Home / medicina / IBM usa l’AI l’intelligenza artificiale per prevenire il diabete di tipo 1 in uno studio della fondazione di Bill Gates

IBM usa l’AI l’intelligenza artificiale per prevenire il diabete di tipo 1 in uno studio della fondazione di Bill Gates

IBM afferma che la sua IA può migliorare i risultati neonatali e prevedere l’insorgenza del diabete di tipo 1

IBM questa settimana ha presentato una ricerca che studia come l’intelligenza artificiale e l’apprendimento automatico potrebbero essere utilizzati per migliorare la salute materna nei paesi in via di sviluppo e prevedere l’insorgenza e la progressione del diabete di tipo 1. In uno studio finanziato dalla Bill and Melinda Gates Foundation, i ricercatori IBM hanno costruito modelli per analizzare i set di dati demografici dei paesi africani, trovando collegamenti “supportati dai dati” tra il numero di anni tra le gravidanze e la dimensione del social network di una donna con i risultati della nascita. In un lavoro separato, un altro team di IBM ha analizzato i dati di tre decenni e quattro paesi per tentare di anticipare l’insorgenza del diabete di tipo 1 da 3 a 12 mesi prima che venga tipicamente diagnosticato e quindi prevedere la sua progressione. Affermano che uno dei modelli ha previsto con precisione la progressione nell’84% delle volte.

Miglioramento dell’esito neonatale
Nonostante un calo globale dei tassi di mortalità infantile, molti paesi non sono sulla buona strada per raggiungere gli obiettivi proposti di porre fine alle morti prevenibili tra neonati e bambini di età inferiore ai 5 anni. Non sorprende che i progressi verso questi obiettivi rimangano disomogenei, riflettendosi nelle disparità di accesso servizi sanitari e allocazione iniqua delle risorse.

Verso potenziali soluzioni, i ricercatori dell’IBM hanno tentato di identificare le caratteristiche associate alla mortalità neonatale “come catturato nei dati trasversali rappresentativi a livello nazionale”. Hanno analizzato i corpora di due recenti (del 2014 e del 2018) indagini demografiche e sanitarie condotte in 10 diversi paesi subsahariani, costruendo per ciascuna indagine un modello per classificare (1) le madri che hanno segnalato un parto nei 5 anni precedenti l’indagine, (2) coloro che hanno riferito di aver perso uno o più bambini di età inferiore ai 28 giorni e (3) coloro che non hanno segnalato di aver perso un figlio. Quindi, i ricercatori hanno ispezionato ciascun modello visualizzando le caratteristiche nei dati che hanno informato le conclusioni del modello, nonché il modo in cui i cambiamenti nei valori delle caratteristiche potrebbero aver influito sulla mortalità neonatale.

I ricercatori hanno concluso che nella maggior parte dei paesi (ad esempio, Nigeria, Senegal, Tanzania, Zambia, Sud Africa, Kenya, Ghana, Etiopia, Repubblica Democratica del Congo e Burkina Faso), i decessi neonatali rappresentano la maggior parte della perdita di bambini sotto i 5 anni e che le percentuali di morti neonatali sono storicamente rimasta elevata, nonostante una diminuzione delle morti sotto i 5. Hanno scoperto che il numero di nascite negli ultimi 5 anni era correlato positivamente alla mortalità neonatale, mentre la dimensione della famiglia era correlata negativamente alla mortalità neonatale. Inoltre, hanno affermato di aver stabilito che le madri che vivono in famiglie più piccole hanno un rischio più elevato di mortalità neonatale rispetto alle madri che vivono in famiglie più grandi,

I coautori dello studio notano i limiti del loro lavoro, come il fatto che i sondaggi, che sono auto-riportati, potrebbero omettere informazioni chiave come l’accesso all’assistenza sanitaria e comportamenti di ricerca sanitaria. Ammettono anche che i modelli potrebbero identificare e sfruttare modelli indesiderati per fare le loro previsioni. Tuttavia, affermano di aver dato un contributo importante alla comunità di ricerca nel dimostrare che l’apprendimento automatico dell’insieme può potenzialmente derivare intuizioni sui risultati neonatali solo dalle indagini sulla salute.

“Il nostro lavoro dimostra l’applicazione pratica dell’apprendimento automatico per la generazione di intuizioni attraverso l’ispezione di modelli di scatola nera e l’applicabilità dell’utilizzo di tecniche di apprendimento automatico per generare nuove intuizioni e ipotesi alternative sui fenomeni catturati nei dati sanitari a livello di popolazione”, hanno scritto i ricercatori in un documento che descrive i loro sforzi. “La correlazione positiva tra il numero di nascite riportato e la mortalità neonatale riflessa nei nostri risultati conferma l’osservazione precedentemente nota sulla distanza tra le nascite come determinante chiave della mortalità neonatale”.


Un team IBM separato ha cercato di indagare in che misura l’intelligenza artificiale potrebbe essere utile nella diagnosi e nel trattamento del diabete di tipo 1, che colpisce circa 1 adulto su 100 durante la loro vita. Attingendo alla ricerca che mostra che il diabete clinico di tipo 1 è generalmente preceduto da una condizione chiamata autoimmunità delle isole, in cui il corpo produce costantemente anticorpi chiamati autoanticorpi delle isole, il team ha sviluppato un algoritmo che raggruppa i pazienti insieme e determina il numero di cluster e i loro profili da scoprire punti in comune tra diversi gruppi geografici.

L’algoritmo ha considerato i profili basati sui tipi di autoanticorpi, l’età in cui sono stati sviluppati gli autoanticorpi e gli squilibri nella positività degli autoanticorpi. Dopo aver raggruppato insieme i soggetti positivi agli autoanticorpi, i ricercatori hanno applicato il modello ai dati di 1.507 pazienti negli studi condotti negli Stati Uniti, in Svezia e in Finlandia. Secondo quanto riferito, l’accuratezza del trasferimento dei cluster è stata elevata, con una media del suddetto 84%, suggerendo che il profilo AAb può essere utilizzato per prevedere la progressione del diabete di tipo 1 indipendentemente dalla popolazione.

In uno studio correlato , questo stesso team di ricercatori ha creato un’ontologia del diabete di tipo 1 che cattura i modelli di alcuni biomarcatori e li utilizza insieme a un modello per discernere le caratteristiche. I coautori affermano che quando applicata agli stessi set di dati dell’algoritmo di clustering, l’ontologia ha migliorato le prestazioni di previsione fino a 12 mesi in anticipo, consentendo previsioni di quali pazienti potrebbero sviluppare il diabete di tipo 1 un anno prima che venga solitamente rilevato.

È importante notare, ovviamente, che gli squilibri nei set di dati potrebbero aver influenzato le previsioni. Un team di scienziati britannici ha scoperto che quasi tutti i set di dati sulle malattie degli occhi provengono da pazienti in Nord America, Europa e Cina, il che significa che gli algoritmi di diagnosi delle malattie degli occhi hanno meno probabilità di funzionare bene per i gruppi razziali dei paesi sottorappresentati. In un altro studio, i ricercatori della Stanford University hanno affermato che la maggior parte dei dati statunitensi per gli studi che coinvolgono usi medici dell’IA provengono da California, New York e Massachusetts.

I coautori di un audit del mese scorso raccomandano che i professionisti applichino analisi di equità “rigorose” prima dell’implementazione come una soluzione ai bias. Speriamo che i ricercatori IBM, se dovessero decidere di implementare i suoi modelli, ascoltino i loro consigli.

Top

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi