Sarcopenia e Machine Learning: come riconoscere e prevenire l’invecchiamento muscolare

Al giorno d’oggi viviamo più a lungo con un’aspettativa di vita media che in Italia è di circa 83 anni, secondo i dati della Banca Mondiale. Ma oltre alla durata, uno degli elementi che più ci interessa riguarda la qualità della nostra vita e la domanda che ci facciamo spesso è: in che modo invecchieremo?

Anche se la scienza non ha ancora una risposta a questa domanda, con alcune tecniche di Machine Learning è possibile ottenere informazioni utili per diagnosticare e prevenire la Sarcopenia, una delle malattie che colpisce soprattutto dopo i 50 anni di età e causa una significativa perdita di massa muscolare. 

Conseguenze tipiche della Sarcopenia sono l’aumento dei rischi per la salute e una maggiore difficoltà nel compiere le attività quotidiane.

Ma, utilizzando immagini ecografiche e algoritmi di apprendimento automatico, è possibile riconoscere precocemente questa condizione, e di conseguenza intervenire con trattamenti opportuni che possono rallentare il decorso della malattia. 

Il progetto UTMOST

Per superare le attuali difficoltà nella diagnosi e nel monitoraggio dei pazienti affetti da Sarcopenia, il 1 Luglio 2021 è partito il progetto UTMOST (acronimo di nUove meTodologie e tecniche di iMaging per la diagnOsi, valutazione e gestione della Sarcopenia in condizioni normali e paTologiche), co-finanziato da Regione Liguria nell’ambito del bando “POR FESR 2014-2020 – Asse 1 – Azione 1.2.4 – Poli di Ricerca e Innovazione. Supporto alla realizzazione di progetti complessi di attività di ricerca e sviluppo per le imprese aggregate ai Poli di Ricerca ed Innovazione.”

Fino al 31 Dicembre 2022, il progetto vedrà impegnati FlairBit come coordinatore, il Prof. Carlo Martinoli come responsabile scientifico e le aziende Akronos Technologies, Esaote e ICS Maugeri.

Anche gli Organismi di ricerca come il Dipartimento di Informatica, Bioingegneria, Robotica e Ingegneria dei Sistemi (DIBRIS, Prof. Alessandro Verri), il Dipartimento di Neuroscienze, Riabilitazione, Oftalmologia, Genetica e Scienze Materno-Infantili (DINOGMI, Prof. Angelo Schenone) e il Dipartimento di Scienze della Salute (DISSAL, Prof. Carlo Martinoli), saranno coinvolti nella realizzazione di una innovativa piattaforma ecografica per la diagnosi della Sarcopenia, grazie a tecniche di Machine Learning applicate per l’acquisizione di dati e  l’elaborazione di immagini.

Perché è importante una diagnosi precoce della Sarcopenia

Il normale processo di invecchiamento è solo una delle molteplici cause della Sarcopenia, ma in realtà la sua insorgenza può essere dovuta a fattori che vanno dalla diminuzione dell’attività fisica alle malattie cardio-vascolari. 

La Sarcopenia è rilevata nel 22% delle persone sopra i 65 anni, ma il dato allarmante si riferisce alla prospettiva che, a causa dell’invecchiamento della popolazione, entro il 2050 questa condizione riguarderà più di 32 milioni di persone in Europa.

Non è poi da sottovalutare il significativo impatto economico sui sistemi sanitari: oggi negli Stati Uniti si stima che le spese pubbliche associate alla gestione dei malati di Sarcopenia ammontino a 18,5 miliardi di dollari.
Infine, individuare la malattia preventivamente consente di evitare che questa possa interagire con malattie croniche e altri disturbi psicologici.

Perché è difficile diagnosticare la Sarcopenia

Ad oggi, non esiste uno standard unificato per lo screening precoce della Sarcopenia.

Il Gruppo di lavoro sulla Sarcopenia negli anziani (EWGSOP) individua nella Dual Energy X-ray Absorptiometry (DEXA) e nella Bioelectrical Impedance Analysis (BIA) le uniche metodiche per la valutazione della massa muscolare. Ma, entrambe presentano importanti criticità, sia di affidabilità, che di logistica.

L’EWGSOP, ritiene che per ottenere una diagnosi efficace è necessaria l’integrazione di dati riguardanti la forza muscolare dei soggetti con sospetto clinico-anamnestico legato alla Sarcopenia, con dati riguardanti la loro massa muscolare, intesa sia come quantità che come qualità del tessuto muscolare.

Obiettivi e risultati attesi del progetto UTMOST 

Lo scopo del progetto è lo sviluppo di uno strumento diagnostico in grado di superare le difficoltà nella diagnosi e nel monitoraggio dei pazienti affetti da Sarcopenia.

Lo strumento dovrà consentire una valutazione globale e qualitativa del muscolo grazie al Machine Learning ed essere trasportabile e semplice da utilizzare.

Il fine ultimo è sviluppare un protocollo standard di valutazione della malattia, in modo da applicare adeguate tecniche terapeutiche, farmacologiche e riabilitative per prevenire la disabilità che ne potrebbe conseguire.

All’interno del progetto FlairBit è responsabile dello studio e dello sviluppo delle tecniche di Artificial Intelligence per l’elaborazione delle immagini ecografiche.

POR FESR 2014-2020 – Asse 1 – Azione 1.2.4 – Poli di Ricerca e Innovazione. Supporto alla realizzazione di progetti complessi di attività di ricerca e sviluppo per le imprese aggregate ai Poli di Ricerca ed Innovazione.

Iscriviti a Salt&Digital

La newsletter di FlairBit su Industria 4.0 e nuove tecnologie.

Author avatar
Flairbit

Post a comment

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *