Il diabete mellito di tipo 2 è una patologia fortemente influenzata da alimentazione e attività fisica, ma risente anche dell’invecchiamento. A oggi, nel mondo soffrirebbero di questa patologia non trasmissibile, ma altamente pericolosa, oltre 460 milioni di persone.
Secondo uno studio del 2019 (doi: https://doi.org/10.1016/j.diabres.2019.107843), questo valore è destinato ad aumentare, raggiungendo i 578 milioni entro il 2030 e i 700 milioni entro il 2045. Non solo.
Gli autori hanno anche evidenziato che oltre il 50% dei soggetti con diabete non sanno di averlo: un problema serio, perché se non controllata, questa condizione porta a complicanze importanti a carico di altri organi, come occhi e reni, dell’apparato circolatorio e del sistema nervoso.
L’ideale sarebbe avere a disposizione semplici strumenti di stratificazione della popolazione: se intercettato prima di connaturarsi all’organismo che colpisce, o nelle sue prime fasi, il diabete può essere considerato reversibile. I giusti accorgimenti alimentari e di stili di vita possono infatti far tornare la glicemia a livelli normali.
Uno studio arabo propone l’uso di intelligenza artificiale che individua i soggetti a maggior rischio diabete in base alle abitudini di vita, appunto. Più nel dettaglio, gli autori mettono a confronto vari modelli predittivi già esistenti per il diabete mellito di tipo 2, notando come la maggior parte non tenga conto degli stili di vita, focalizzandosi invece su specifiche misure mediche, come i valori di emoglobina glicata.
Questa misura però, sottolineano ancora gli autori, è fortemente influenzata da fattori esterni, come l’etnia. Lo dimostra il fatto che nelle regioni dell’Asia che si affacciano sul Pacifico ci siano diversi cut-off per l’emoglobina glicata.
Per questa ragione, sarebbe opportuno utilizzare i modelli predittivi su popolazioni ben definite, così da aumentarne l’accuratezza. Qual è la struttura del modello individuato come migliore dallo studio? I risultati ottenuti indicano un modello random forest con sovracampionamento dei dati, ottenuto con la tecnica SMOTE, e analisi dei componenti principali (PCA) come quello capace di predire il rischio di diabete mellito di tipo 2 con precisione dell’89%, recall del 65% e score f1 del 75%.
Il modello affianca ai valori medici tipici della diagnosi di diabete le abitudini dei soggetti coinvolti: il metodo può essere utilizzato come strumento per fare diagnosi precoce nei centri esperti, anche accanto ad altri tool.
Il lavoro è stato condotto dal Centro per l’Intelligenza Artificiale e dal Dipartimento di Sistemi informativi gestionali dell’Università Prince Mohammad Bin Fahd di Khobar, in Arabia Saudita, e dall’Università Inti International della Persiaran Perdana BBN Putra Nilai, in Malesia.
(Lo studio: Velu, S.R., Ravi, V. & Tabianan, K. Machine learning implementation to predict type-2 diabetes mellitus based on lifestyle behaviour pattern using HBA1C status. Health Technol. (2023). https://doi.org/10.1007/s12553-023-00751-5)
