Vedi metadata
I METADATI DI QUESTO DOI SONO STATI AGGIORNATI IL: 2025-03-11 12:05
Cite as
-
Titolo completo
RIVISTA SPERIMENTALE DI FRENIATRIA
-
Editore
FrancoAngeli
-
ISSN
1129-6437 (Rivista Stampata)
1972-5582 (Rivista Online)
-
Numero del volume
148
-
Numero del fascicolo
3
-
Designazione del fascicolo
3
-
Data del fascicolo
2024
-
Titolo completo
Il contributo dell'intelligenza artificiale nella diagnosi dei disturbi neurodegenerativi
-
Di (autore)
-
Prima Pagina
131
-
Ultima Pagina
144
-
Lingua del testo
Italiano
-
Data di publicazione
2024/12
-
Copyright
2024 FrancoAngeli srl
Descrizione principale
Le patologie neurodegenerative associate ai disturbi neuro- cognitivi (DNC) rappresentano una emergenza assistenziale dalle dimensioni epidemiologiche sempre più rilevanti. Tale emergenza è destinata ad aumen- tare in relazione a un progressivo aumento della prospettiva di vita, essendo i DNC correlati con l'età. Se è vero che i DNC si manifestano con una franca alterazione delle funzioni cognitive con impatto funzionale nella vita della persona colpita, è altrettanto vero che il processo patologico inizia, molte volte, prima della comparsa della sindrome clinica. In questo intervallo di tempo, anche a distanza di anni dall'esordio del DNC, possono presentarsi quadri clinici più o meno sfumati di disturbo cognitivo accomunati dall'e- tichetta di "disturbo cognitivo lieve" o Mild Cognitive Impairment (MCI) e di Disturbo Cognitivo Soggettivo o Subjective Cognitive Decline (SCD). Una generale sensibilità a queste forme prodromiche è necessaria per: 1) l'impostazione di un quadro di intervento farmacologico, neuropsicologico ed assistenziale tempestivo ed efficace; 2) l'inserimento della persona in trial clinici per la sperimentazione di farmaci per la stabilizzazione della patolo- gia degenerativa. Ad oggi la distinzione tra invecchiamento normale, forme lievi o soggettive e la loro evoluzione in quadri di DNC maggiori avviene attraverso una attenta anamnesi cognitivo-comportamentale ed una accura- ta valutazione clinica compreso un uso attento e competente degli strumenti cognitivi di screening. Tuttavia, negli ultimi anni, un apporto importante è anche stato offerto dalle tecnologie e nello specifico dall'Intelligenza Artificiale (IA), dal Machi- ne Learning (ML) e dal Deep Learning (DL). Questi strumenti si sono dimo- strati accurati e affidabili: 1) nella rilevazione precoce di un DNC; 2) nella prognosi di una potenziale evoluzione di un DNC lieve in maggiore; 3) nella diagnosi differenziale dei DNC. Il presente lavoro ha l'obiettivo di mostrare in che modo l'applicazione dell'IA, del ML e del DL possa contribuire a una più efficace e tempestiva diagnosi dei disturbi neurodegenerativi.
Elenco citazioni del
10.3280/RSF2024-003008
Citazione non strutturata
Pompili E. DSM-5-TR: manuale diagnostico e statistico dei distur- bi mentali. American Psychiatric Association. 2023, Accessed: Sep- tember 06, 2024. [Online]. -- https://www.raffaellocortina.it/scheda-li- bro/american-psychiatric-association/dsm-5-tr-edizione-hardcov- er-9788832855173-3925.html.
Citazione non strutturata
Grossi D, Trojano L. Lineamenti di neuropsicologia clinica. 2023, ac- cessed: September 06, 2024. -- [Online]. https://www.carocci.it/prodotto/lineamenti-di-neuropsicologia-clinica-3.
Citazione non strutturata
Fara De Caro M. Modelli e profili neuropsicologici delle patologie neu- rodegenerative. Franco Angeli; 2022.
Citazione non strutturata
Röhr S, Pabst SJ, Riedel-Helen SG, Jessen F, Tirana Y, Handajani YS, et al. Estimating prevalence of subjective cognitive
decline in and across international cohort studies of aging: a cosmic study. Alzheimers Res Therapy Dec. 2020; vol. 12, no.
1.
https://doi.org/10.1186/s13195-020-00734-y
Citazione non strutturata
Wang S, Bolling K, Mao W, Reichstadt J, Jeste D, Kim HC, Nebeker C. Technology to Support Aging in Place: Older Adults’ Perspectives.
Healthcare Apr. 2019; vol.7, no.2: p.60.
https://doi.org/10.3390/healthcare7020060
Citazione non strutturata
Qiu S, Miller MI, Joshi P, Lee JC. Multimodal deep learning for Alz- heimer’s disease dementia assessment. Nat Commun Dec.
2022; vol. 13, no. 1.
https://doi.org/10.1038/s41467-022-31037-5
Citazione non strutturata
Kang MJ, Kim SY, Na DL, Kim BC. Prediction of cognitive impair- ment via deep learning trained with multi-center neuropsychological
test data. BMC Med Inform Decision Making Nov. 2019; vol. 19.
https://doi.org/10.1186/s12911-019-0974-x
Citazione non strutturata
Basta M, Simos NJ, Zioga M, Zaganas I, Panagotakis S, Lionis C, Vgontzas AN. Personalized screening and risk profiles for
Mild Cog- nitive Impairment via a Machine Learning Framework: Implications for general practice. Int J Med Inform Feb.2023;
vol. 170.
https://doi.org/10.1016/j.ijmedinf.2022.104966
Citazione non strutturata
Wang T, Hong Y, Wang Q, Su R, Ng ML, su J, et al. Identification of Mild Cognitive Impairment among Chinese Based on Multiple
Spoken Tasks. Journal of Alzheimer’s Disease 2021; vol. 82, no. 1, pp. 185–204.
https://doi.org/10.3233/JAD-201387
Citazione non strutturata
Al Harkan K, Sultana N, Al Mulhim N, AlAbdulKader AM, Al- safwani N, Barnawi M, Alasqah K, et al. Artificial intelligence
ap- proaches for early detection of neurocognitive disorders among older adults. Front Computer Neuroscience 2024; vol. 18.
https://doi.org/10.3389/fncom.2024.1307305
Citazione non strutturata
Xue C, Kowshik SS, Lteif D, Puducheri S, Jasodanand VH, Zhou OT, et al. AI-based differential diagnosis of dementia etiologies
on multi- modal data. Nat Med, 2024,
https://doi.org/10.1038/s41591-024-03118-z
Citazione non strutturata
Perovnik M, Vo A, Nguyen N, Jamsek J, Rus T, Tang CC, et al. Auto- mated differential diagnosis of dementia syndromes using
FDG PET and machine learning. Front Aging Neuroscience Nov. 2022; vol. 14.
https://doi.org/10.3389/fnagi.2022.1005731
Citazione non strutturata
Castellazzi G, Cuzzoni MG, Cotta Ramusino M, Martinelli D, Denaro F, Ricciardi A, et al. A Machine Learning Approach for the
Differential Diagnosis of Alzheimer and Vascular Dementia. Fed by MRI Select- ed Features, Front Neuroinformation Jun. 2020;
vol. 14.
https://doi.org/10.3389/fninf.2020.00025
Citazione non strutturata
Brzezicki MA, Kobetić MD, Neumann S, Pennington C. Diagnostic ac- curacy of frontotemporal dementia. An artificial intelligence-powered
study of symptoms, imaging and clinical judgement. Adv. Med Science Sep. 2019; vol. 64, no. 2, pp. 292–302.
https://doi.org/10.1016/j.advms.2019.03.002
Citazione non strutturata
Peng B, Yao X, Risacher SL, Saykin AJ, Shen L, Ning X. Cognitive biomarker prioritization in Alzheimer’s Disease using brain
morpho- metric data. BMC Med Inform Decision Making Dec. 2020; vol. 20, no. 1.
https://doi.org/10.1186/s12911-020-01339-z
Citazione non strutturata
Garcia-Gutierrez F, Delgado-Alvarez A, Delgado-Alonso C, Díaz-Ál- varez J, Pytel, Valles-Salgado M, et al. Diagnosis of Alzheimer’s
dis- ease and behavioral variant frontotemporal dementia with machine learning-aided neuropsychological assessment using feature
engineer- ing and genetic algorithms. Int J Geriatric Psychiatry Dec. 2022; vol. 37, no.2.
https://doi.org/10.1002/gps.5667
Citazione non strutturata
Moradi E, Hallikainen I, Hänninen T, Tohka J. Rey’s Auditory Verbal Learning Test scores can be predicted from whole brain
MRI in Alz- heimer’s disease. Neuroimage Clinical 2017; vol. 13: p.415–427.
https://doi.org/10.1016/j.nicl.2016.12.011
Citazione non strutturata
Fristed E. Leveraging speech and artificial intelligence to screen for early Alzheimer’s disease and amyloid beta positivity.
Brain Commu- nication 2022; vol. 4, no. 5.
https://doi.org/10.1093/braincomms/fcac231
Citazione non strutturata
Fayemiwo MA. Immediate word recall in cognitive assessment can predict dementia using machine-learning techniques. Alzheimers
Res Therapy 2023; vol. 15, no. 1.
https://doi.org/10.1186/s13195-023-01250-5
Citazione non strutturata
Formica C. Paving the Way for Predicting the Progression of Cognitive Decline: The Potential Role of Machine Learning Algorithms
in the Clinical Management of Neurodegenerative Disorders. J Pers Med Sep. 2023; vol. 13, no. 9.
https://doi.org/10.3390/jpm13091386
Citazione non strutturata
015-5529-5.
Citazione non strutturata
Jiménezjim C. Using XAI in the Clock Drawing Test to reveal the cog- nitive impairment pattern 2021.