A Dynamic Bayesian Network Model for Predicting Cardiovascular Disease Incidence in the Tehran Lipid and Glucose Study

Le malattie cardiache rimangono la principale causa di morte in tutto il mondo, togliendo la vita a milioni di persone ogni anno. In molte parti del mondo, un attacco cardiaco o un ictus è l'evento finale di una lunga catena di cambiamenti biologici che spesso iniziano decenni prima. Per i medici e le autorità di sanità pubblica, lo strumento più potente contro questa tragedia non è solo curare i malati, ma prevedere chi è probabile che si ammali. Ciò richiede l'analisi della storia di una persona — la sua età, la sua familiarità, la pressione sanguigna e il suo stile di vita — e l'intreccio di questi fatti separati in un'unica immagine del rischio. I metodi tradizionali per farlo spesso trattano ogni informazione come se fosse autonoma, assumendo che il livello di zucchero nel sangue di una persona oggi non abbia alcuna connessione con la sua pressione sanguigna di cinque anni fa. Tuttavia, la salute umana è un fiume che scorre, non una serie di istantanee isolate. Un nuovo approccio che utilizza un tipo di modello informatico chiamato Rete Bayesiana Dinamica tenta di catturare questo flusso, tracciando come i fattori di salute cambino nel tempo e come influenzino l'uno l'altro per prevedere l'insorgenza futura di malattie cardiache.

Un team di ricercatori in Iran ha applicato questa tecnica di modellazione avanzata a uno studio massiccio e a lungo termine su persone residenti a Teheran. Volevano vedere se un modello capace di comprendere il passaggio del tempo potesse identificare gli individui ad alto rischio in modo più efficace rispetto ai metodi standard. Lo studio è tratto dal Tehran Lipid and Glucose Study, un progetto ben consolidato che segue migliaia di residenti dal 1999 per comprendere le cause delle malattie non trasmissibili. I ricercatori hanno selezionato 7.839 adulti che erano privi di malattie cardiache all'inizio dello studio. Hanno raccolto una ricchezza di informazioni su questi partecipanti, tra cui l'età, l'istruzione, lo stato lavorativo, la storia familiare di problemi cardiaci, le abitudini al fumo, i livelli di attività fisica e varie misurazioni mediche come il colesterolo, lo zucchero nel sangue e la funzione renale. Fondamentalmente, non hanno guardato questi fattori una sola volta; hanno raccolto dati in più punti durante un periodo di dieci anni, permettendo loro di vedere come il profilo di salute di una persona si evolvesse.

I ricercatori hanno costruito un modello informatico specifico per gli uomini e uno separato per le donne, riconoscendo che i fattori di rischio per le malattie cardiache spesso differiscono tra i sessi. Questo modello, noto come Rete Bayesiana Dinamica, funziona mappando le relazioni tra diversi fattori di salute mentre cambiano nel tempo. A differenza dei vecchi strumenti statistici che potrebbero avere difficoltà quando un partecipante abbandona uno studio o quando i dati sono mancanti, questo modello è progettato per gestire tali lacune con disinvoltura. Tratta il periodo di studio come una serie di passi temporali, imparando dai modelli di coloro che hanno sviluppato malattie cardiache e confrontandoli con coloro che sono rimasti sani. Il team ha testato il proprio modello dividendo i dati, utilizzando la maggior parte di essi per insegnare al computer i modelli e trattenendo una parte per vedere se il modello potesse prevedere correttamente esiti mai visti prima.

Nel corso del follow-up di dieci anni, 632 partecipanti, ovvero circa l'8 percento del gruppo, hanno sviluppato malattie cardiache. Il modello ha classificato con successo i partecipanti in gruppi a basso rischio e ad alto rischio. Per gli uomini, il modello ha scoperto che quelli nel gruppo ad alto rischio avevano una probabilità di sviluppare malattie cardiache più di tre volte superiore rispetto a quelli nel gruppo a basso rischio. Nello specifico, il 21,6 percento degli uomini ad alto rischio ha sviluppato la malattia, rispetto a solo il 7,2 percento degli uomini a basso rischio. I risultati per le donne sono stati altrettanto chiari: il 20,0 percento delle donne ad alto rischio ha sviluppato malattie cardiache, mentre solo il 6,6 percento delle donne a basso rischio l'ha fatto. In entrambi i casi, il gruppo ad alto rischio affrontava un pericolo più di tre volte superiore rispetto al gruppo a basso rischio. La capacità del modello di distinguere tra questi gruppi è stata misurata con un punteggio chiamato area sotto la curva, che è risultato essere 0,612 per gli uomini e 0,674 per le donne. Sebbene questi punteggi indichino che il modello sia migliore del caso, i ricercatori hanno osservato che i numeri non erano perfetti, in parte perché hanno convertito molte misurazioni mediche dettagliate in categorie ampie per far funzionare il modello.

Lo studio ha evidenziato diverse differenze chiave tra coloro che hanno sviluppato malattie cardiache e coloro che non le hanno sviluppate. Le persone che alla fine hanno subito un evento cardiaco tendevano a essere più anziane, ad avere una familiarità per la malattia e a possedere un livello di istruzione inferiore. Erano anche più propense a essere disoccupate, ad avere obesità o obesità addominale e a soffrire di condizioni come pressione alta, diabete e disfunzione renale. Il modello ha dimostrato di essere capace di integrare tutti questi fattori mutevoli nel tempo per creare un profilo di rischio che riflettesse la complessa realtà della salute umana. I ricercatori hanno sottolineato che questo approccio offre un'alternativa flessibile ai tradizionali modelli di sopravvivenza, che spesso assumono che i fattori di rischio agiscano indipendentemente e non tengono conto della complicata realtà dei dati mancanti o dei cambiamenti negli stati di salute.

Nonostante il successo del modello, gli autori sono stati cauti nel segnalarne i limiti. Hanno riconosciuto che trasformare i dati medici continui in semplici categorie potrebbe aver causato una perdita di dettaglio, il che probabilmente ha impedito ai punteggi di previsione di essere più alti. Hanno inoltre sottolineato che il modello non includeva ancora dati ad alta risoluzione come i segnali elettrocardiografici, che potrebbero potenzialmente migliorare l'accuratezza. Inoltre, poiché lo studio si è concentrato su una singola popolazione urbana in Iran, i risultati dovrebbero essere testati in altri gruppi diversificati per garantire che si applichino ampiamente. Tuttavia, il lavoro dimostra che i modelli informatici capaci di tracciare la salute nel tempo possono identificare individui che hanno una probabilità tre volte maggiore di sviluppare malattie cardiache. Ciò suggerisce che, abbracciando metodi che comprendono il flusso del tempo e le connessioni tra i diversi fattori di salute, i medici potrebbero essere in grado di individuare gli individui ad alto rischio prima e intervenire prima che si verifichi un attacco cardiaco o un ictus.