Uso dell'intelligenza artificiale nella previsione del rischio cardiometabolico negli indiani asiatici

AI è un termine che racchiude apprendimento automatico (ML), apprendimento profondo, apprendimento supervisionato, apprendimento non supervisionato, reti neurali artificiali (ANN) e reti neurali convoluzionali (CNN). Una componente essenziale dell'intelligenza artificiale, il machine learning, viene sempre più utilizzata nelle applicazioni sanitarie (Shah, Patel e Bharti, 2020), poiché si tratta di un campo interdisciplinare che utilizza tecniche per consentire ai computer di esaminare set di dati senza una programmazione esplicita. ML implica lo sviluppo di un modello o algoritmo mediante un'attenta estrazione delle caratteristiche essenziali dai dati di addestramento che vengono utilizzati a scopo di test. I dati dei test vengono utilizzati per fare previsioni sui problemi di ricerca. Il ML può essere efficacemente riassunto come: estrazione delle caratteristiche, selezione della tecnica per l'analisi dei dati, addestramento del nuovo modello e valutazione della sua efficacia e previsione utilizzando il modello addestrato. L'apprendimento supervisionato e non supervisionato sono forme di apprendimento automatico. Nell'apprendimento supervisionato, i set di dati noti vengono utilizzati per comprendere i modelli nei set di dati, mentre nell'apprendimento non supervisionato, i set di dati non etichettati vengono utilizzati per comprendere i dati (Mathur et al., 2020).

Le strutture di deep learning utilizzano numerosi livelli di calcolo. DL viene utilizzato principalmente per l'elaborazione di set di dati grandi e grezzi. In ANN, più algoritmi di apprendimento automatico lavorano insieme ed elaborano input di dati, ma in CNN esistono nodi nascosti in strati per informazioni, dati complessi ed elaborazione di immagini. Con il rapido avanzamento in AI, ML e DL, i programmi per computer possono simulare efficacemente l'attività neurale della neocorteccia del cervello dove il ragionamento, il pensiero e le funzioni cognitive si svolgono a un ritmo veloce (Mathur et al., 2020).

Nel dominio della medicina cardiovascolare, l'IA ha ampie applicazioni nella terapia farmacologica, nella farmacogenomica, nell'insufficienza cardiaca, negli studi di imaging e nella diagnostica. È importante sottolineare che l'intelligenza artificiale ha la capacità di fornire meccanismi per applicare la medicina di precisione e i big data in medicina, migliorando al contempo l'efficacia del regime di trattamento consigliato dal cardiologo. Inoltre, gli algoritmi AI/ML possono analizzare i dati senza presupposti per scopi di previsione e classificazione. Pertanto, la medicina cardiovascolare può trarre notevoli vantaggi dall'incorporazione e dall'utilizzo giudizioso dell'IA (Romiti et al., 2020).

I disturbi cardiometabolici (CMD) tra cui infarto del miocardio, ictus e diabete mellito di tipo 2 (T2DM), sono collegati a un aumento della morbilità e della mortalità ed è noto che lo stile di vita e il livello di esercizio fisico di un individuo sono fattori di rischio significativi per CVD. Ciò è particolarmente vero per i pazienti che trascorrono lunghi periodi di tempo svolgendo un lavoro sedentario, hanno una mobilità limitata o trovano difficile sostenere quantità accettabili di esercizio fisico, per non parlare del raggiungimento dei livelli da moderati a vigorosi consigliati per la salute cardiometabolica (Landry et al. , 2022).

Gli indiani asiatici sono uno dei gruppi etnici più in crescita al mondo e hanno uno dei tassi più alti di malattie cardiovascolari (CVD), tra cui T2DM (Van Niel et al., 2021) malattia coronarica (inclusi eventi avversi cardiovascolari maggiori o MACE) . Sono state identificate diverse cause di CVD, come l'adozione di modelli e abitudini alimentari occidentali, predisposizione genetica, squilibrio delle lipoproteine ​​e obesità addominale. Anche alcune influenze perinatali sono considerate possibili contributori.

L'elevato consumo di PUFA omega-6 e di grassi saturi è significativamente correlato all'iperinsulinemia a digiuno e all'infiammazione subclinica. Tali diete squilibrate contribuiscono all'elevata prevalenza di insulino-resistenza, sindrome metabolica e T2DM negli indiani asiatici (Isharwal, Misra, Wasir & Nigam, 2009). Inoltre, anche fattori genetici, culturali e socio-economici hanno provocato questa crisi sanitaria. Gli studi hanno costantemente dimostrato che gli indiani asiatici hanno un'alta prevalenza di insulino-resistenza che aumenta la loro tendenza a sviluppare T2DM e CVD in giovane età rispetto agli individui di altre etnie (Misra & Vikram, 2004). Motivi importanti potrebbero essere l'eccesso di grasso corporeo e lo schema sfavorevole del grasso corporeo, inclusa l'adiposità addominale, anche quando l'indice di massa corporea rientra nei limiti normali attualmente definiti. Alcune di queste caratteristiche sono state riportate alla nascita e nell'infanzia.

L'American Diabetes Association (ADA) ha abbassato il limite di BMI (rispetto ai caucasici) per lo screening del T2DM negli asiatici del sud. Alcuni dei problemi riscontrati sono: variabilità nella stratificazione del rischio clinico; mancanza di linee guida stabilite per l'imaging dell'aterosclerosi e scarsità di dati per la formulazione di linee guida cliniche significative nelle persone di etnia indiana asiatica.

La popolazione di indiani asiatici sta aumentando rapidamente negli Stati Uniti (Gujral & Kanaya, 2021). Un recente studio di ricerca dell'American Heart Association (AHA) sottolinea l'aumento della prevalenza e della mortalità associate a CVD in questa etnia, contribuito principalmente dall'insulino-resistenza e dall'aumentata incidenza del T2DM. Gli indiani sono rappresentativi di un gruppo di immigrati di grande successo con redditi più elevati e migliori indicatori sociali ed economici. I dati preliminari ottenuti da questo studio basato sull'intelligenza artificiale consentiranno al nostro team di ottenere i fondi necessari per la ricerca prospettica a lungo termine in questo campo.