Sviluppo di una pipeline di machine learning per la modellazione prognostica della malattia di Alzheimer mediante dati multimodali

La malattia di Alzheimer rappresenta una delle principali sfide in ambito neurologico e sanitario a livello globale. Una delle difficoltà maggiori risiede nella diagnosi precoce e nella previsione dell’evoluzione clinica, che può variare significativamente tra individui. Negli ultimi anni, l’uso del machine learning (ML) ha mostrato grande potenziale, ma molti studi in letteratura si focalizzano sull’utilizzo di soli dati di imaging o di biomarcatori, non utilizzando metodi di selezione delle feature e pipeline standardizzate, causando una scarsa generalizzabilità dei modelli. Presso l’unità di Bari, l’attività di ricerca si è concentrata sull’affrontare queste criticità proponendo un approccio integrato e sistematico [1]. La ricerca svolta propone una pipeline di ML per l’analisi prognostica della malattia di Alzheimer, con un focus specifico sulla predizione del tempo alla progressione verso Alzheimer (time-to-event) a partire da soggetti cognitivamente normali (CN) e soggetti con Mild Cognitive Impairment (MCI). In questo modo si affronta un problema centrale nella ricerca sull’Alzheimer, ovvero non soltanto individuare i soggetti che svilupperanno la malattia, ma anche prevedere il momento in cui si manifesterà la progressione clinica, integrando la componente temporale