Prevenire e curare in psichiatria: un software dimostra che si può fare

Un software che lavora sulla combinazione di dati clinici e di neuroimaging, messo a punto dal progetto europeo PRONIA (Personalized Prognostic Tools for Early Psychosis Management) che ha coinvolto anche l'Università Statale di Milano, ha previsto con percentuali di successo molto alte i disagi di integrazione sociale in pazienti a rischio.

Lo studio - pubblicato su Jama Psychiatry - pone le basi per la creazione di un modello prognostico generalizzabile in grado di prevenire l'insorgere di disabilità e di sviluppare nuove terapie cognitivo/bio-comportamentali.

La depressione risulta essere la prima causa mondiale di problemi di salute mentale. I disturbi di disabilità si manifestano principalmente nella fase di giovinezza e nella "emerging adulthood", e circa il 75% di questi prima dei 25 anni.

Episodi di psicosi, come schizofrenia e disordini bipolari, sono i primi sintomi del rischio di disabilità che si traduce in difficoltà e deterioramento nelle relazioni sociali e occupazionali (social and occupational impairments).

Uno dei problemi principali, all'interno della ricerca e della cura della salute mentale, consiste nella scarsità di strumenti computazionali di previsione dei deficit comportanti un impatto importante nelle relazioni sociali e nella possibilità di realizzazione professionale.

Questi strumenti prognostici potrebbero essere in grado di prevenire l'insorgere di disabilità e di sviluppare nuove terapie cognitivo/bio-comportamentali per lo sviluppo di tecniche personalizzate per la prevenzione secondaria e terziaria.

Tuttora non esistono strumenti di stratificazione del rischio che permettano una strategia preventiva e personalizzata e che abbia come obiettivo quello di prevenire le disabilità funzionali nei soggetti a rischio e nella fase incipiente della malattia.

L'ambizioso obiettivo del progetto europeo PRONIA, condotto dal professor Koutsouleris dell'Università di Monaco e, presso l'Università Statale di Milano, da Paolo Brambilla, docente di Psichiatria, e il suo team al dipartimento di Fisiopatologia medico-chirurgica e dei trapianti, è quello di sviluppare un accurato modello di predizione per identificare possibili deficit relazionali e occupazionali nella loro fase iniziale in due diversi gruppi di pazienti: pazienti ad alto rischio clinico di psicosi (Clinical High-Risk, CHR) e pazienti con recente insorgenza di depressione (Recent-Onset Depression, ROD) o psicosi (Recent-Onset Psychosis, ROP).

Questo progetto rappresenta, dunque, il primo sforzo internazionale di creare un modello prognostico generalizzabile attraverso la raccolta di dati clinici e di neuroimaging per lo sviluppo di modelli predittivi multimodali machine learning-based.

Lo studio è stato condotto su un campione di 116 pazienti in stato CHR e 120 pazienti con ROD di età compresa tra i 15 e i 40 anni, con un campione di controllo di 176 controlli sani.

I soggetti sono stati reclutati in sette siti accademici di diagnosi precoce in cinque diversi paesi europei, da febbraio 2014 a maggio 2016. Ogni paziente è stato testato per un periodo di 18 mesi, con una valutazione clinica ogni tre mesi.

Il software di machine-learning utilizzato, NeuroMiner, ha analizzato tre diversi modelli per poter ottenere i risultati funzionali finali.

Nel primo modello, sono stati utilizzati otto punteggi di riferimento globale sul funzionamento sociale e di ruolo di ciascun paziente; nel secondo, sono state analizzate le immagini del volume della materia grigia, mentre nel terzo, sono stati combinati i primi due outcomes e convertiti in un unico risultato finale.  Questo modello di machine learning con convalida incrociata di dati multimodali ha dimostrato che i disagi di integrazione sociale (social functioning) possono essere correttamente predetti nell'83% dei pazienti in CHR (pazienti ad alto rischio clinico di psicosi) e nel 70% dei pazienti con ROD (pazienti con recente insorgenza di depressione) ed è risultato essere migliore delle prognosi cliniche di esperti, che tendono a sovrastimare le capacità di social functioning dei pazienti. 

Per quanto riguarda il role functioning, il modello non è riuscito a predirlo correttamente in nessuno dei due gruppi. Con questo progetto si è potuto osservare quindi che i predittori di social functioning sono più efficaci di quelli di role functioning, che potrebbero essere meglio determinati con l’integrazione di fattori ambientali e clinici.

"I risultati ottenuti con questo studio sono significativi poiché forniscono una prima base empirica del miglioramento prognostico dato dalle valutazioni sequenziali multimodali e multisito del rischio di psicosi e depressione ottenuto attraverso tecniche di machine learning - afferma il professor Brambilla. È un importante punto di partenza per la creazione di nuovi modelli prognostici generalizzabili attraverso diverse combinazioni di dati in grado di consentire una vera strategia preventiva e personalizzata in psichiatria".