Il contributo dell'intelligenza artificiale nella diagnosi dei disturbi neurodegenerativi

Le patologie neurodegenerative associate ai disturbi neurocognitivi (DNC) rappresentano una emergenza assistenziale dalle dimensioni epidemiologiche sempre più rilevanti. Tale emergenza è destinata ad aumentare in relazione a un progressivo aumento della prospettiva di vita, essendo i DNC correlati con l'età. Se è vero che i DNC si manifestano con una franca alterazione delle funzioni cognitive con impatto funzionale nella vita della persona colpita, è altrettanto vero che il processo patologico inizia, molte volte, prima della comparsa della sindrome clinica. In questo intervallo di tempo, anche a distanza di anni dall'esordio del DNC, possono presentarsi quadri clinici più o meno sfumati di disturbo cognitivo accomunati dall'etichetta di "disturbo cognitivo lieve" o Mild Cognitive Impairment (MCI) e di Disturbo Cognitivo Soggettivo o Subjective Cognitive Decline (SCD).

Una generale sensibilità a queste forme prodromiche è necessaria per: 1) l'impostazione di un quadro di intervento farmacologico, neuropsicologico ed assistenziale tempestivo ed efficace; 2) l'inserimento della persona in trial clinici per la sperimentazione di farmaci per la stabilizzazione della patologia degenerativa. Ad oggi la distinzione tra invecchiamento normale, forme lievi o soggettive e la loro evoluzione in quadri di DNC maggiori avviene attraverso una attenta anamnesi cognitivo/comportamentale ed una accurata valutazione clinica compreso un uso attento e competente degli strumenti cognitivi di screening. Tuttavia, negli ultimi anni, un apporto importante è anche stato offerto dalle tecnologie e nello specifico dall'Intelligenza Artificiale (IA), dal Machine Learning (ML) e dal Deep Learning (DL).

Questi strumenti si sono dimostrati accurati e affidabili: 1) nella rilevazione precoce di un DNC; 2) nella prognosi di una potenziale evoluzione di un DNC lieve in maggiore; 3) nella diagnosi differenziale dei DNC. Il presente lavoro ha l'obiettivo di mostrare in che modo l'applicazione dell'IA, del ML e del DL possa contribuire a una più efficace e tempestiva diagnosi dei disturbi neurodegenerativi. [Testo dell'editore].

Neurodegenerative diseases associated with neurocognitive disorders (NCDs) represent a growing healthcare emergency with increas- ingly significant epidemiological dimensions. This emergency is expected to intensify with the progressive increase in life expectancy, as NCDs are correlated with age. NCDs are associated with clear cognitive dysfunctions that significantly impact the affected person's life, the pathological process often begins before the onset of clinical syndrome. During this period, which can precede the onset of NCDs by years, subtle clinical signs of cognitive impairment may emerge, commonly named as Mild Cognitive Impairment (MCI) or Subjective Cognitive Decline (SCD). A general awareness of these prodromal forms is essential for: 1) establishing a timely and effective pharmacological, neuropsychological, and care intervention plan; 2) enrolling individuals in clinical trials for drugs aimed at stabilizing degenerative conditions.

To date, the distinction between normal aging, mild or subjective forms, and their progression to more severe NCDs is achieved through careful cognitive behavioral anamnesis and a thorough clinical assessment, including the skillful and competent use of cognitive screening tools.In recent years, an important contribution has also been given by technology, specifically Artificial Intelligence (AI), Machine Learning (ML), and Deep Learning (DL). These tools have proven to be accurate and reliable: 1) in the early detection of NCDs; 2) in predicting the potential progression of mild NCDs to more severe forms; 3) in the differential diagnosis of NCDs.The present contribution aims to demonstrate to what extent the application of AI, ML, and DL can contribute to a more effective and timely diagnosis of neurodegenerative disorders. [Publisher's Text].