Machine learning per la previsione delle esacerbazioni asmatiche tra i pazienti asmatici: una revisione sistematica e meta-analisi

― 22 Maggio 2024

Sintesi e commento in italiano a cura del Dott. Giuseppe Pingitore

Le esacerbazioni dell’asma riducono la qualità di vita del paziente e sono anche responsabili di un significativo aumento dei costi economici. Negli ultimi anni sono stati sviluppati sempre più modelli di previsione basati sull’apprendimento automatico (ML) per prevedere le esacerbazioni dell’asma. Questa revisione sistematica e meta-analisi mira a identificare le capacità dei modelli di previsione basati sull’apprendimento automatico per prevedere le esacerbazioni dell’asma e a definire se i moderni metodi di apprendimento automatico possano diventare un’opzione alternativa per prevedere le esacerbazioni dell’asma.

Sono stati ricercati per studi pubblicati su PubMed, Cochrane Library, EMBASE e Web of Science fino al 15 dicembre 2022. Sono stati presi in considerazione gli studi che hanno applicato metodi di ML per sviluppare modelli di previsione delle esacerbazioni asmatiche tra i pazienti asmatici di età superiore ai cinque anni e pubblicati in lingua inglese. Lo strumento di valutazione del rischio di bias dei modelli di previsione (PROBAST) è stato utilizzato per stimare il rischio di bias e l’applicabilità degli studi inclusi. Il software Stata (versione 15.0) è stato utilizzato per la meta-analisi a effetti casuali delle misure di performance. Sono state condotte analisi di sottogruppo stratificate per metodi di ML, dimensioni del campione, gruppi di età e definizioni di esito.

Sono stati identificati undici studi, tra cui 23 modelli di previsione. La maggior parte degli studi è stata pubblicata negli ultimi tre anni. La regressione logistica, il boosting e il random forest sono stati i metodi di ML più utilizzati. I predittori importanti più comuni sono stati l’uso di steroidi sistemici, i beta2-agonisti a breve durata d’azione, le visite al pronto soccorso, l’età e l’anamnesi di esacerbazione. L’area complessiva sotto la curva delle caratteristiche operative del ricevitore (AUROC) di 11 studi (23 modelli di previsione) è stata di 0,80 (95% CI 0,77-0,83). L’analisi di sottogruppo basata su diversi modelli ML ha mostrato che il metodo boosting ha ottenuto le migliori prestazioni, con un AUROC complessivo in pool di 0,84 (95% CI 0,81-0,87).

Questo studio ha identificato che il ML è uno strumento potenziale per ottenere grandi prestazioni nella previsione delle esacerbazioni dell’asma. Tuttavia, la metodologia di questi modelli era molto eterogenea. Gli studi futuri dovrebbero concentrarsi sul miglioramento della capacità di generalizzazione e della praticabilità, favorendo così l’applicazione di questi modelli nella pratica clinica.

Xiong S, Chen W, Jia X, Jia Y, Liu C. Machine learning for prediction of asthma exacerbations among asthmatic patients: a systematic review and meta-analysis. BMC Pulm Med. 2023 Jul 28;23(1):278. doi: 10.1186/s12890-023-02570-w.
Articolo originale

News

Mese dell’Esofagite e delle Patologie Gastrointestinali Eosinofile
News

Mese dell’Esofagite e delle Patologie Gastrointestinali Eosinofile

― 8 Giugno 2024

con il patrocinio di AAIITO ed ESEO-Italia In occasione del mese delle Patologie Gastrointestinali Eosinofile sono state organizzate all'interno di diversi centri ospedalieri delle giornate informative ed Open Day volte a offrire visite e consulenze gratuite a chiunque abbia un sospetto di Esofagite Eosinofila e convegni dedicati a sensibilizzare l’opinione…

Leggi tutto
APTENI PER PATCH TEST
News

APTENI PER PATCH TEST

― 28 Maggio 2024

Gentile Socio, ti informiamo che sono stati appena pubblicati sul Portale dell'Agenzia Italiana del Farmaco il documento aggiornato "Regolamentazione e uso clinico degli apteni per patch test rev.1" e tutte le serie elaborate finora.

Leggi tutto
Forum AAIITO: incontro con AllerGeni
News

Forum AAIITO: incontro con AllerGeni

― 24 Maggio 2024

Il 10 e 11 maggio 2024 si è tenuto in Liguria il primo “Forum AAIITO: incontro con AllerGeni”

Leggi tutto