Lavorare a un'accurata diagnosi di malattie genetiche rare è una sfida che mette a dura prova anche i medici specialisti. Ogni anno, milioni di pazienti affetti da patologie genetiche finiscono col non ricevere mai una diagnosi precisa, nonostante gli esami del genoma che vengono eseguiti. Circa la metà di questi casi rimane irrisolto anche dopo un'analisi dettagliata da parte di esperti. Il problema non risiede nella mancanza di dati, quanto nel fatto che la ricerca medica è in continua evoluzione. Gli indicatori necessari ad una diagnosi sono spesso dispersi in un mare di informazioni complesse, varianti genetiche, dati clinici frammentati e una letteratura scientifica sempre più estesa.

Ricerca su 376 casi irrisolti

Dal Manton Center for Orphan Disease Research del Boston Children's Hospital, in collaborazione con il Massachusetts Institute of Technology e OpenAI, è emerso uno studio rivoluzionario. I ricercatori hanno analizzato con successo 376 casi non risolti di pazienti mediante la tecnologia avanzata o3 Deep Research di OpenAI. Questo modello, in grado di riconoscere pattern complessi all'interno di grandi quantità di dati genomici e informazioni cliniche, ha proposto ipotesi per i ricercatori esaminarle. Al termine di valutazioni esperte, ulteriori test e conferme in laboratorio, 18 pazienti sono stati infine diagnosticati, un tasso del 4,8% di nuove diagnosi, che rappresenta un'importante vittoria per la medicina.

Processo e metodologia

In questo studio, la tecnologia di A.I. non ha mai effettuato una diagnosi autonoma né ha operato da sola in termini clinici, ma ha servito da strumento per individuare collegamenti potenzialmente significativi. Ai ricercatori, è stata fornita per paziente informazione clinica dettagliata, tra cui descrizione fenotipica, risultati dei test, dati di età e sesso e informazioni sulla famiglia. Sono state anche analizzate le varianti genomiche che vengono classificate in base a rari e probabili effetti biologici.

I risultati sono stati valutati da due esperti indipendenti, con l’eventuale concerto di un consiglio di esperti qualificati. Questo modello di lavoro è stato validato preliminarmente su casi con diagnosi confermata, assicurando che i dati fossero interpretati con la massima accuratezza possibile.

Sviluppo in tempo reale

In questo ambito, uno dei vantaggi della tecnologia di A.I. è la sua capacità di produrre ipotesi che evolvono in tempo reale con i progressi scientifici. Nuove relazioni gene-malattia emergono continuamente, con nuove osservazioni in letteratura scientifica e un aggiornamento frequente dei database dei casi clinici. Tali elementi suggeriscono che il riprocessamento periodico di casi irrisolti da A.I. possa scalare in modo efficiente, adattandosi a un sistema dinamico e in continua evoluzione.

Risultati per coorte

Cohort: Neurosviluppo - Diagnosi: 10 casi diagnosticati, Tasso: 10,0%
Cohort: Malattie neuromuscolari - Diagnosi: 4 casi diagnosticati, Tasso: 6,6%
Cohort: Morte improvvisa nei pediatri - Diagnosi: 2 casi diagnosticati, Tasso: 1,0%
Cohort: Psicosi precoce - Diagnosi: 2 casi diagnosticati, Tasso: 13,3%

La coorte con psicosi precoce era piccola, rendendo quindi il tasso percentuale meno rappresentativo. Il tasso complessivo (4,8%) dimostra una capacità significativa, soprattutto considerando che i casi inanalizzabili precedentemente non potevano essere collegati a cause isolate.

Un esempio di complessità

In un caso individuato dal modello, sono emersi due geni che insieme spiegano complessità cliniche: LAMA2 e FOXP1. Un altro caso ha rivelato un'ipotesi non precedentemente riconosciuta coinvolgente due geni in combinazione, TTN e SRPK3. Questo ha fornito nuove traiettorie per le future analisi, rivelando come la diagnostica genomica possa a volte richiedere interpretazioni combinatorie.

Sintesi e sviluppo successivo

Questi dati evidenziano un vantaggio considerevole per i pazienti, offrendo nuove speranze a chi ha combattuto anni senza una chiara identificazione clinica. Il modello di A.I. non sostituisce gli esperti, ma li supporta con ipotesi biologicamente plausibili e nuove traiettorie di studio. I dati ottenuti inoltre evidenziano una sfida operativa significativa, quella di collegare informazioni sparse attraverso database eterogenei e formati diversi.