Vasculite da IgA pediatrica, l’intelligenza artificiale aiuta a prevedere le recidive
Prevedere quali bambini con vasculite da IgA (IgAV) siano maggiormente esposti al rischio di recidiva potrebbe diventare più semplice grazie alla tecnica di intelligenza artificiale dell’apprendimento automatico. Un modello ibrido “spiegabile”, costruito utilizzando dati clinici e di laboratorio di routine, ha mostrato infatti una discreta capacità di individuare i pazienti a rischio, indicando tra i fattori più influenti l’età più avanzata alla diagnosi, una maggiore attività di malattia, il sesso femminile e le alterazioni dell’esame delle urine.
Lo studio retrospettivo, pubblicato sulla rivista “Rheumatology”, ha preso in considerazione 653 bambini con diagnosi di IgAV secondo i criteri EULAR/PRINTO/PRES. I ricercatori hanno valutato dati demografici, manifestazioni cliniche, parametri di laboratorio e Pediatric Vasculitis Activity Score (PVAS) al momento della diagnosi, mettendo alla prova diversi algoritmi di machine learning basati su alberi decisionali.
Il modello finale è un ensemble ibrido che combina Random Forest, AdaBoost ed Extra Trees attraverso una strategia di “soft voting”. Per rendere interpretabili le previsioni dell’algoritmo è stata inoltre utilizzata un’analisi basata sui valori SHAP (SHapley Additive exPlanations), affiancata dalla realizzazione di un nomogramma per la stima individualizzata del rischio. I risultati del machine learning sono stati confrontati anche con quelli ottenuti mediante analisi convenzionali di regressione logistica.
La verifica del modello previsionale
Nel corso del follow-up, 117 dei 653 pazienti sono andati incontro a recidiva, pari al 17,9% della coorte. Il modello ibrido ha ottenuto la migliore area sotto la curva ROC, con un’AUC-ROC di 0,7504 ± 0,0856. L’area sotto la curva precision-recall (AUC-PR) è risultata pari a 0,4540 ± 0,1308, mentre il Brier score è stato di 0,1315 ± 0,0130.
L’analisi SHAP ha permesso di capire quali caratteristiche contribuissero maggiormente alle previsioni: in primo piano sono emerse un’età più avanzata alla diagnosi, un PVAS più elevato, il sesso femminile e la presenza di alterazioni all’esame delle urine.
L’analisi statistica convenzionale ha in parte confermato questo quadro. Il PVAS è risultato fortemente associato alla recidiva, mentre sesso femminile, maggiore età alla diagnosi, rash con interessamento del volto e anomalie dell’esame delle urine sono risultati predittori indipendenti.
Nel complesso, lo studio suggerisce quindi che informazioni già disponibili nella normale valutazione clinica e laboratoristica possano alimentare un modello di machine learning interpretabile per stimare il rischio di recidiva nella IgAV pediatrica. Il modello e il nomogramma proposti potrebbero supportare la stratificazione del rischio e contribuire a indirizzare il follow-up verso i bambini maggiormente esposti alla possibilità di una nuova manifestazione della malattia.
