Ruolo attuale della intelligenza artificiale e del machine learning: è possibile una applicazione nell’ambito delle patologie ostruttive delle vie aeree superiori pediatriche? Eventuali sviluppi futuri

L’ostruzione delle alte vie aeree (UAO) rappresenta un problema comune nella popolazione pediatrica, talvolta associato a gravi conseguenze. Le cause possono essere diverse, sia acute che croniche, infettive o non infettive (ad esempio epiglottite acuta, difterite laringea, ipertrofia adenotonsillare, corpi estranei, traumi e/o ustioni, laringomalacia, stenosi laringea e anomalie del distretto cranio-facciale). Uno dei disturbi più importanti e frequenti associati alla UAO nei bambini è la sindrome delle apnee ostruttive del sonno (OSA), che interessa circa l’1–5% della popolazione pediatrica. L’OSA è caratterizzata da un’ostruzione parziale o completa delle alte vie respiratorie, con numerose potenziali conseguenze. Questo tipo di disturbo respiratorio del sonno può causare alterazioni nella ventilazione, nell’ossigenazione e nei pattern del sonno. L’anatomia delle vie aeree nei bambini gioca un ruolo cruciale nello sviluppo dell’OSA, con le adenoidi e le tonsille ipertrofiche che rappresentano i principali fattori predisponenti. La diagnosi precoce e un trattamento appropriato sono fondamentali, poiché un’OSA pediatrica non trattata può portare a importanti sequele. Possono verificarsi alterazioni del sistema metabolico e dei fattori di crescita, ipertensione, disturbi cardiovascolari, disfunzioni comportamentali e neurocognitive, scarsa resa scolastica e ridotta qualità della vita. La gestione di queste condizioni è altamente personalizzata a causa delle numerose possibili cause. Il gold standard per la diagnosi di OSA nei bambini è la polisonnografia notturna (PSG), che comporta una notte di osservazione in ospedale o in una clinica del sonno specializzata, con monitoraggio di vari segnali biomedici. Questo rende la PSG una procedura costosa e complessa, che richiede apparecchiature specifiche e personale medico esperto. Inoltre, la natura invasiva dell’esame, soprattutto nei bambini (per via dell’applicazione di numerosi sensori), e la sua disponibilità limitata in molte regioni ne complicano l’uso diffuso. Date queste limitazioni e la relativa alta prevalenza del disturbo, la PSG non rappresenta la soluzione ideale per la diagnosi nei bambini con russamento abituale e a rischio di OSA. Per questo motivo, la comunità scientifica si è attivata per sviluppare test di screening semplificati come approcci diagnostici alternativi. Negli ultimi anni, l’intelligenza artificiale (IA) si è affermata come uno strumento promettente in ambito sanitario, in particolare per accelerare la diagnosi e ottimizzare i percorsi terapeutici. La sua rapida evoluzione è alimentata dalla capacità di supportare decisioni cliniche basate sull’evidenza e migliorare l’approccio medico personalizzato. Tra le metodologie dell’IA, quella predominante è il machine learning (ML), che comprende modelli predittivi in grado di identificare pattern nei dati e ricavare informazioni da nuovi input mai visti prima. In sostanza, gli algoritmi ML possono apprendere e migliorare autonomamente, senza bisogno di una programmazione esplicita, rendendoli strumenti potenti per l’innovazione medica. In questo contesto, le tecniche di ML si sono dimostrate rilevanti nella diagnosi e nella gestione dell’OSA negli adulti. La diagnosi basata su ML ha mostrato efficacia, combinando segnali respiratori, dati elettrocardiografici, sensori di pressione e altri segnali fisiologici con le informazioni cliniche dei pazienti e i questionari di screening dell’OSA per migliorare l’accuratezza diagnostica. Il ML può anche prevedere gli esiti avversi dell’OSA (es. mortalità cardiovascolare a 10 anni), valutare la gravità del disturbo (indice AHI), classificare gli eventi apneici (ostruttivi, centrali e misti) e determinare la pressione CPAP ottimale. Considerata l’affidabilità e i risultati promettenti dell’IA e del ML, queste tecnologie potrebbero essere applicate anche alle condizioni di UAO in ambito pediatrico, inclusa l’OSA. Sulla base di queste considerazioni, abbiamo condotto una revisione sistematica per esaminare il ruolo e l’affidabilità degli strumenti basati su IA e ML nella diagnosi, gestione e potenziale trattamento dell’UAO pediatrica, con particolare attenzione all’OSA. La revisione analizza gli approcci metodologici utilizzati per selezionare e studiare gli articoli rilevanti, valuta le tecniche di IA impiegate, le strategie di validazione e la spiegabilità dei modelli. Inoltre, raccoglie i dati di sensibilità e specificità degli studi inclusi, offrendo una visione più approfondita dell’applicabilità clinica dei metodi ML nella UAO pediatrica.