Machine Learning e Data Mining nel trapianto: cosa c’è di nuovo?
Il Machine learning e il Data mining sono aree di ricerca relativamente recenti della Computer Science. Ecco un esempio di applicazione in ambito trapiantologico, in press sul prossimo numero di BBMT
La capacità analitica sempre più potente e l’esistenza di database sempre più grandi e complessi, insieme ad un bisogno di modellizzare e di sfruttare le informazioni presenti al fine di ottimizzare le scelte future, sono alla base dello sviluppo del Data mining e della creazione di algoritmi decisionali basati sul Machine learning (1). Lo studio di Buturovic e colleghi (2) trasporta questo tipo di approccio in campo trapiantologico: utilizzando il dataset del CIBMTR, gli autori classificano ogni potenziale donatore non consanguineo come “preferito” o “non preferito”, sulla base della probabilità di sopravvivenza del paziente a 5 anni dal trapianto, grazie ad un modello costruito con molteplici variabili cliniche del paziente, del donatore e del trapianto stesso, come anche il dato biologico della lunghezza telomerica
La costruzione del modello si è basato su 1255 pazienti affetti da leucemia acuta, mieloide o linfoblastica, sottoposti tra il 2000 ed il 2010 a trapianto mieloablativo da donatore unrelated 8/8-matched, senza T-deplezione del graft, né in vivo né ex vivo. Utilizzando un training set ed un validation set, l’algoritmo classifica ogni donatore come “preferito” o “non preferito”, quando associato alla variabile binaria “vivo” o “deceduto” a 5 anni dal trapianto, rispettivamente. Nota bene, il modello tiene conto della coppia paziente-donatore, per cui un donatore può essere “preferito” per un paziente, ma potrebbe non esserlo per un altro. Con sorpresa (e parziale disappunto) degli autori, la classificazione così come è stata creata nel training set non si è poi confermata nel validation set, lasciando aperti degli interrogativi sulle possibili cause, che gli autori riconoscono e discutono in maniera appropriata nella parte finale del paper
Sebbene altri autori avessero già trattato il Machine learning ed il Data mining nel trapianto qualche anno fa (3), il presente studio rappresenta un’innovazione ed una sfida ai processi decisionali nel trapianto, con l’obiettivo di estrarre maggiori evidenze, e di maggior qualità, utilizzando l'enorme mole di dati esistenti nei grandi registri
