Cuore, per calcolare il rischio bisogna considerare i fattori ambientali

Gli algoritmi di machine learning devono analizzare anche i determinanti socio-economici. Solo così la previsione potrà essere accurata per le malattie cardiovascolari
2 minuti di lettura

La tecnologia aiuta la medicina a predire il rischio di malattia, ma deve tenere conto dei fattori sociali che caratterizzano la vita delle persone. Almeno quando parliamo di malattie cardiovascolari. È ciò che ha dimostrato un gruppo di ricerca statunitense analizzando gli algoritmi di machine learning applicati alla previsione di rischio e di miglior trattamento per diversi gruppi di pazienti con malattie cardiovascolari. L’esigenza di nutrire la potenza di calcolo delle macchine non solo con parametri biologici ma anche economici, sociali, comportamentali è molto forte in un campo dove sono proprio gli stili di vita e le abitudini a fare la differenza: le malattie cardiovascolari, infatti, colpiscono soprattutto le persone in situazioni socio-economiche svantaggiate.


"Le malattie cardiovascolari sono in aumento, soprattutto nei Paesi a basso e medio reddito e fra le comunità nere in nazioni come gli Stati Uniti”, ha detto Rumi Chunara, professore associato di biostatistica alla New York University's School of Global Public Health e di computer science e ingegneria alla Tandon School of Engineering, nonché uno degli autori dello studio pubblicato su American Journal of Preventive Medicine. "La velocità con cui i fattori sociali e ambientali si sono modificati negli ultimi decenni, come per esempio la quantità di cibo processato presente nell’alimentazione, sta diventando preponderante rispetto ai fattori genetici il cui influsso si vede solo sul lungo termine”.


Gli algoritmi di machine learning – un tipo di intelligenza artificiale che “impara” a interpretare i dati dopo essere stata alimentata con set di informazioni – sono al centro di numerosi studi sulle malattie cardiovascolari. I modelli predittivi sono calcolati sulla base di informazioni cliniche, come la pressione sanguigna e i livelli di colesterolo, ma raramente vengono inseriti anche i cosiddetti determinanti sociali, per esempio il quartiere di residenza. Ma è proprio in questi casi che il machine learning potrebbe essere più utile perché i fattori ambientali e sociali hanno interazioni complesse e non lineari con le malattie cardiovascolari, difficili quindi da interpretare. Come ha dimostrato lo studio dopo aver analizzato più di 1600 articoli pubblicati in letteratura scientifica fra il 1995 e il 2020: l’inclusione dei determinanti sociali negli algoritmi migliora l’abilità di predire alcuni eventi come ri-ospedalizzazione, infarto e ictus.

Purtroppo, sottolineano gli autori, i modelli quasi mai includono la lista completa delle variabili sociali e ambientali a livello delle singole comunità: alcuni prendono in considerazione lo stato civile, la retribuzione, il grado di isolamento sociale, l’inquinamento e la presenza di assicurazione sanitaria ma solo 5 considerano anche la possibilità di muoversi a piedi nel proprio quartiere e la presenza di negozi alimentari nelle vicinanze dell’abitazione. Infine, mancano dati su popolazioni particolarmente interessate all’aumento di incidenza di queste patologie, come quelle del sud america, dell’Africa o del sud est asiatico. "Includere i determinanti sociali della salute può aiutarci a capire dove sono le disuguaglianze e dove è necessario intervenire con dei correttivi”, conclude Chunara. "Per esempio, può aiutare i medici nella loro pratica clinica a individuare i pazienti che hanno bisogno di sostegno socio-economico per segnalarli ai servizi sociali, rinforzando la sinergia fra la salute dei singoli e quella delle comunità”.