Evaluating Patient Representation Strategies for Early Prediction of Alzheimer’s Disease and Related Dementias from Longitudinal EHRs

La malattia di Alzheimer e le altre demenze correlate non sono eventi improvvisi che colpiscono senza preavviso; sono processi lenti e striscianti che iniziano a modificare il cervello anni prima che una persona dimentichi un nome o si perda in un luogo familiare. Poiché questi cambiamenti avvengono così precocemente, medici e ricercatori sperano da tempo di trovare un modo per individuare il rischio molto prima che compaiano i sintomi, permettendo una cura precoce e una migliore pianificazione. La sfida è che il cervello umano è complesso e i segni di problemi sono spesso sottili e dispersi nel lungo decorso della storia clinica di una persona. Per risolvere questo problema, gli scienziati si sono rivolti alle cartelle cliniche elettroniche, i massicci archivi digitali di ogni visita medica, prescrizione e test di laboratorio ricevuti da un paziente. Questi registri contengono indizi di una vita intera, ma sono disordinati, irregolari e difficili da leggere. La domanda fondamentale per i ricercatori è come trasformare questo flusso caotico di dati in un quadro chiaro di chi è a rischio, e se il modo migliore per farlo dipenda da quanto lontano nel futuro si cerchi di prevedere.

Un team di ricercatori ha deciso di testare diversi modi per insegnare ai computer come leggere queste storie mediche per prevedere l'insorgenza della demenza. Hanno confrontato due approcci molto diversi per rappresentare la vita di un paziente nel computer. Il primo approccio era diretto e trasparente: contava semplicemente quante volte un paziente fosse andato dal medico, quanti farmaci diversi avesse assunto e con quale frequenza avesse avuto specifiche diagnosi, organizzando questi conteggi in finestre temporali. Il secondo approccio era molto più complesso, utilizzando modelli avanzati di intelligenza artificiale che erano stati pre-addestrati su milioni di cartelle cliniche per creare un "riassunto" matematico nascosto dell'intero percorso di salute di un paziente. I ricercatori volevano vedere quale metodo funzionasse meglio, come le loro prestazioni cambiassero nel tentativo di prevedere la malattia con maggiore anticipo e se questi metodi avrebbero funzionato se applicati a un gruppo completamente diverso di pazienti in un diverso sistema ospedaliero.

Utilizzando un vasto database nazionale di cartelle cliniche, il team ha addestrato i propri modelli per prevedere la demenza a sei, dodici, ventiquattro e trentasei mesi dalla diagnosi effettiva del paziente. Hanno scoperto che l'approccio più semplice, basato sul conteggio, era generalmente il più affidabile. Era più efficace nel distinguere tra i pazienti che avrebbero sviluppato la malattia e quelli che non l'avrebbero fatta, e le sue previsioni erano più accurate in termini di probabilità. Questo vantaggio era più pronunciato quando si guardava al futuro prossimo; per le previsioni effettuate sei mesi prima di una diagnosi, il semplice metodo di conteggio superava significativamente i complessi modelli di intelligenza artificiale. Tuttavia, man mano che i ricercatori guardavano più indietro nel tempo, cercando di prevedere la malattia con un intero triennio di anticipo, il divario tra i due metodi si restringeva. Al traguardo dei trentasei mesi, i modelli complessi avevano recuperato terreno, performando quasi quanto i semplici conteggi, pur non superandoli ancora.

Lo studio ha anche rivelato come i modelli informatici "pensassero" guardando più indietro nel tempo. Nel prevedere la malattia nel breve termine, i modelli si affidavano fortemente a specifici sintomi cognitivi, come diagnosi di perdita di memoria o deterioramento cognitivo lieve. Ma man mano che la finestra di previsione si estendeva ulteriormente nel passato, questi sintomi specifici non erano ancora presenti nei registri. In quei casi, i modelli spostavano la loro attenzione su schemi più ampi di utilizzo delle cure sanitarie. Iniziavano a dare peso a fattori come la frequenza con cui il paziente si recava in ospedale, quanti farmamenti diversi gli venivano prescritti e il volume generale delle sue interazioni mediche. Sembra che molto prima che il cervello mostri segni chiari di demenza, il modello complessivo di ricerca delle cure del corpo cambi, e i modelli hanno imparato a utilizzare questi segnali generali come avvisi precoci.

I ricercatori hanno anche testato se questi modelli potessero essere trasferiti a un diverso sistema ospedaliero senza doverli riaddestrare, uno scenario noto come trasferimento "zero-shot". Hanno applicato i modelli addestrati sul database nazionale a un set di dati indipendente proveniente da un ospedale universitario. I risultati sono stati netti: le prestazioni sono diminuite significativamente per entrambi i metodi. I modelli hanno faticato ad adattarsi alla diversa popolazione di pazienti, che era più anziana e presentava diverse caratteristiche demografiche razziali, nonché a diversi schemi di registrazione delle informazioni da parte dei medici. Sebbene i modelli di intelligenza artificiale complessi abbiano retto leggermente meglio rispetto ai semplici conteggi in questo difficile scenario di trasferimento, nessuno dei due approcci si è dimostrato abbastanza robusto da funzionare perfettamente in diversi sistemi sanitari senza aggiustamenti. Ciò suggerisce che, sebbene la tecnologia sia potente, non è ancora uno strumento universale che può essere applicato ovunque senza una attenta calibrazione locale.

In definitiva, il lavoro dimostra che non esiste un unico modo "migliore" per rappresentare la storia medica di un paziente per prevedere la demenza. La scelta dipende dal tempo della previsione e dal contesto specifico. Per individuare la malattia nel prossimo futuro, i semplici e interpretabili conteggi degli eventi medici rimangono il gold standard. Per guardare più avanti, i complessi modelli di intelligenza artificiale diventano più competitivi, offrendo un diverso equilibrio di accuratezza. Le scoperte suggeriscono che la strada verso la rilevazione precoce non risiede nel trovare un singolo algoritmo perfetto, ma nel comprendere come diversi strumenti catturino segnali differenti in tempi diversi, e nel riconoscere che gli stessi segnali cambiano man mano che la malattia passa da un rischio lontano a una realtà imminente.