Fattori di rischio predittivi, ma anche sintomi, manifestazioni e caratterizzazioni generali. Alcune delle patologie neurodegenerative a larga diffusione, come la malattia di Alzheimer e Parkinson, avrebbero tratti distintivi dipendenti dal genere.
È quanto hanno determinato, grazie all’utilizzo di specifici algoritmi do Intelligenza Artificiale (IA), due studi innovativi coordinati dall’Istituto di scienze e tecnologie della cognizione del Consiglio nazionale delle ricerche di Roma (Cnr-Istc), pubblicati sul Journal of the Neurological Sciences, condotti in collaborazione con l’Area di Ricerca Milano 4 del Cnr, la Fondazione Mondino, l’Università di Pavia, la Fondazione Santa Lucia IRCCS, le Università di Roma Sapienza e Tor Vergata e AI2Life s.r.l.
Il contributo dell’IA
Un algoritmo di machine learning, che ha analizzato l’esito di test neuropsicologici, neurofisiologici e genetici, sarebbe riuscito a predire per la prima volta l’impatto del genere, maschile o femminile, sull’insorgenza di due patologie neurodegenerative largamente diffuse: la malattia di Alzheimer e di Parkinson (MP). Informazioni preziose che potranno contribuire a definire approcci diagnostici, quindi anche terapeutici, sartorializzati sul sesso.
Il nuovo modello di machine learning, in un campione di popolazione misto, uomini e donne sia sani/e che malati/e, avrebbe identificato i principali fattori predittivi associati all’insorgenza della specifica malattia, fornendo anche nuove informazioni cliniche.
Tra queste la possibilità che Alzheimer e Parkinson siano espressione di una sola malattia, denominata Neurodegenerative Elderly Syndrome (NES), tuttavia con sottomeccanismi di sviluppo differenti. Studi precedenti di letteratura che avevano messo a confronto l’esito dei test predittivi sulla base del genere, non avevano però considerato alcune caratteristiche potenzialmente rilevanti per entrambi i gruppi, indipendentemente dai valori assoluti dei punteggi dei test.
Ad esempio, un punteggio più alto nei maschi per una determinata caratteristica di MP non necessariamente è meno importante per caratterizzare la forma nelle femmine. Il modello di apprendimento automatico (ML) spiegabile utilizzato in questo studio, avrebbe chiarito questi fattori sottostanti, sottolineando l’importanza delle caratteristiche. Ecco alcuni risultati.
Nell’Alzheimer
Sono stati considerati come parametri predittori la memoria, l’orientamento, l’attenzione e il linguaggio (MMSE), la memoria verbale a breve termine (AVTOT) e la memoria episodica a lungo termine (LDELTOTAL).
È emerso ad esempio che il MMSE è un predittore più efficace dell’Alzheimer nelle donne, mentre negli uomini è essenziale per il monitoraggio a lungo termine, il LDELTOTAL è più predittivo nelle donne per l’insorgenza della malattia, mentre AVTOT è più rilevante negli uomini.
Inoltre, il livello di istruzione sembra incidere in modo diverso sul rischio di Alzheimer, con le donne che presentano un rischio maggiore.
Nel Parkinson
Nel MP, i principali predittori nel maschio includerebbero la rigidità muscolare e le disfunzioni del sistema nervoso autonomo, mentre per le donne le disfunzioni urinarie.
Inoltre anche l’età e la storia familiare del campione avrebbe un impatto maggiore negli uomini, così come i test che misurano la fluidità verbale semantica (SFT) e i dati sulla variante genetica SNCA-rs356181, legata al gene dell’alfa-sinucleina, una proteina coinvolta nello sviluppo di malattie neurodegenerative come il Parkinson sembrano avere un peso maggiore nella popolazione maschile.
Gli sviluppo futuri
I risultati di queste ricerche evidenziano l’importanza di integrare approcci diagnostici specifici per sesso nella pratica clinica per migliorare la gestione di Alzheimer e Parkinson.
Queste evidenze saranno utili per affinare sempre più i test neuropsicologici e i biomarcatori predittivi, con un’attenzione particolare al sesso che permetteranno di sviluppare trattamenti personalizzati.
L’IA può, quindi, aiutare efficacemente la medicina, consentendo di integrare e analizzare dati specifici del paziente – fisiologici, genetici o legati allo stile di vita – per prevedere l’insorgenza della malattia, monitorarne la progressione e, allo stesso tempo, offrire trattamenti mirati e personalizzati.
Fonti
D’Amore FM, Moscatelli M, Malvaso A et al. Explainable machine learning on clinical features to predict and differentiate Alzheimer’s progression by sex: Toward a clinician-tailored web interface. Journal of the Neurological Sciences, 2025. Doi: 10.1016/j.jns.2024.123361.
Angelini G, Malvaso A, Schirripa A et al. Unraveling sex differences in Parkinson’s disease through explainable machine learning. Neurological Sciences, 2024, Vol. 462. Doi: https://doi.org/10.1016/j.jns.2024.123091
