Approcci intelligenti per migliorare la prevenzione delle malattie
I cambiamenti climatici e la circolazione globale di persone e merci hanno aumentato il rischio di malattie. La pandemia di COVID-19 ha inoltre evidenziato la necessità di migliorare i sistemi di sorveglianza e di intelligence epidemica per l’individuazione precoce, il monitoraggio e la valutazione delle malattie infettive emergenti. Uno dei principali problemi da affrontare è legato al fatto che i sistemi di sorveglianza delle malattie attuali si basano su dati raccolti di routine, come quelli di sorveglianza passiva, per monitorare l’insorgenza e la diffusione delle malattie e per definire risposte adeguate. Nuovi approcci che incorporano l’intelligenza artificiale (IA), l’apprendimento automatico e l’analisi dei big data provenienti da un’ampia serie di fonti potrebbero contribuire a migliorare la preparazione, aiutando a determinare meglio i fattori legati all’insorgenza delle malattie e consentendo lo sviluppo di modelli più accurati.
Rispondere alle minacce di malattie infettive
Un buon esempio è il progetto MOOD(si apre in una nuova finestra), finanziato dall’UE. Attraverso la raccolta e l’estrazione di dati con l’ausilio dell’apprendimento automatico, questa iniziativa ha sviluppato una piattaforma digitale unica nel suo genere, progettata per potenziare la capacità dell’Europa di individuare e rispondere alle minacce delle malattie infettive attraverso un approccio «One Health». «Il nostro obiettivo era portare strumenti complessi di scienza dei dati e di modellazione direttamente nelle mani di chi si occupa di ricerca e valutazione dei rischi per prendere decisioni scientifiche sulla salute pubblica», spiega la coordinatrice del progetto Elena Arsevska, del Centro francese di ricerca agricola per lo sviluppo internazionale(si apre in una nuova finestra) (CIRAD) con sede in Francia. MOOD ha impiegato metodi matematici, statistici e di scienza dei dati nell’infrastruttura della piattaforma e ha integrato algoritmi di apprendimento automatico per generare mappe di rischio predittive per le malattie. Inoltre, il consorzio ha incorporato lo strumento PADI-web, che usa l’elaborazione del linguaggio naturale per scansionare, estrarre e analizzare automaticamente le informazioni relative alle malattie dai media online, per contribuire alla sorveglianza basata sugli eventi.
Scienza dei dati per una modellazione predittiva
Il risultato finale è una piattaforma(si apre in una nuova finestra) ad accesso libero che riunisce dati ambientali, climatici, sulla distribuzione degli ospiti e sulle malattie. L’obiettivo è aiutare gli operatori sanitari e i professionisti della salute animale a prendere decisioni più rapide e informate sulle minacce rappresentate dalle malattie emergenti. Ad esempio, la piattaforma oggi offre una rappresentazione cartografica dei rischi di malattia per vari agenti patogeni, tra cui il virus del Nilo occidentale, l’encefalite da zecche nell’essere umano, l’influenza aviaria negli uccelli e la resistenza antimicrobica negli animali da produzione alimentare. «In futuro aggiungeremo altre malattie alla piattaforma, a seconda delle esigenze europee», spiega Arsevska. Oltre 20 istituzioni partner in Europa e negli Stati Uniti hanno lavorato a stretto contatto per garantire che la piattaforma rispondesse alle esigenze reali, ovvero degli utenti finali. «La forza di MOOD non sta solo nella tecnologia, ma anche nella sua applicazione», osserva Arsevska.
L’impatto reale delle strategie di sanità pubblica
Il progetto ha lavorato a casi di studio specifici per dimostrare l’impatto reale della piattaforma sulle strategie di sanità pubblica. Ogni studio ha incorporato l’integrazione dei dati, la modellazione predittiva e la prospettiva «One Health», che riflette l’interdipendenza tra salute umana, animale e ambientale. I casi di studio hanno concentrato l’attenzione su malattie infettive che rappresentano diverse vie di trasmissione, dinamiche temporali e distribuzione geografica in Europa nel contesto dei cambiamenti climatici. Ad esempio, i ricercatori di MOOD hanno dimostrato che i dati relativi all’habitat, all’uso del territorio e alla fauna selvatica possono migliorare la rappresentazione cartografica dei rischi a livello locale in Europa per l’encefalite da zecche. Nel caso del virus del Nilo occidentale, il team ha combinato dati di sorveglianza basati su indicatori ed eventi per creare mappe del rischio di insorgenza della malattia e realizzare modelli della potenza del contagio, usando i dati longitudinali dei sistemi di sorveglianza. Il caso di studio dedicato all’influenza aviaria, invece, ha integrato la tradizionale segnalazione dei focolai con i dati genomici, per valutare i rischi di trasmissione dagli uccelli selvatici al pollame domestico. Queste informazioni sono state usate anche per produrre una mappa dei punti caldi di insorgenza delle malattie. Infine, il caso di studio sulla resistenza agli antimicrobici ha rivelato lacune importanti nell’integrazione dei dati intersettoriali, dimostrando che i patogeni resistenti nel bestiame comportano rischi disomogenei tra le varie regioni. I risultati hanno evidenziato l’urgente necessità di applicare strategie di sorveglianza più coordinate nell’ambito dell’approccio «One Health». Durante la pandemia di COVID-19, il lavoro di MOOD ha contribuito a valutare la diffusione del virus e l’impatto delle restrizioni alla mobilità(si apre in una nuova finestra), nonché a orientare gli interventi delle agenzie di sanità pubblica in Europa. «MOOD ha contribuito alla preparazione futura rafforzando le piattaforme di collaborazione, i consorzi di ricerca e le reti di modellazione per promuovere la condivisione di dati e codici e la collaborazione efficace tra il mondo accademico, i responsabili decisionali e i fornitori di dati», aggiunge Arsevska. Per sfruttare questi risultati e garantirne la sostenibilità anche dopo il termine del progetto, MOOD ha istituito un’associazione internazionale senza scopo di lucro per mantenere e promuovere la piattaforma, stringendo nuove collaborazioni e analizzando le opportunità di finanziamento.
