Le reti neurali artificiali (ANN) possono essere addestrate per rilevare le malattie polmonari nei neonati prematuri analizzando i loro modelli di respirazione nel sonno
Le reti neurali artificiali (ANN) possono essere addestrate per rilevare le malattie polmonari nei neonati prematuri analizzando i loro modelli di respirazione durante il sonno, secondo una ricerca presentata al Congresso della European Respiratory Society (ERS) a Vienna, in Austria [1].
Lo studio è stato presentato da Edgar Delgado-Eckert, professore aggiunto presso il Dipartimento di Ingegneria Biomedica dell’Università di Basilea e leader di un gruppo di ricerca presso l’Ospedale pediatrico universitario della Svizzera.
I presupposti e gli obiettivi dello studio
La displasia broncopolmonare (BPD) rappresenta un problema respiratorio che può colpire i bambini prematuri. Quando i polmoni di un neonato non sono sviluppati alla nascita, spesso hanno bisogno del supporto di un ventilatore o dell’ossigenoterapia, trattamenti che possono allungare e infiammare i polmoni, causando la BPD.
Ma identificare la BPD è difficile. I test di funzionalità polmonare, di solito, richiedono che un adulto soffi su richiesta – cosa che i bambini non possono fare – ragion per cui le tecniche attuali richiedono apparecchiature sofisticate per misurare le caratteristiche di ventilazione polmonare di un neonato. Di conseguenza, la BPD è una delle poche malattie che viene tipicamente diagnosticata in base alla presenza di una delle sue cause principali, la prematurità e il supporto respiratorio.
Le ANN sono modelli matematici utilizzati per la classificazione e la previsione. Per fare previsioni accurate, una ANN deve prima essere addestrata con una grande quantità di dati, il che rappresenta un problema quando si tratta di BPD.
Spiega il professor Delgado-Eckert: “Fino a poco tempo fa, questa necessità di grandi quantità di dati ha ostacolato gli sforzi per creare modelli accurati per le malattie polmonari nei neonati, perché è così difficile valutare la loro funzione polmonare. Ma c’è un’alternativa. Possiamo misurare la respirazione di un bambino mentre dorme. Tutto ciò che serve è una maschera facciale morbida, con un sensore in grado di misurare il flusso e il volume dell’aria che entra ed esce dal naso del bambino. Questa attrezzatura è economica e disponibile in qualsiasi struttura clinica”.
“Tali misurazioni di diversi respiri consecutivi – ciò che chiamiamo respirazione mareale (ovvero il normale processo di respirazione a riposo) – possono produrre grandi quantità di dati di flusso sequenziale di buona qualità.
Per questi motivi abbiamo voluto provare ad utilizzare questi dati per addestrare una ANN a rilevare la BPD”.
Lo studio, in breve
Il team di ricerca ha reclutato ha un gruppo di 139 neonati a termine e 190 prematuri che erano stati valutati per la BPD, registrando il loro respiro per dieci minuti mentre dormivano. Per ogni bambino, 100 respiri regolari consecutivi, accuratamente ispezionati per escludere sospiri o altri artefatti, sono stati utilizzati per addestrare, convalidare e testare un tipo di ANN chiamato “modello di memoria a breve termine” (LSTM), particolarmente efficace nel classificare dati sequenziali come la respirazione mareale.
L’équipe ha utilizzato il 60% dei dati per addestrare la rete a riconoscere la BPD, il 20% per convalidare il modello (per assicurarsi che non fosse troppo fissato sui dati di addestramento) e poi ha fornito al modello il restante 20% dei dati, non visti, per verificare se fosse in grado di identificare correttamente i neonati con BPD.
Passando ai risultati, Il modello LSTM è stato in grado di classificare una serie di valori di flusso nel set di dati di prova non visti come appartenenti a un paziente a cui era stata diagnosticata la BPD o meno, con un’accuratezza del 96%.
I prossimi step dello studio
Il professor Delgado-Eckert ha affermato: “La nostra ricerca offre, per la prima volta, un modo completo di analizzare la respirazione dei neonati e ci permette di individuare i bambini affetti da BPD già a un mese di età corretta – l’età che avrebbero se fossero nati alla data prevista – utilizzando l’ANN per identificare le anomalie nei loro modelli di respirazione”.
“Il nostro test non invasivo è meno fonte di stress per il bambino e per i suoi genitori, consente di accedere più rapidamente alle cure e può anche essere rilevante per la prognosi a lungo termine”.
L’équipe di ricercatori, adesso, spera di verificare se il modello possa essere utilizzato anche per valutare i bambini a poche settimane dalla nascita, per analizzare la funzione polmonare e prevedere i sintomi nei bambini più grandi, in età scolare, e per testare altre condizioni, come l’asma.
Il commento allo studio
Intervenuto durante la discussione seguita alla presentazione dello studio, La prof.ssa Angela Zacharasiewicz, presidente del gruppo ERS per l’asma e l’allergia pediatrica e capo del dipartimento di pediatria della Klinik Ottakring, non coinvolta nella ricerca, ha dichiarato: “Testare la funzione del polmone nei bambini prematuri utilizzando nuove tecniche migliorerà il processo decisionale terapeutico. Quanto più precocemente possiamo confermare la BPD in un neonato prematuro, tanto più rapidamente potremo decidere con cognizione di causa quale sia la migliore forma di supporto respiratorio da offrire loro nelle prime settimane di vita. Ciò potrebbe anche consentire di pianificare in anticipo le valutazioni di follow-up e i potenziali interventi, riducendo lo stress per i genitori e i loro bambini”.
“Questo studio – ha aggiunto – mostra l’enorme potenziale dell’intelligenza artificiale nel semplificare questo processo. Questa tecnica potrebbe essere utilizzata per testare un numero maggiore di bambini e potrebbe essere applicata anche ad altre malattie, come l’asma”.
“È entusiasmante vedere come strumenti di AI come questi possano potenzialmente venire in aiuto dei nostri servizi sanitari – ha concluso”.
Bibliografia
Delgado-Eckert E et al. “Detection of bronchopulmonary dysplasia (BPD) in preterm infants with an artificial neural network (ANN) trained using air flow time series (TS) measured during tidal breathing (Tb), Abs. OA4655, ERS2024, Vienna