i DCA nell'era della medicina di precisione

Introduzione

I Disturbi del Comportamento Alimentare (DCA), tra cui l’anoressia nervosa, la bulimia nervosa e il disturbo da alimentazione incontrollata, rientrano tra i disturbi psichiatrici più complessi, presentando un elevato tasso di comorbilità psichiatrica. Essi comportano gravi ripercussioni sulla salute fisica e psicologica e sul funzionamento psicosociale dell’individuo e sono caratterizzati da bassi tassi di rilevazione precoce, scarse percentuali di guarigione e alti tassi di ricaduta. L’eziologia dei DCA non è ancora pienamente compresa, ma è ampiamente riconosciuto che essa derivi dall’interazione di fattori genetici, biologici, psicologici e socio-ambientali. Proprio per questa complessità, risulta sempre più urgente individuare strumenti diagnostici più precisi e trattamenti maggiormente personalizzati. In tale contesto, un contributo rilevante proviene dagli studi sulla genetica e sul neuroimaging che fanno uso dell’intelligenza artificiale. Nonostante se ne parli ancora relativamente poco, questo argomento è estremamente attuale. È sufficiente considerare il numero crescente di giovani che soffrono di DCA, spesso ridotti a semplici numeri nelle statistiche diagnostiche, numeri che sono aumentati in modo significativo durante la pandemia. In particolare, si è osservato un incremento del 40,6% delle diagnosi mensili. Alla luce di ciò, ho deciso di approfondire questo tema con l’obiettivo di fare chiarezza su cosa siano realmente i disturbi alimentari e su come essi agiscano a livello genetico e cerebrale, dimostrando che si tratta di patologie reali e complesse, e non di “capricci”, come talvolta vengono erroneamente giudicate. Inoltre, intendo mettere in evidenza i numerosi sviluppi tecnologici che possono contribuire a una migliore comprensione della malattia, soffermandomi anche sulle applicazioni emergenti legate alla nutrizione di precisione, al fine di analizzarne sia i potenziali vantaggi sia le possibili criticità.

Statistica applicata alla genetica

Nei punti precedenti è stato già mostrato come i metodi statistici e l’AI vengano utilizzati sia nella ricerca sui DCA sia nella gestione clinica; in questa sezione vengono quindi ripresi in modo sistematico gli approcci citati, approfondendone principi e applicazioni. Negli studi genetici su larga scala, come i GWAS, si sfrutta il fenomeno della pleiotropia, ovvero l’influenza di un singolo gene su più tratti, per identificare loci di rischio condivisi tra diversi disturbi psichiatrici. A questo scopo vengono impiegati principalmente il FDR, il condFDR e il conjFDR. Il Tasso di Falsa Scoperta rappresenta uno strumento statistico fondamentale per definire una soglia di significatività in presenza di confronti multipli, condizione tipica degli studi genetici su larga scala. Nelle analisi avanzate applicate alla genetica dell’anoressia nervosa, i metodi condizionali sono stati utilizzati adottando una soglia FDR pari a 0,05 per ogni confronto a coppie. Il FDR condizionale aumenta la potenza statistica sfruttando il livello di associazione con un secondo tratto. Basato su un approccio bayesiano empirico, il condFDR stima la probabilità a posteriori che uno SNP non sia associato al tratto primario, come l’anoressia nervosa, dato il suo livello di associazione con un tratto secondario, ad esempio la schizofrenia. Grazie a questo metodo è stato possibile identificare 58 nuovi loci unici di rischio che non emergerebbero da un’analisi GWAS tradizionale. Il FDR congiuntivo consente invece di individuare loci realmente condivisi tra due disturbi ed è definito come il valore massimo tra i due condFDR calcolati in modo bidirezionale. Questo approccio permette di stimare la probabilità che uno SNP sia nullo per uno o per entrambi i tratti, identificando varianti geneticamente pleiotropiche, ovvero quelle che contribuiscono contemporaneamente al rischio di entrambi i fenotipi. Considerando una soglia di 0,05, un valore di conjFDR inferiore indica una probabilità inferiore al 5% che il locus non sia associato ad almeno uno dei disturbi, confermando così una liabilità genetica condivisa. Attraverso questo approccio sono stati individuati 38 loci condivisi tra anoressia nervosa e disturbi psichiatrici maggiori.

Fine Mapping

Le tecniche di fine-mapping hanno l’obiettivo di ridurre l’ambiguità generata dagli studi GWAS e dal Disequilibrio di Linkage, permettendo di individuare la variante genetica effettivamente responsabile dell’associazione osservata. Nei GWAS, infatti, i segnali significativi identificano generalmente ampie regioni genomiche e non lo SNP causale, rendendo il fine-mapping un passaggio essenziale per restringere il locus e chiarire il meccanismo genetico sottostante. Il Disequilibrio di Linkage si verifica quando alleli localizzati in loci diversi vengono ereditati insieme più frequentemente del previsto, a causa della loro vicinanza fisica sul cromosoma. Questa correlazione tra varianti complica l’interpretazione dei risultati dei GWAS, poiché un’associazione significativa può riflettere non la variante causale, ma uno SNP in forte LD con essa. Di conseguenza, il segnale individuato indica più un’area di interesse che la mutazione responsabile. Questo aspetto emerge chiaramente anche nell’identificazione dei loci di rischio per l’anoressia nervosa, dove l’SNP di punta rappresenta spesso solo un marcatore statistico all’interno di una regione genomica estesa, che può raggiungere dimensioni fino a 30 cM e includere numerosi geni. Il fine-mapping consente quindi di restringere queste regioni da decine di centimorgan a pochi cM, riducendo la complessità e permettendo di isolare la variante che contribuisce realmente all’effetto osservato. Tra i diversi approcci, risulta particolarmente utile il metodo della componente di varianza, che combina informazioni di LD e genealogiche per aumentare la risoluzione nella localizzazione dei QTL, ovvero le regioni del genoma che influenzano tratti quantitativi. Questo metodo si basa su un modello lineare misto, che scompone il vettore delle osservazioni fenotipiche in effetti fissi e casuali, includendo anche i termini che rappresentano gli effetti del QTL e i residui. Successivamente viene definita la matrice di varianza e correlazione delle osservazioni fenotipiche, consentendo di descrivere matematicamente le relazioni tra le diverse osservazioni nel set di dati analizzato

Machine Learning

Prima di analizzarne le applicazioni nei DCA, è utile chiarire cosa sia il machine learning e come funzioni. All’interno dell’intelligenza artificiale, il Machine Learning comprende algoritmi capaci di apprendere dai dati e migliorare le proprie prestazioni senza una programmazione esplicita, risultando particolarmente efficace, soprattutto nella sua declinazione di Deep Learning, nell’analisi di dati non strutturati come immagini e segnali. Il Deep Learning utilizza reti neurali multilivello in grado di estrarre automaticamente le caratteristiche rilevanti dai dati, sebbene a un maggiore costo computazionale. Le reti neurali si ispirano alla struttura del cervello e sono organizzate in livelli di input, hidden e output, nei quali le informazioni vengono trasformate progressivamente tramite combinazioni lineari e funzioni di attivazione. Tra i principali modelli utilizzati nella ricerca avanzata figurano le reti neurali convoluzionali, impiegate soprattutto nell’analisi delle immagini, i Variational Autoencoders, utilizzati nell’apprendimento non supervisionato e nella generazione di dati complessi, e le reti neurali ricorrenti, adatte all’elaborazione di dati sequenziali e temporali. Nel contesto dei disturbi del comportamento alimentare, il machine learning è stato applicato in particolare al neuroimaging per identificare biomarcatori neurobiologici oggettivi e quantificabili, migliorando la diagnosi, la comprensione della fisiopatologia e la previsione dell’esito clinico. I modelli impiegati hanno raggiunto accuratezze predittive comprese tra il 74% e l’83,3% nel distinguere pazienti con DCA da controlli sani, evidenziando il ruolo discriminante di specifiche strutture cerebrali. Dal punto di vista clinico, il ML trova applicazione nell’identificazione precoce dei fattori di rischio, nella previsione della risposta ai trattamenti e nel monitoraggio dinamico dei pazienti attraverso l’analisi di dati fisiologici e comportamentali. Un’ulteriore prospettiva riguarda l’integrazione con la nutrizione di precisione, finalizzata alla personalizzazione degli interventi nutrizionali. Tuttavia, un monitoraggio non supervisionato e non calibrato sul fine clinico può rappresentare un potenziale trigger, rendendo necessario l’utilizzo di queste tecnologie esclusivamente in contesti controllati e con finalità terapeutiche.

Figura 7: reti neurali

Nutrizione di precisione

La nutrizione di precisione rappresenta un’estensione dell’approccio personalizzato in ambito alimentare, resa possibile dall’utilizzo dell’Intelligenza Artificiale. Essa si basa sulle caratteristiche individuali del soggetto, integrando informazioni sullo stile di vita, dati clinici, genetici e biologici, e richiede l’analisi di grandi quantità di dati per individuare relazioni complesse, schemi ricorrenti e modelli predittivi utili alla prevenzione, diagnosi e monitoraggio delle malattie. Nel contesto dei Disturbi del Comportamento Alimentare, queste tecnologie mostrano una duplice natura: possono costituire un valido supporto clinico per la personalizzazione degli interventi, ma se utilizzate senza adeguata supervisione possono rappresentare un fattore di rischio per lo sviluppo o il mantenimento della patologia. Un esempio di applicazione è GoFOOD™, un sistema che consente di stimare il contenuto nutrizionale di un pasto a partire da immagini o video acquisiti tramite smartphone. Attraverso l’uso di reti neurali convoluzionali, l’algoritmo segmenta e riconosce gli alimenti, stimandone il volume e ricavando informazioni su calorie e macronutrienti tramite database nutrizionali online, senza richiedere l’inserimento manuale delle grammature. Nonostante buone prestazioni, con risultati comparabili a quelli dei dietisti, il sistema presenta limiti legati all’elevata complessità computazionale e alla difficoltà di applicazione in contesti reali.

Figura 8: applicazione GoFOOD™

Un altro studio rilevante propone un sistema di raccomandazione nutrizionale basato sull’integrazione di Variational Autoencoders e ChatGPT. In questo approccio, i VAE vengono utilizzati per ampliare il database dei pasti, mentre ChatGPT fornisce supporto testuale; il sistema genera piani alimentari personalizzati tenendo conto di parametri individuali come età, peso, altezza, stato di salute e preferenze alimentari. I risultati, testati sia su profili simulati che reali, mostrano un’elevata corrispondenza con le esigenze nutrizionali degli utenti e un buon allineamento con le raccomandazioni dei nutrizionisti, suggerendo un possibile utilizzo futuro come strumento di supporto clinico.

Conclusione

Alla luce dei risultati emersi da questa ricerca, i Disturbi del Comportamento Alimentare si confermano come patologie complesse, il cui funzionamento non è ancora completamente compreso. Tuttavia, gli studi genetici e neuroscientifici supportati dalle nuove tecnologie hanno permesso di individuare pattern e relazioni che, attraverso i metodi tradizionali, risulterebbero difficili da identificare. Tali tecnologie trovano altresì applicazione nel settore della nutrizione di precisione, rivelando da un lato importanti opportunità in ambito clinico e, dall'altro, possibili criticità, soprattutto in assenza di un'adeguata supervisione. Questo sottolinea la necessità di una collaborazione consapevole tra professionisti sanitari e strumenti di Intelligenza Artificiale, in cui la tecnologia sia un supporto e non un sostituto del giudizio clinico. L'aumento dei disturbi alimentari, in particolare tra i giovani, ha evidenziato la necessità di considerare la salute mentale come una priorità. In tale contesto, le nuove tecnologie possono offrire un supporto concreto solo se inserite in un approccio centrato sulla persona, riconoscendo che dietro ogni dato vi è un individuo con una storia, una vulnerabilità e un bisogno di cura.