Journal Pre-proof – to appear in: The Journal of Allergy and Clinical Immunology
Darije Custovic, Adnan Custovic, , James Gern, Sejal Saglani, Sara Fontanella
Sintesi e commento in italiano a cura della Dott.ssa Anna Perino
Riassunto
L’articolo che per ora è un pre-proof esamina il ruolo del model-based machine learning nello studio dell’evoluzione dell’asma lungo l’intero arco della vita, concentrandosi soprattutto sulle informazioni ottenute dalle coorti di nascita. L’asma viene descritta come un insieme eterogeneo di malattie respiratorie che si sviluppano nel tempo in base all’interazione complessa tra genetica, ambiente, maturazione immunitaria ed esposizioni precoci. Questa eterogeneità rende difficile distinguere, nei primi anni di vita, tra bambini destinati a una remissione spontanea e quelli che svilupperanno asma persistente, e rappresenta una delle principali sfide cliniche.
Il machine learning ha fornito un contributo rilevante nell’identificare traiettorie longitudinali di wheezing direttamente dai dati: pattern come wheeze transitorio, persistente o a esordio tardivo riflettono differenze reali in termini di rischio futuro di asma, sensibilizzazione allergica e funzione polmonare. Tuttavia, la stabilità e la comparabilità di questi “fenotipi” variano da uno studio all’altro, a causa di differenze nei metodi analitici, nelle popolazioni studiate e nella frequenza delle misurazioni. Inoltre, si tratta di classificazioni retrospettive, utili per comprendere la storia naturale ma non ancora immediatamente applicabili alla pratica clinica.
Un secondo ambito in cui il machine learning è stato impiegato è la previsione della progressione verso l’asma, utilizzando informazioni raccolte in epoca prescolare. I modelli attuali offrono miglioramenti modesti rispetto alla statistica classica e spesso non sono validati esternamente. Risultano più promettenti gli approcci che predicono esiti oggettivi, come le traiettorie della funzione polmonare, più stabili e clinicamente rilevanti rispetto alla dicotomia “asma sì/no”.
L’articolo conclude che il machine learning ha aperto nuove prospettive nello studio della variabilità e dello sviluppo dell’asma, ma restano limiti significativi. Sono necessari modelli più interpretabili, replicabili e in grado di integrare dati multimodali — clinici, ambientali, genetici, immunologici e socioeconomici — allineati a outcome realmente utili per la pratica clinica. Solo attraverso questa evoluzione il machine learning potrà contribuire a una previsione personalizzata e, in prospettiva, a strategie di prevenzione mirate ai singoli individui
Commento
Negli ultimi anni la ricerca sull’asma sta vivendo una trasformazione profonda: da un lato, l’immunologia ci sta offrendo una lettura sempre più precisa della malattia, delineando circuiti cellulari e segnali epiteliali che spiegano l’eterogeneità dei fenotipi clinici; dall’altro, l’intelligenza artificiale sta aprendo la possibilità di seguire il decorso dell’asma lungo il corso della vita, identificando pattern di malattia e rischi individuali che sfuggono alla semplice osservazione clinica.
Questo lavoro è probabilmente uno dei primi a usare davvero il machine learning per provare a capire come l’asma si sviluppa lungo tutto il percorso di vita. Finora l’impiego dell’AI è stato molto più solido nell’imaging, dove da tempo si stanno affinando tecniche per segmentare automaticamente le vie aeree, valutare lo spessore bronchiale o integrare dati radiomici con quelli clinici.
Qui è diverso: l’AI viene applicata a dati longitudinali molto complessi, raccolti in coorti pediatriche seguite per anni. Nella pratica clinica quotidiana questo tipo di raccolta dati è improponibile: nessun medico può seguire centinaia o migliaia di bambini per decenni con misurazioni ripetute di esposizioni ambientali, virosi, funzione polmonare e parametri immunologici. Ed è proprio per questo che il machine learning può diventare utile: permette di analizzare queste grandi coorti e di estrarre alcuni pattern di wheezing (transitorio, persistente, tardivo) che sembrano avere una base biologica reale.
Il pre-proof è firmato da gruppi di altissimo livello internazionale — Custovic, Saglani, Gern — che da anni guidano la ricerca sulle coorti pediatriche e sui meccanismi precoci dell’asma. Il fatto che team di questa autorevolezza si dedichino a queste analisi conferma che l’argomento non è marginale, ma sta entrando in una fase più matura.
Naturalmente non tutto funziona alla perfezione. I modelli non sono ancora stabili da una coorte all’altra, i risultati non sono sempre replicabili e rimane difficile collegare i pattern statistici ai meccanismi biologici, che per noi allergologi restano la parte più importante. Però questo studio mostra che il campo sta cambiando: si inizia a considerare l’asma non come una diagnosi fissa, ma come un percorso fatto di tappe e deviazioni, alcune forse prevedibili.
Un aspetto di particolare interesse è la possibilità, ancora solo teorica ma stimolante, che queste traiettorie identificate nell’infanzia possano collegarsi un giorno alla feno-endotipizzazione dell’adulto. Se riuscissimo a mettere in relazione i pattern precoci di wheezing con gli endotipi immunologici che conosciamo (T2-high, T2-low, forme miste), avremmo uno strumento prezioso per capire come l’asma evolve e quali percorsi portano verso la cronicità o verso la remissione.
C’è anche un elemento metodologico da segnalare. I modelli usati dagli autori si stanno avvicinando a tecniche più moderne, come gli approcci zero-shot (cioè modelli che riescono a svolgere un compito senza essere stati addestrati esattamente su quel compito), che dovrebbero permettere di generalizzare meglio e di adattarsi a dataset diversi senza ricominciare da capo. Per chi segue l’evoluzione dell’AI — in attesa (positiva?) della “singolarità” tecnologica secondo Kurzweil director of engineering di Google, cioè la connessione diretta del cervello umano con reti neurali AI — è chiaro che si sta entrando in una fase in cui questi sistemi diventano più flessibili e meno dipendenti da dataset enormi.
In sintesi, l’articolo non modifica la pratica clinica, ma apre una prospettiva nuova. Se da un lato conferma che l’AI nell’imaging è già più matura, dall’altro mostra che esiste spazio per usare il machine learning anche per comprendere meglio l’evoluzione dell’asma precoce e per ipotizzare, in futuro, un collegamento con gli endotipi dell’adulto. È un campo ancora giovane, con molti limiti, ma che merita attenzione.
