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.
