Applicazione di tecniche di analisi di Intelligenza Artificiale nello studio di stato di salute, epidemiologia ed esposizione per l’identificazione dei fattori di rischio individuali nel Covid-19 e nella risposta ai vaccini

Introduzione. La pandemia da Covid-19 ha avuto un impatto significativo sulle persone anziane e sui soggetti fragili, evidenziando l’importanza di identificare precocemente i fattori di rischio di esiti avversi. Sebbene tali popolazioni siano state ampiamente studiate con metodi di statistica tradizionale, l’uso dell’Intelligenza Artificiale (AI) in questi ambiti rimane limitato. La tesi include due studi epidemiologici distinti condotti su residenti in Lungodegenza Post-Acuzie (LPA) (Studio 1) e ricoverati per malattia acuta da Covid-19 (Studio 2), la cui elaborazione statistica è stata volta tramite modelli di AI. Studio 1. Obiettivo: Indagare tramite AI i fattori associati ad outcome avversi (infezione da Covid-19, necessità di ossigenoterapia e decesso) e a una più alta risposta anticorpale a vaccino in anziani vaccinati con anti-SARS-CoV-2 residenti in regime di LPA. Metodi: Studio multicentrico longitudinale svolto fra marzo 2021 e giugno 2022 su residenti in LPA vaccinati con anti-SARS-CoV-2. Risultati: L’età media dei 3276 partecipanti è stata di 83.4 anni e il 71.0% era di sesso femminile. Nei 12 mesi di follow-up, il 9.3% dei pazienti ha sviluppato infezione da Covid-19, il 1.4% ha richiesto ossigeno, mentre il 15.6% è deceduto. Il modello predittivo migliore per infezione incidente da Covid-19 è risultato il Random Forest (RF). La feature maggiormente associata a tale outcome è stata la pregressa infezione da SARS-CoV-2, che ne riduceva la probabilità; inoltre, anche aver ricevuto due dosi di vaccino anti-SARS-CoV-2 riduceva il rischio di infezione incidente. Nel sottocampione con dosaggio anticorpale, i XGBoost e RF hanno mostrato che, sia a 2 che a 6 mesi, una risposta immunitaria alta era associata a una pregressa infezione da SARS-CoV-2, al vaccino Moderna (vs. Pfizer/BioNTech) e allo stato di non fumatore (verosimile survival bias). Non è stato possibile costruire modelli predittivi per ossigenoterapia e decesso per basse metriche di performance. Studio 2. Obiettivi: Valutare tramite AI la presenza di un’associazione fra specifici loci genetici e decesso entro 6 mesi (main outcome) e necessità di intensificazione delle cure e delirium intraospedaliero (secondary outcomes) in adulti ospedalizzati per infezione da Covid-19. Metodi: Studio monocentrico longitudinale svolto nella U.O. di Medicina Interna Universitaria dell’Azienda Ospedaliero-Universitaria Sant’Anna di Ferrara (Italia) su adulti ospedalizzati con malattia acuta da Covid-19 fra l’1 marzo 2020 e l’1 marzo 2021. Risultati: L’età media dei 363 partecipanti è stata di 71.2 anni e il 47.6% era di sesso femminile. L’8.3% dei pazienti ha avuto delirium durante il ricovero, il 23.3% ha richiesto un’intensificazione delle cure, mentre la mortalità a 6 mesi è stata del 28.0%. In base al Random Survival Forest (RSF), risultato il migliore modello predittivo nell’analisi di sopravvivenza, i due loci genetici maggiormente associati a decesso sono stati ACE2 e PPARGC1A; la forza di tali associazioni è risultata però minore di quella data da età, numero di farmaci, domicilio come setting pre-ricovero, dipendenza funzionale, ipertensione e demenza. Relativamente alla richiesta di intensificazione di cure e delirium intraricovero, l’analisi delle feature non è stata svolta, per basse metriche di performance. Conclusioni. Negli anziani in LPA, una precedente infezione da Covid-19 è risultato il principale fattore protettivo verso l’infezione incidente entro 12 mesi ed associato a migliore risposta anticorpale. Nei pazienti ricoverati per malattia acuta da SARS-CoV-2, i fattori clinici restano predittori di mortalità più forti rispetto a quelli genetici, sebbene ACE2 e PPARGC1A mostrino associazioni rilevanti. L’AI emerge come strumento promettente negli studi di popolazione, ma richiede un approccio multidisciplinare per garantire la validità e l’applicabilità dei risultati nella pratica clinica.