Modelli Predittivi su Profilo Psicosociale, Fatica e Qualità del Sonno

La fibromialgia (FM) è una condizione caratterizzata da dolore muscoloscheletrico cronico, la cui fisiopatologia rimane poco chiara. Inoltre, questo disturbo è frequentemente associato a disturbi del sonno, affaticamento pronunciato, rigidità mattutina, scarsa qualità della vita, alterazioni cognitive (principalmente problemi legati alla memoria) e disturbi psicologici, inclusi depressione, ansia e stress.

La FM è significativamente più prevalente nelle donne, con un rapporto stimato donna-uomo di circa 3:1. La sua prevalenza nella popolazione adulta è stimata al 2-3%, aumentando con l'età e raggiungendo il picco tra i 45 e i 65 anni. Il peso socioeconomico e sanitario di questa condizione è sostanziale, poiché la FM è associata ad alti tassi di consultazioni mediche, disoccupazione, disabilità lavorativa e necessità di sostegno economico per disabilità.

La FM è stata collegata a livelli più elevati di affetto negativo, definito come uno stato generale di disagio che comprende emozioni avversive come tristezza, paura, rabbia e senso di colpa. I pazienti con FM mostrano comunemente livelli elevati di ansia, depressione, catastrofizzazione del dolore e stress, che sono associati a un peggioramento dei sintomi, inclusi i deficit cognitivi.

Negli ultimi anni, tecniche di apprendimento automatico, data mining e intelligenza artificiale (AI) sono state applicate con successo allo sviluppo di sistemi di diagnosi assistita da computer (CAD) per l'identificazione di condizioni di salute complesse, raggiungendo buoni livelli di accuratezza ed efficienza riconoscendo pattern potenzialmente significativi nei dati sanitari. Di conseguenza, queste tecnologie forniscono strumenti potenti per l'analisi multivariata dei dati, consentendo previsioni basate su modelli e offrendo un chiaro vantaggio nella valutazione del rischio per un'ampia gamma di malattie. Inoltre, questi approcci non solo supportano lo sviluppo di modelli predittivi clinici, ma migliorano anche la capacità dei clinici di interpretare e applicare i loro risultati nella pratica.

I modelli di apprendimento automatico spiegabili consentono agli esperti clinici di prendere decisioni basate sui dati e di fornire trattamenti personalizzati mantenendo un elevato standard di cura. Questi modelli rientrano nel campo dell'intelligenza artificiale spiegabile (XAI), che mira a sviluppare modelli interpretabili che preservino un'elevata accuratezza predittiva migliorando al contempo la trasparenza, la comprensione e l'affidabilità degli output del modello.

Una precedente pubblicazione del nostro gruppo di ricerca ha dimostrato, utilizzando modelli di apprendimento automatico, una forte associazione tra fattori di salute mentale—in particolare ansia e depressione—e la gravità della fibromialgia, con un'influenza maggiore rispetto all'intensità del dolore stesso. Altri sintomi prevalenti della fibromialgia, come l'affaticamento e i disturbi della qualità del sonno, sono anch'essi considerati dai pazienti come principali contributori alla ridotta qualità della vita, spesso percepiti come più impattanti del dolore.

Di conseguenza, il presente studio mira a sviluppare modelli predittivi della gravità della fibromialgia utilizzando tecniche di apprendimento automatico e intelligenza artificiale spiegabile, incorporando l'affaticamento e la qualità del sonno come nuove variabili nell'analisi.

Comprendere la rilevanza individuale e combinata di queste componenti psicosociali nel determinare lo stato clinico dei pazienti può contribuire a un miglioramento della gestione della malattia e a strategie di trattamento più personalizzate, migliorando infine la qualità dell'assistenza.