione: L'accuratezza del modello è valutata utilizzando l'Errore Percentuale Assoluto Medio (MAPE) rispetto ai dati retrospettivi dell'Institute for Health Metrics and Evaluation (IHME) per il periodo 1990–2021.

Contributi Chiave
Gli autori identificano tre novità primarie nel loro approccio:

1. Spostamento del Focus di Modellazione: Passaggio dai volatili dati annuali alla dinamica stocastica dei volumi di casi accumulati per rivelare trend stabili a lungo termine.
2. Operazionalizzazione della Monotonicità: Identificazione e utilizzo della proprietà di diminuzione monotona dei tassi di ingressi e uscite integrali come un trend lineare prevedibile per la previsione.
3. Tecnica Pratica: Sviluppo di una tecnica di previsione specifica basata sull'estrapolazione di questi trend lineari, che è stata testata su processi fondamentalmente diversi e non stazionari (inclusi COVID-19 e cambiamenti demografici) per confermarne la robustezza.

Risultati
Lo studio presenta due set principali di risultati:

• Previsioni Retrospective a 10 Anni: Sono state generate previsioni campionarie nel 2005, 2010 e 2015 per il Mondo e varie regioni. Il modello ha dimostrato un'elevata accuratezza. L'abstract nota valori MAPE per le finestre di previsione a 10 anni nell'intervallo [0,23%; 2,73%], notando anche specifici valori MAPE nell'intervallo [0,08%; 0,75%]. I valori MAPE regionali specifici sono stati generalmente bassi, con una media mondiale dello 0,43% (previsione 2005), 0,2% (previsione 2010) e 0,09% (previsione 2015). La conclusione cita ulteriormente un intervallo MAPE da 0,43% a 1,79% per le previsioni retrospettive.
• Proiezione a Lungo Termine al 2050: Utilizzando l'approccio basato sul modello, gli autori proiettano un aumento costante del numero assoluto di casi di Alzheimer a livello globale. Il numero di casi è proiettato in crescita da 141,2 milioni nel 2022 a 489,5 milioni entro il 2050.
  • La proporzione di casi all'interno della popolazione anziana (65+) rimane relativamente stabile (0,84–0,87), suggerendo che l'invecchiamento demografico sia il driver principale piuttosto che i cambiamenti nei rischi specifici per età.
  • Le disparità regionali sono significative. L'Europa occidentale è proiettata ad affrontare il carico maggiore (65 milioni di casi), seguita dal Nord America ad alto reddito (42,3 milioni) e dal Sud-est asiatico (16,3 milioni).
  • Al contrario, l'America Latina tropicale e l'Africa subsahariana orientale mostrano proporzioni moderate (0,72–0,76) di casi rispetto alle loro popolazioni anziane, riflettendo diverse strutture demografiche.
  • Il modello conferma una decelerazione monotona nei tassi di crescita, con la crescita annuale che scende da circa il 5% nei primi anni 2020 al 2,5% alla fine del periodo di proiezione.

Significatività e Rivendicazioni
Il documento sostiene che l'Integral Stochastic Inflow-Outflow Model offra un'alternativa pratica e affidabile a modelli più complessi e intensivi di dati (come la meta-regressione bayesiana o il CODEm) che richiedono una valutazione precisa di numerosi fattori di rischio difficili da quantificare. Riconoscendo la natura non stazionaria della diffusione delle NCD e concentrandosi sui trend stabili dei tassi cumulativi, la metodologia fornisce uno strumento robusto per il processo decisionale in condizioni di incertezza.

Gli autori concludono che questo approccio stabilisce una solida base per:

• La pianificazione strategica delle risorse sanitarie.
• La giustificazione degli investimenti nella prevenzione e nella ricerca.
• Il monitoraggio dei trend epidemiologici.

Lo studio posiziona l'IIOM come uno strumento promettente per la previsione della salute pubblica a lungo termine, facilitando il processo decisionale basato sull'evidenza di fronte alle crescenti sfide poste dalle malattie non trasmissibili, senza pretendere di risolvere i meccanismi biologici sottostanti della malattia.