L’intelligenza artificiale come strumento predittivo per supportare la
definizione dell’alimentazione nei neonati prematuri.
È questo il presupposto alla base di uno studio
innovativo, pubblicato di recente sul Journal of Perinatology – rivista del portfolio “Nature” – frutto del
lavoro congiunto di ricercatrici della Fondazione IRCCS San Gerardo dei Tintori (FSGT) e del
Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB) del Politecnico di Milano.
Per la FSGT hanno partecipato le neonatologhe Maria Luisa Ventura, Valentina Bozzetti, Valeria
Cavalleri, Lucia Iozzi con le ingegnere Emanuela Zannin e Paola Coglianese. Per il DEIB del
Politecnico di Milano hanno contribuito la prof.ssa Simona Ferrante con le ingegnere Linda Greta
Dui e Silvia Riccò.
Il lavoro affronta uno dei momenti più delicati nella cura del neonato altamente pretermine: il
passaggio dall’alimentazione per via endovenosa (parenterale) a quella per via orale
(enterale), una fase di “transizione nutrizionale” estremamente cruciale per crescita e sviluppo,
che oggi viene gestita senza approcci standardizzati supportati da evidenze scientifiche robuste e
in cui un apporto di nutrienti eccessivo, insufficiente o sbilanciato può determinare
complicazioni e contribuire a un rallentamento della crescita extrauterina (Extrauterine Growth
Restriction, EUGR).
I risultati mostrano che un adeguato apporto di proteine e lipidi già nei primi giorni di vita, insieme al
tasso di crescita nella prima settimana, rappresentano elementi chiave per predire l’EUGR. Un
contributo rilevante dello studio è stata inoltre la suddivisione dei pazienti in base a diversi profili di
prematurità: è emerso infatti come i fabbisogni e gli apporti nutrizionali differiscano nei vari gruppi,
aprendo la strada a una maggiore personalizzazione delle cure.
«Nei neonati grandi prematuri la crescita non è solo un indicatore numerico: un rallentamento della
crescita extrauterina può avere conseguenze che si estendono nel tempo, con possibili ricadute
anche sullo sviluppo neurocognitivo – spiega Valentina Bozzetti -. Per questo studiare la transizione
nutrizionale significa puntare non solo a “far crescere di più”, ma a sostenere la qualità complessiva
dello sviluppo. Per farlo, però, serve riuscire a leggere davvero ciò che accade nei giorni più delicati
della vita, quando ogni scelta può fare la differenza».
«È qui che entra in gioco la forza dei dati: in questo lavoro abbiamo potuto attingere a un vero e
proprio “mare di dati” – sottolinea Maria Luisa Ventura – oltre mille cartelle cliniche elettroniche di
neonati grandi prematuri seguiti in un unico centro, ciascuna ricchissima di informazioni cliniche e
nutrizionali. Mettere questo patrimonio nelle mani dell’intelligenza artificiale significa poter affrontare
una complessità che gli studi tradizionali non riescono a catturare con la stessa profondità».
«L’intelligenza artificiale permette di integrare grandi volumi di dati clinici eterogenei e di trasformarli
in strumenti utili per la ricerca e, progressivamente, per supportare le decisioni cliniche – commenta
Simona Ferrante -. Il valore nasce dall’incontro tra competenze: da un lato la solidità metodologica
e la capacità di leggere la complessità dei dati, dall’altro la conoscenza clinica che dà senso ai
numeri e orienta le domande giuste. È così che i modelli diventano non solo accurati, ma anche
interpretabili e potenzialmente trasferibili nella pratica».
«In questo studio abbiamo tradotto questa integrazione in modelli capaci di predire l’EUGR durante
la transizione nutrizionale, riconoscendo pattern e combinazioni di variabili clinico-nutrizionali che
aiutano a descrivere in modo più preciso una fase particolarmente critica – conclude Linda Greta
Dui -. L’obiettivo non è sostituire il giudizio clinico, ma offrire uno strumento in più per anticipare i
bisogni del singolo paziente e orientare strategie sempre più personalizzate, calibrate sui diversi
profili di gravità della prematurità».