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 (“AI to predict extrauterine growth restriction during transitional nutrition of preterm infants: a retrospective study“) pubblicato di recente sul Journal of Perinatology, 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.
Una transizione delicata
Il passaggio dall’alimentazione per via endovenosa (parenterale) a quella per via orale (enterale) in un contesto nutrizionale è cruciale per la crescita e lo sviluppo del bambino. Tale passaggio viene oggi gestito senza approcci standardizzati supportati da evidenze scientifiche robuste e in cui l’introito di nutrienti eccessivo, insufficiente o sbilanciato può determinare complicazioni e contribuire a un rallentamento della crescita extrauterina (Extrauterine Growth Restriction, EUGR).
Le evidenze emerse 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. Oltre a ciò, lo studio ha avuto il merito di evidenziare e differenziare i fabbisogni e gli apporti nutrizionali in bimbi con diversi prodili di pramaturità, aprendo la strada a una maggiore personalizzazione delle cure. Ad esempio gli esperti sottolineano che nei neonati grandi prematuri la crescita non è solo un indicatore numerico; un rallentamento dell’EURG può infatti avere conseguenze che si estendono nel tempo, con possibili ricadute anche sullo sviluppo neurocognitivo.
Ciò a significare che la transizione nutrizionale non deve (pre)occuparsi solo di “far crescere di più”, ma anche di sostenere la qualità complessiva dello sviluppo. Facendo ricorso anche a strumenti innovativi, affidabili, che aiutino a meglio comprendere cosa accade nei giorni più delicati della vita, quando ogni scelta può fare la differenza. Strumenti che trovano una loro espressone di efficacia nell’Intelligenza Artificiale (IA), capace di gestire al meglio una mole importante di dati.
L’apporto dell’IA
L’intelligenza artificiale ha reso possibile tradurre e integrate l’importante mole di dati, provenienti nello specifico studio da oltre mille cartelle cliniche elettroniche di neonati grandi prematuri seguiti in un unico centro, fonte di informazioni cliniche e nutrizionali, o in altri contesti dati clinici e studi di letteratura ad esempio, in modelli capaci di predire l’EUGR durante la transizione nutrizionale, riconoscendo pattern e combinazioni di variabili clinico-nutrizionali. Variabili preziosissime, che aiutano a descrivere in modo più preciso una fase particolarmente critica, ciò non per sostituire il giudizio clinico del medico, ma proprio per offrire e essere garante di uno strumento in più, che anticipi i bisogni del singolo paziente e orientare strategie sempre più personalizzate, calibrate sui diversi profili di gravità della prematurità. Ovvero con un approccio terapeutico di maggiore e migliore qualità. Un obiettivo assolutamente necessario se si considera che l’EUGR colpisce il 30-97% dei neonati pretermine ed è associata a prognosi sfavorevoli.
Lo studio
Osservazionale retrospettivo, lo studio ha incluso 1165 pazienti (46% con EUGR) nati prima delle 33 settimane di gestazione o 1500 g di peso, ed era teso a valutare come i fattori clinici e nutrizionali, in particolare durante la transizione dalla nutrizione parenterale a quella enterale, possano influenzare o influenzino l’EUGR, utilizzando l’apprendimento automatico (ML).
Tale tecnologia ha permesso ai ricercatori di sviluppare 10 modelli per prevedere l’EUGR combinando due serie di caratteristiche (tutte e solo le caratteristiche nutrizionali) in cinque sottogruppi di pazienti (tutte, estremamente pretermine, molto pretermine, moderatamente pretermine, piccole per l’età gestazionale) e i risultati sono stati più che soddisfacenti su vari fronti. Ad esempio, l’accuratezza del modello è stata di 0,71 (punteggio F1 = Richiamo = AUROC = 0,71, Precisione = 0,72) con le caratteristiche nutrizionali e di 0,79 (punteggio F1 = AUROC = 0,79, Precisione = 0,80, Richiamo = 0,79) con tutte le caratteristiche. Un rischio inferiore di EUGR è stato associato al sesso femminile, a una maggiore velocità di crescita e all’assunzione di lipidi nella prima settimana. I fattori influenti differivano a seconda del sottogruppo.
In conclusione, i modelli ML hanno previsto accuratamente l’EUGR nei sottogruppi di pretermine, evidenziando il ruolo delle variabili nutrizionali e cliniche precoci.
Fonte
- Bozzetti V, Dui LG, Zannin E et al. AI to predict extrauterine growth restriction during transitional nutrition of preterm infants: a retrospective study. Journal of Perinatology, 2025. Doi: 10.1038/s41372-025-02445-4.
