Dottorato in NEUROSCIENZE DEL COMPORTAMENTO

Titolo della tesi: Machine Learning Algorithm in Predicting Alzheimer’s Disease: Exploring Brain Volumetric Markers and Cognitive Profiles in Amnestic Mild Cognitive Impairment Patients

Il numero crescente di persone a cui viene diagnosticata la malattia di Alzheimer (AD) rappresenta una delle sfide più pressanti per la sanità contemporanea, e ha dato il via a un'ondata di ricerche volte a comprenderne la progressione e a trovare interventi efficaci. Poiché le terapie farmacologiche per il trattamento cognitivo e comportamentale dei sintomi dell'AD hanno mostrato scarsa efficacia, le azioni preventive, mirate ai fattori di rischio e alla promozione di stili di vita sani, rappresentano di fatto la prima opzione per gestire tali sintomi. Il deterioramento cognitivo lieve (MCI), in quanto stadio intermedio tra la cognizione normale e la demenza, rappresenta un punto critico nello spettro del declino cognitivo ed è concepito come un potenziale target per interventi volti a ritardare la progressione della demenza e ad attenuare le disabilità ad essa associate. La fattibilità di intervenire fin dalle prime fasi è ancora più importante alla luce delle crescenti evidenze che dimostrano che non tutti i pazienti con MCI progrediscono verso l'AD e, per questo motivo, l'MCI rappresenta un'opportunità unica per studiare i fattori che possono influenzare la conversione. Di conseguenza, un numero significativo di ricerche si è concentrato sulle caratteristiche di neuroimmagine e neuropsicologiche che distinguono i pazienti con MCI che progrediscono verso l'AD da quelli che rimangono clinicamente stabili in finestre temporali definite, contribuendo così ai quadri teorici che rafforzano la nostra comprensione della malattia. Tra i vari approcci utilizzati in campo neurodegenerativo, gli algoritmi di apprendimento automatico (Machine Learning, ML) sono emersi di recente come strumenti potenti e promettenti, offrendo opportunità senza precedenti nell'analisi di insiemi di dati complessi e fornendo ai medici informazioni vitali che possono guidare le decisioni terapeutiche e le strategie di gestione dei pazienti. Nel contesto della ricerca sull'AD, diversi studi hanno dimostrato l'utilità e l'accuratezza dei metodi di ML nell'identificare i predittori di conversione, dando così misure prognostiche che contribuiscono a identificare modelli all'interno dei dati di neuroimaging e di assessment cognitivo. Questa tesi esplora la transizione da MCI all’AD attraverso la lente del machine learning e, nello specifico, mira a identificare i predittori cerebrali/volumetrici della conversione e a esplorare i profili neuropsicologici dei pazienti con MCI amnestico che convertono a possibile AD e di quelli che rimangono stabili nell’arco di un anno. Attraverso un esame completo delle regioni cerebrali riconosciute essere coinvolte nell'AD, abbiamo individuato biomarcatori indicativi di un'elevata probabilità di progressione della malattia, facilitati dall'applicazione di una metodologia innovativa di selezione delle aree cerebrali che migliora i nostri modelli differenziando le alterazioni anatomiche associate alla conversione. L'analisi delle differenze neuropsicologiche e dell'impatto della riserva cognitiva statica sulle prestazioni fornisce inoltre un contesto comportamentale, rivelando le complesse interazioni tra volume cerebrale, riserva cognitiva e cognizione. Integrando l'aspetto innovativo degli strumenti AI e i potenziali effetti benefici della riserva cognitiva, questa tesi intende quindi contribuire al crescente corpo di conoscenze relative all'AD, fornendo agli operatori sanitari i mezzi necessari per una diagnosi e un intervento tempestivi. Questo impegno è particolarmente critico in un contesto in cui interventi celeri e diagnosi accurate hanno il potenziale di modificare le traiettorie della malattia e migliorare i risultati dei pazienti.