La ricerca condotta dalla Carnegie Mellon University ha sviluppato un modello in grado di prevedere con precisione in che modo gli ordini casalinghi come quelli messi in atto durante la pandemia di COVID-19 influenzano la salute mentale delle persone con disturbi neurologici cronici come la sclerosi multipla.
I ricercatori della CMU, dell’Università di Pittsburgh e dell’Università di Washington hanno raccolto dati dagli smartphone e dai fitness tracker delle persone con SM sia prima che durante la prima ondata della pandemia. In particolare, hanno utilizzato i dati dei sensori raccolti passivamente per costruire modelli di apprendimento automatico per prevedere depressione, affaticamento, scarsa qualità del sonno e peggioramento dei sintomi della SM durante il periodo di permanenza a casa senza precedenti.
Prima dell’inizio della pandemia, la domanda di ricerca originale era se i dati digitali degli smartphone e dei fitness tracker delle persone con SM potessero prevedere gli esiti clinici. Entro marzo 2020, poiché i partecipanti allo studio dovevano rimanere a casa, i loro schemi comportamentali quotidiani erano significativamente alterati. Il gruppo di ricerca ha realizzato che i dati raccolti potrebbero informare l’effetto degli ordini di soggiorno sulle persone con SM.
“Ci ha offerto un’opportunità entusiasmante”, ha affermato Mayank Goel, capo del laboratorio Smart Sensing for Humans (SMASH) presso CMU. “Se guardiamo i punti dati prima e durante il periodo di permanenza a casa, possiamo identificare i fattori che segnalano cambiamenti nella salute delle persone con SM?”
Il team ha raccolto i dati passivamente nell’arco di tre-sei mesi, raccogliendo informazioni come il numero di chiamate sugli smartphone dei partecipanti e la durata di tali chiamate; il numero di chiamate perse; e la posizione dei partecipanti e i dati sull’attività sullo schermo. Il team ha anche raccolto dati sulla frequenza cardiaca, sul sonno e sul conteggio dei passi dai propri fitness tracker. La ricerca, “Predicting Multiple Sclerosis Outcomes during the COVID-19 Stay-at-Home Period: Observational Study Using Passively Sensed Behaviors and Digital Phenotyping”, è stata recentemente pubblicata sul Journal of Medical Internet Research Salute mentale. Goel, professore associato presso la School of Computer Science’s Software and Societal Systems Department (S3D) e Human-Computer Interaction Institute (HCII), ha collaborato con Prerna Chikersal, Ph.D. studente nell’HCII; il dottor Zongqi Xia, professore associato di neurologia e direttore del programma di ricerca di neuroimmunologia traslazionale e computazionale presso l’Università di Pittsburgh; e Anind Dey, professore e preside della Information School dell’Università di Washington.
Il lavoro si basava su studi precedenti dei gruppi di ricerca di Goel e Dey. Nel 2020, un team CMU ha pubblicato una ricerca che presentava un modello di apprendimento automatico in grado di identificare la depressione negli studenti universitari alla fine del semestre utilizzando i dati di smartphone e fitness tracker. I partecipanti allo studio precedente, in particolare 138 studenti del primo anno della CMU, erano relativamente simili tra loro rispetto alla popolazione più ampia al di fuori dell’università. I ricercatori hanno deciso di verificare se il loro approccio di modellazione potesse prevedere con precisione esiti di salute clinicamente rilevanti in una popolazione di pazienti del mondo reale con una maggiore diversità demografica e clinica, portandoli a collaborare con il programma di ricerca sulla SM di Xia.
Le persone con SM possono sperimentare diverse comorbilità croniche, che hanno dato al team la possibilità di verificare se il loro modello potesse prevedere esiti avversi per la salute come grave affaticamento, scarsa qualità del sonno e peggioramento dei sintomi della SM oltre alla depressione. Basandosi su questo studio, il team spera di far progredire la medicina di precisione per le persone con SM migliorando la diagnosi precoce della progressione della malattia e implementando interventi mirati basati sulla fenotipizzazione digitale.
Il lavoro potrebbe anche aiutare a informare i responsabili politici incaricati di emettere futuri ordini di soggiorno o altre risposte simili durante pandemie o disastri naturali. Quando sono stati emessi gli ordini originali di restare a casa COVID-19, c’erano le prime preoccupazioni per i suoi impatti economici, ma solo un tardivo apprezzamento per il pedaggio sulla salute mentale e fisica delle persone, in particolare tra le popolazioni vulnerabili come quelle con malattie neurologiche croniche condizioni.
“Siamo stati in grado di catturare il cambiamento nei comportamenti delle persone e prevedere con precisione gli esiti clinici quando sono costretti a rimanere a casa per periodi prolungati”, ha affermato Goel. “Ora che disponiamo di un modello funzionante, potremmo valutare chi è a rischio di peggioramento della salute mentale o fisica, informare le decisioni di triage clinico o definire le future politiche di salute pubblica”.
Fonte della storia:
Materiali fornito da Università Carnegie Mellon. Originale scritto da Aaron Aupperlee. Nota: il contenuto può essere modificato per stile e lunghezza.
Il presente articolo è basato sui contenuti di Sciencedaily.com
