Background clinico

I Disturbi dello Spettro Autistico (DSA) sono un gruppo eterogeneo di patologie del neurosviluppo caratterizzate da una compromissione nelle competenze socio-comunicative, associata a interessi e comportamenti ristretti o stereotipati. Si tratta di un problema crescente della sanità pubblica, come riconosciuto dalle Nazioni Unite e dall'Organizzazione Mondiale della Sanità [1,2], la cui incidenza recentemente riportata da uno studio americano è di 1 bambino su 68 [3]. Un intervento riabilitativo intensivo e precoce rappresenta uno strumento efficace per migliorare la prognosi dei bambini con DSA e ad oggi è l'unico in grado di modificare la storia naturale del disturbo [4].

Trovare biomarcatori per i DSA è quindi estremamente importante per la diagnosi precoce della patologia, che permette a sua volta di mettere a punto trattamenti più efficaci e personalizzati volti ad incrementare le abilità socio-comunicative e adattive dei pazienti e al tempo stesso a ridurre i comportamenti problematici [5]. Gli studi di neuroimmagini basati su risonanza magnetica strutturale (sMRI), risonanza magnetica funzionale (fMRI), resting-state fMRI (rs-fMRI) e imaging del tensore di diffusione (DTI) hanno finora evidenziato che i DSA sono associati a differenze di sviluppo nell’anatomia e nella connettività cerebrale [6]. Inoltre, uno dei risultati più consistenti sui DSA, ma anche uno dei meno compresi è quello che riguarda le differenze di prevalenza in base al genere, infatti, il rapporto dell’incidenza dei DSA tra maschi e femmine è approssimativamente di 4:1 [7].

Una maggiore comprensione delle disparità di genere nei DSA attraverso studi di neuroimaging è stata ostacolata finora dal fatto che le ricerche sono state effettuate su campioni di piccole dimensioni che non hanno sufficiente potere statistico per rilevare effetti significativi. Per questo motivo, gli studi sui DSA basati su dati di neuroimaging beneficerebbero di un approccio multicentrico e multidisciplinare per superare la frammentazione degli studi, e della costruzione di team di lavoro in cui le competenze medico-specialistiche specifiche sulla patologia siano affiancate da quelle tecnico-informatiche di esperti di elaborazione dei dati di neuroimaging e dei relativi dati fenotipici dei pazienti.

Infine, in un contesto di dati e competenze condivise, potrebbe emergere in modo inequivocabile il potenziale delle tecniche di apprendimento automatico (machine learning) [8,9,10]. Esse potrebbero infatti essere applicate in modo appropriato, su dataset adeguatamente popolati, con corrette procedure di ottimizzazione e rigorose misurazioni delle prestazioni. La possibilità di implementare tecniche di machine learning per analizzare le anomalie cerebrali nei DSA potrebbe avere un ruolo chiave nel far emergere sottili relazioni nascoste nella complessità dei dati. Metodologie innovative e robuste di data mining sviluppate e appositamente implementate per esplorare la complessità dei dati multimodali e mlticentrici possono colmare il gap tra il substrato neurobiologico dei DSA e le numerose varianti cliniche osservate tramite l'individuazione con le neuroimmagini di fenotipi intermedi.

[1] Resolution adopted by the General Assembly on 18 December 2007. 62/139. World Autism Awareness Day [on the report of the Third Committee (A/62/435)], United Nations.

[2] http://www.who.int/mental_health/evidence/en/

[3] Centers for Disease Control and Prevention, "Prevalence of ASD", MMWR, vol. 63, Mar. 2014, p. 1-22. https://www.cdc.gov/mmwr/pdf/ss/ss6302.pdf

[4] Vismara LA and Rogers SJ, Behavioral treatments in autism spectrum disorder: what do we know? Annual Rev Clin Psychol 6, 447-468 (2010). DOI: 10.1146/annurev.clinpsy.121208.131151

[5] Ecker C and Murphy D, Neuroimaging in autism-from basic science to translational research. Nat Rev Neurol 10, 82-91 (2014). http://www.kcl.ac.uk/ioppn/depts/fans/sackler-group/Publications/Neuroimaging-in-autism---from-basic-science-to-translational-research.pdf

[6] Mueller S, Keeser D, Reiser MF, Teipel S, Meindl T, Functional and structural MR imaging in neuropsychiatric disorders, part 2: application in schizophrenia and autism. AJNR Am J Neuroradiol 33, 2033-2037 (2012). http://www.ajnr.org/content/33/11/2033.full

[7] Elsabbagh M et al., Global prevalence of autism and other pervasive developmental disorders. Autism Res. 5:160-79 (2012). http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3763210/

[8] Witten IH et al. Data Mining: Practical Machine Learning Tools and Techniques, Third Edition, Morgan Kaufmann, 152-154 (2011). ftp://ftp.ingv.it/pub/manuela.sbarra/Data%20Mining%20Practical%20Machine%20Learning%20Tools%20and%20Techniques%20-%20WEKA.pdf

[9] Lemm S et al., Introduction to machine learning for brain imaging. Neuroimage 56, 387-399 (2011). http://www.icg.seas.gwu.edu/cs367/papers/Introduction%20to%20machine%20learning%20for%20brain%20imaging.pdf

[10] Retico A, Tosetti M, Muratori F, Calderoni S. Neuroimaging-based methods for autism identification: a possible translational application? Funct Neurol. 7:1-9 (2014). http://www.ncbi.nlm.nih.gov/pmc/articles/PMC4370436/