Archives: Giugno 15, 2021

Fattori associati a un’evoluzione peggiore delle alterazioni delle funzioni cognitive

Un gruppo di esperti italiani ha valutato l’andamento nel tempo delle alterazioni delle funzioni cognitive dei malati di sclerosi multipla. Si è rilevato che l’atrofia dell’ippocampo e la disabilità fisica si associano con un’evoluzione peggiore delle alterazioni delle funzioni cognitive.

Nella sclerosi multipla si possono presentare alterazioni delle funzioni cognitive, che tendono a peggiorare nel tempo. Delle funzioni cognitive fanno parte varie capacità della mente: ragionamento, pensiero, memoria, concentrazione e linguaggio. Anche se di tali funzioni non si ha la percezione, esse sono molto importanti e la loro alterazione ha ripercussioni negative sulla vita quotidiana. Ad esempio in un’attività apparentemente banale come fare la spesa, le funzioni cognitive hanno un ruolo determinante perché permettono di ricordare cosa si deve acquistare, in quale negozio si possono trovare gli articoli che servono e se il costo di questi ultimi è adeguato. Nonostante da tempo si sappia dell’effetto negativo della sclerosi multipla sulle funzioni cognitive, secondo Carotenuto e colleghi ci sono ancora difficoltà nel prevedere la loro evoluzione. Per tale motivo essi hanno eseguito una ricerca, che ha avuto lo scopo di individuare fattori clinici e raccolti con esami per immagini che fossero in grado di prevedere il decorso delle alterazioni delle funzioni cognitive. Informazioni relative a questi fattori sono state registrate, in persone con sclerosi multipla, per un periodo fino a 15 anni dopo la comparsa della malattia e sono state poste in relazione con il livello di efficienza delle funzioni cognitive. Entro 6 mesi dalla formulazione della diagnosi di sclerosi multipla recidivante remittente sono stati registrati età, sesso, livello di istruzione, test dei 9 fori, prova dei 25 passi e varie misure ottenute con la risonanza magnetica. Alla diagnosi e durante l’osservazione, lo stato delle funzioni cognitive è stato studiato con la prova dell’associazione di simboli e numeri (Symbol Digit Modalities Test: SDMT). L’alterazione delle funzioni cognitive è stata confermata applicando valori normali che hanno tenuto conto di età, sesso e livello scolastico. L’analisi dell’evoluzione è stata eseguita con un metodo statistico specifico e la definizione dei fattori che permettevano di prevedere l’evoluzione stessa è stata fatta con un metodo statistico denominato regressione logistica multinomiale. Nella ricerca sono stati inclusi 148 malati, dei quali 98 di sesso femminile, che sono stati seguiti per un periodo di 11±4 anni. Nel 51.4% di tale casistica le funzioni cognitive sono rimaste stabili, mentre nel 48.6% la loro efficienza si è ridotta. I soggetti nei quali esse sono peggiorate avevano una maggiore durata della prova dei 25 passi (p=0.004) e una riduzione del volume dell’area del cervello chiamata ippocampo (p=0.04) rilevata con la risonanza magnetica.

Nelle conclusioni gli autori hanno evidenziato che, nella loro casistica, il peggioramento delle funzioni cognitive si è verificato nei malati con disabilità fisica e con atrofia dell’ippocampo. Gli autori hanno aggiunto che, facendo riferimento a questi fattori per prevedere l’evoluzione del problema, si dovrebbero individuare in anticipo le persone nelle quali le funzioni cognitive tenderanno a peggiorare, prescrivendo loro cicli di riabilitazione cognitiva che fermino o rallentino tale peggioramento.              

Tommaso Sacco

Fonte: Cognitive trajectories in multiple sclerosis: a long-term follow-up study; Neurological Science 2021 Jun 8

Source: Fondazione Serono SM


Machine learning e paradosso clinico-radiologico nella sclerosi multipla

La risonanza magnetica (RM) rappresenta uno strumento fondamentale per la diagnosi e il monitoraggio dell’attività di malattia in corso di sclerosi multipla [1,2]. Sfortunatamente però le informazioni che si ricavano dalla lettura di una indagine RM (presenza, sede, numero delle lesioni) e dalla analisi delle immagini RM, eseguita con programmi dedicati al fine di ottenere il volume delle lesioni stesse, non riescono a spiegare in modo soddisfacente la disabilità clinica osservata nelle persone con sclerosi multipla. L’incongruenza tra disabilità clinica e impatto cerebrale della patologia rilevabile alla RM viene definito “paradosso clinico-radiologico”. Una delle ragioni alla base di tale paradosso risiede nell’incapacità dei biomarcatori di RM sopra elencati di caratterizzare in modo soddisfacente le alterazioni strutturali e funzionali che si verificano a livello dell’encefalo e del midollo spinale in corso di sclerosi multipla [3].

Sebbene la risoluzione del paradosso clinico-radiologico sia stata oggetto di indagine sin dagli albori della ricerca in questo campo [4], negli ultimi anni gli sforzi della comunità scientifica si sono focalizzati, grazie anche agli avanzamenti tecnici, alla diffusione di linee guida relative all’esecuzione degli esami RM [2,5] e allo sviluppo di sequenze specifiche per la caratterizzazione microstrutturale e funzionale del tessuto nervoso, sull’identificazione di biomarcatori più specifici rispetto ai processi patologici responsabili del danno tissutale e quindi presumibilmente più vicini alle cause della disabilità. In particolare, sono stati ampiamente investigati la perdita di volume (atrofia) encefalica e midollare [6,7], le lesioni demielinizzanti della corteccia encefalica [8], il danno microstrutturale della sostanza bianca e grigia macroscopicamente sane [9,10] e la riconfigurazione delle reti neuronali da un punto di vista sia strutturale sia funzionale [11]. Studi condotti su campioni molto ampi hanno dimostrato la rilevanza clinica delle quantificazioni volumetriche sia globali sia regionali in persone con sclerosi multipla [12,13]. Tutti gli approcci menzionati finora si basano sull’analisi di dati ricavati dalla manipolazione delle immagini RM con programmi specifici per le diverse misure che si vogliono ottenere.

Un’alternativa è rappresentata dalla radiomica, che consente di estrarre informazioni direttamente dalle immagini RM, e non dalle misure ricavate dalle immagini stesse. La radiomica, o analisi della struttura, consente di estrarre caratteristiche quantitative dalle immagini RM acquisite, considerando le immagini stesse come una preziosa fonte di informazioni oggettive, piuttosto che come una fotografia da cui derivare soggettivamente caratteristiche qualitative (presenza/numero/sede delle lesioni) [14]. Un esempio di dato saliente ottenibile direttamente mediante radiomica è rappresentato dalla distribuzione dell’intensità di segnale nelle immagini RM, che ha mostrato di avere una forte correlazione con la disabilità motoria [15]. I dati quantitativi ottenuti con un’analisi di radiomica possono poi essere analizzati con un approccio statistico basato sul machine learning, una metodica che consente di gestire e analizzare grandi volumi di dati [16,17]. In particolare, le caratteristiche quantitative estratte dalle immagini, e cioè le caratteristiche di radiomica, possono fornire informazioni aggiuntive rispetto a quelle ottenute mediante analisi “classica” delle immagini da cui è possibile ottenere, per esempio, i volumi cerebrali e la disconnessione strutturale di aree cerebrali anatomicamente non contigue ma funzionalmente correlate. La disconnessione strutturale, oltre che con sofisticate analisi dedicate [14], può essere stimata anche a partire dal semplice carico lesionale (lesioni demielinizzanti identificabili su immagini acquisite mediante esami RM di routine) [18]. Le caratteristiche di radiomica, sebbene siano prive di un diretto significato biologico, possono infatti rappresentare un indice di danno microstrutturale, che è noto avere un impatto sulla disabilità in corso di sclerosi multipla [10]. Inoltre, per far sì che le caratteristiche di radiomica estratte siano espressione di un dato biologico, esse possono essere estratte, piuttosto che dalla immagine nella sua interezza, da regioni significative dell’immagine (per esempio da diverse regioni cerebrali).

Considerando queste premesse, l’analisi combinata di biomarker RM classici (volumi e disconnessione), caratteristiche di radiomica e dati clinico-demografici potrebbero rappresentare un approccio promettente per la risoluzione del paradosso clinico-radiologico nella sclerosi multipla. Un’analisi così strutturata rientrerebbe tra le applicazioni di machine learning tradizionali o supervisionate [16,17]. In questo caso infatti le caratteristiche di radiomica verrebbero estratte da aree di interesse selezionate sull’immagine (aree cerebrali). A questo primo passaggio farebbe seguito una selezione delle caratteristiche di radiomica più rilevanti che verrebbero quindi utilizzate, insieme ai dati RM più tradizionali, in un modello statistico basato sulla regressione lineare, che consente di esplorare i fattori predittivi della disabilità clinica osservata.

Finora il campo del machine learning applicato alle neuroimmagini in generale, e della radiomica in particolare, resta largamente inesplorato nella sclerosi multipla. I lavori condotti finora sono stati focalizzati su identificazione e classificazione di pattern caratteristici per la patologia o per stadi della stessa. Più in dettaglio, uno studio ha esplorato la possibilità di classificare le persone con sclerosi multipla in funzione della disabilità cognitiva in base a dati clinici e radiologici [19], mentre altri si sono concentrati sulla possibilità di migliorare e velocizzare la diagnosi di malattia [20] o di prevederne il decorso [21-24].

Altre possibili applicazioni del machine learning nella sclerosi multipla sono rappresentate dal tentativo di agevolarne la discriminazione rispetto a patologie che possono mimarne il decorso [25-28] e infine l’automatizzazione delle procedure di identificazione di caratteristiche salienti alla RM [29-32]. Sebbene la risoluzione del paradosso clinico-radiologico sia ad oggi affidata all’analisi di sequenze di RM avanzata [33], un’analisi basata su radiomica e machine learning rappresenterebbe un valido approccio in quest’ambito, giovandosi dell’indiscusso vantaggio di poter essere adottato a partire da indagini RM praticate per pratica clinica (per confermare la diagnosi della patologia o seguire il suo andamento nel tempo in risposta ai trattamenti). Inoltre, non necessitando dell’acquisizione di sequenze RM avanzate, tale indagine potrebbe essere condotta a partire da dati già acquisiti o avvantaggiarsi della collaborazione tra Centri specialistici, al fine di raccogliere un campione adeguato senza dover risolvere gli ostacoli tecnici legati all’analisi di sequenze avanzate acquisite su macchinari diversi.

Vincenzo Brescia Morra – Professore di Neurologia e Direttore del Centro per la Sclerosi Multipla presso la Clinica Neurologica dell’Università “Federico II” di Napoli

Bibliografia

  1. Rovira À, Wattjes MP, Tintoré M, et al. Evidence-based guidelines: MAGNIMS consensus guidelines on the use of MRI in multiple sclerosis-clinical implementation in the diagnostic process. Nat Rev Neurol 2015 Aug;11(8):471-82.
  2. Wattjes MP, Rovira À, Miller D, et al. Evidence-based guidelines: MAGNIMS consensus guidelines on the use of MRI in multiple sclerosis–establishing disease prognosis and monitoring patients. Nat Rev Neurol 2015 Oct;11(10):597-606.
  3. Barkhof F. The clinico-radiological paradox in multiple sclerosis revisited. Curr Opin Neurol 2002;15:239-45.
  4. Barkhof F. MRI in multiple sclerosis: correlation with expanded disability status scale (EDSS). Mult Scler 1999;5:283-6.
  5. Traboulsee A, Simon JH, Stone L, et al. Revised Recommendations of the Consortium of MS Centers Task Force for a Standardized MRI Protocol and Clinical Guidelines for the Diagnosis and Follow-Up of Multiple Sclerosis. AJNR Am J Neuroradiol 2016 Mar;37(3):394-401.
  6. Kearney H, Miller DH, Ciccarelli O. Spinal cord MRI in multiple sclerosis–diagnostic, prognostic and clinical value. Nat Rev Neurol 2015 Jun;11(6):327-38.
  7. Storelli L, Rocca MA, Pagani E, et al.; MAGNIMS Study Group. Measurement of Whole-Brain and Gray Matter Atrophy in Multiple Sclerosis: Assessment with MR Imaging. Radiology 2018;288(2):554-64.
  8. Calabrese M, Filippi M, Gallo P. Cortical lesions in multiple sclerosis. Nat Rev Neurol 2010 Aug;6(8):438-44.
  9. Moll NM, Rietsch AM, Thomas S, et al. Multiple sclerosis normal-appearing white matter: pathology-imaging correlations. Ann Neurol 2011 Nov;70(5):764-73.
  10. Pontillo G, Cocozza S, Lanzillo R, et al. Determinants of deep gray matter atrophy in multiple sclerosis: a multimodal MRI study. AJNR Am J Neuroradiol 2019 Jan;40(1):99-106.
  11. Tewarie P, Steenwijk MD, Tijms BM, et al. Disruption of structural and functional networks in long-standing multiple sclerosis. Hum Brain Mapp 2014;35(12):5946-61.
  12. Eshaghi A, Prados F, Brownlee WJ, et al.; MAGNIMS study group. Deep gray matter volume loss drives disability worsening in multiple sclerosis. Ann Neurol 2018 Feb;83(2):210-22.
  13. Azevedo CJ, Cen SY, Khadka S, et al. Thalamic atrophy in multiple sclerosis: A magnetic resonance imaging marker of neurodegeneration throughout disease. Ann Neurol 2018 Feb;83(2):223-34.
  14. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology 2016 Feb;278(2):563-77.
  15. Hackmack K, Weygandt M, Wuerfel J, et al. Can we overcome the ‘clinico-radiological paradox’ in multiple sclerosis? J Neurol 2012 Oct;259(10):2151-60.
  16. Maleki F, Ovens K, Najafian K, et al. Overview of machine learning part 1: fundamentals and classic approaches. Neuroimaging Clin N Am 2020 Nov;30(4):e17-e32.
  17. Maleki F, Le WT, Sananmuang T, et al. Machine learning applications for head and neck imaging. Neuroimaging Clin N Am 2020 Nov;30(4):517-29.
  18. Kuceyeski A, Maruta J, Relkin N, Raj A. The Network Modification (NeMo) Tool: elucidating the effect of white matter integrity changes on cortical and subcortical structural connectivity. Brain Connect 2013;3(5):451-63.
  19. Buyukturkoglu K, Zeng D, Bharadwaj S, et al. Classifying multiple sclerosis patients on the basis of SDMT performance using machine learning. Mult Scler 2021 Jan;27(1):107-16.
  20. Afzal HMR, Luo S, Ramadan S, Lechner-Scott J. The emerging role of artificial intelligence in multiple sclerosis imaging. Mult Scler 2020 Oct 28:1352458520966298.
  21. Zhao Y, Wang T, Bove R, et al. Ensemble learning predicts multiple sclerosis disease course in the SUMMIT study [published correction appears in NPJ Digit Med 2020 Nov 20;3(1):155].
  22. Roca P, Attye A, Colas L, et al.; OFSEP Investigators; Steering Committee; Investigators; Imaging group. Artificial intelligence to predict clinical disability in patients with multiple sclerosis using FLAIR MRI. Diagn Interv Imaging 2020 Dec;101(12):795-802.
  23. Wottschel V, Chard DT, Enzinger C, et al.; MAGNIMS study group and the EuroPOND consortium. SVM recursive feature elimination analyses of structural brain MRI predicts near-term relapses in patients with clinically isolated syndromes suggestive of multiple sclerosis. Neuroimage Clin 2019;24:102011.
  24. Law MT, Traboulsee AL, Li DK, et al. Machine learning in secondary progressive multiple sclerosis: an improved predictive model for short-term disability progression. Mult Scler J Exp Transl Clin 2019 Nov 6;5(4):2055217319885983.
  25. Mangeat G, Ouellette R, Wabartha M, et al. Machine learning and multiparametric brain mri to differentiate hereditary diffuse leukodystrophy with spheroids from multiple sclerosis. J Neuroimaging 2020 Sep;30(5):674-82.
  26. Rocca MA, Anzalone N, Storelli L, et al. Deep learning on conventional magnetic resonance imaging improves the diagnosis of multiple sclerosis mimics. Invest Radiol 2021 Apr 1;56(4):252-60.
  27. Liu Y, Dong D, Zhang L, et al. Radiomics in multiple sclerosis and neuromyelitis optica spectrum disorder. Eur Radiol 2019 Sep;29(9):4670-7.
  28. Ma X, Zhang L, Huang D, et al. Quantitative radiomic biomarkers for discrimination between neuromyelitis optica spectrum disorder and multiple sclerosis. J Magn Reson Imaging 2019 Apr;49(4):1113-21.
  29. Maggi P, Fartaria MJ, Jorge J, et al. CVSnet: A machine learning approach for automated central vein sign assessment in multiple sclerosis. NMR Biomed 2020 May;33(5):e4283.
  30. Rachmadi MF, Valdés-Hernández MDC, Li H, et al. Limited One-time Sampling Irregularity Map (LOTS-IM) for automatic unsupervised assessment of white matter hyperintensities and multiple sclerosis lesions in structural brain magnetic resonance images. Comput Med Imaging Graph 2020 Jan;79:101685.
  31. Narayana PA, Coronado I, Sujit SJ, et al. Deep learning for predicting enhancing lesions in multiple sclerosis from noncontrast MRI. Radiology 2020 Feb;294(2):398-404.
  32. Michoux N, Guillet A, Rommel D, et al. Texture analysis of T2-weighted MR images to assess acute inflammation in brain ms lesions. PLoS One 2015 Dec 22;10(12):e0145497.
  33. Inglese M, Petracca M. MRI in multiple sclerosis: clinical and research update. Curr Opin Neurol 2018 Jun;31(3):249-55.

Source: Fondazione Serono SM


Disturbi delle vie urinarie nella sclerosi multipla

Un gruppo di specialisti italiani ha eseguito uno studio su una casistica di persone con sclerosi multipla per valutare i disturbi a carico delle basse vie urinarie, vale a dire di vescica e uretra. I risultati hanno indicato che tali disturbi hanno una frequenza elevata e che richiedono un’individuazione tempestiva per attivare cure efficaci. 

Seddone e colleghi sono partiti dalla considerazione che i sintomi di alterazioni delle funzioni delle basse vie urinarie sono frequenti nelle persone con sclerosi multipla e hanno un impatto rilevante sulla loro qualità di vita. In particolare, si può alterare la funzione della vescica con problemi nel mantenere l’urina al suo interno o anche nello svuotarla e ci possono essere, come conseguenza della difficoltà a svuotare la vescica, frequenti infezioni delle vie urinarie. Tra i sintomi che avverte il malato ci sono l’incapacità di ritardare la minzione, lo stimolo ad urinare poco dopo aver svuotato la vescica, la tendenza ad alzarsi di notte per urinare e, a volte, l’incapacità di trattenere l’urina.  Se sopraggiungono infezioni, ai sintomi elencati si aggiungono bruciore a urinare, dolore all’addome o alla schiena, febbre e peggioramento della spasticità. Data la rilevanza che possono assumere i quadri dei disturbi urinari, Seddone e colleghi hanno valutato la prevalenza e le caratteristiche delleC loro manifestazioni in una casistica di malati di sclerosi multipla. Si è trattato di una ricerca osservazionale sulle persone affette dalla malattia che erano afferite al loro Centro nel corso del 2018. Sono stati valutati frequenza, segni e sintomi e risposta alle cure dei disturbi delle vie urinarie. È stata verificata anche la relazione tra tali disturbi e le caratteristiche demografiche dei soggetti analizzati e sono stati raccolti dati con esami strumentali. Sugli 806 casi valutati c’è stata una frequenza di sintomi delle vie urinarie del 59.4%. Chi presentava questi sintomi aveva anche: un maggior livello di disabilità, una durata maggiore della malattia, un’età più avanzata alla comparsa della stessa e un’età media maggiore al momento della valutazione. I disturbi delle vie urinarie sono risultati più frequenti nei malati con forme progressive e nelle femmine. Il 41.8% riceveva terapie per i problemi urinari e, di questi, l’81.5% riferiva un miglioramento dei sintomi.

I disturbi delle vie urinarie hanno una frequenza elevata nei malati di sclerosi multipla, a parere degli autori, una caratterizzazione tempestiva e corretta del tipo dei sintomi e  l’applicazione di protocolli di terapia personalizzati sono essenziali, sia per migliorare la qualità di vita dei malati, sia per evitare complicanze.          

Tommaso Sacco

Fonte: Lower urinary tract disorders in multiple sclerosis patients: prevalence, clinical features, and response to treatments; Neurourology Urodynamics 2021 Jun 3.

Source: Fondazione Serono SM


Dieta e sclerosi multipla: i problemi che incontrano i malati

Uno studio eseguito in Australia ha valutato i problemi che incontrano i malati di sclerosi multipla nel modificare la loro alimentazione, dopo aver ricevuto la diagnosi. I risultati hanno evidenziato che è spesso difficile conciliare giusta motivazione e corretti indirizzi dietetici.

Molte indagini hanno confermato che le persone con sclerosi multipla sono interessate ha modificare la loro alimentazione  con l’intento di ridurre la gravità della malattia e i sintomi che essa provoca. Le revisioni della letteratura hanno dimostrato che non è facile individuare diete che con certezza offrano benefici ai malati. Ad esempio Evans e colleghi nel 2019 hanno analizzato le evidenze raccolte sia in studi clinici che in ricerche di laboratorio. Ne è emerso che la maggior parte delle valutazioni fatte nelle persone con sclerosi multipla sono state eseguite su casistiche limitate e con protocolli che rendono meno attendibili i risultati. Spesso la durata dell’osservazione è stata breve e questo può aver limitato la possibilità di evidenziare cambiamenti clinici significativi. Evans e colleghi hanno quindi concluso che le informazioni disponibili non erano sufficienti a raccomandare una dieta specifica, auspicando che risultati più attendibili arrivassero da studi in corso che avevano l’obiettivo di definire gli effetti di vari tipi di diete, da quella mediterranea a quella denominata Swank.

Una ricerca eseguita in Australia nel 2021 ha valutato le esperienze raccolte dai malati di sclerosi multipla riguardo alla dieta. In particolare, si è inteso definire il modo in cui le persone con sclerosi multipla si orientavano fra le raccomandazioni sull’alimentazione, la loro attitudine a prendere decisioni sulla dieta e i loro bisogni circa le fonti alle quali attingere. Russell e colleghi hanno organizzato sei gruppi di discussione dei quali facevano parte 33 malati e la moglie di un malato. Le discussioni di questi gruppi sono state registrate e trascritte. L’analisi primaria ha impiegato un approccio induttivo generale, con valutazione dei temi. L’analisi secondaria ha combinato i temi in base alla teoria dell’autodeterminazione. I temi emersi sono stati sei:

  •  confusione circa la fonte alla quale attingere per i consigli sull’alimentazione;
  •  scetticismo nei confronti delle Linee Guida nazionali sulla dieta;
  •  approcci personalizzati alla modificazione dell’alimentazione;
  •  barriere nei confronti dei cambiamenti della dieta;
  •  valutazione dell’efficacia della dieta;
  •  bisogno di Linee Guida alimentari specifiche per la sclerosi multipla.

Gli autori hanno concluso che le persone con sclerosi multipla hanno una forte motivazione a modificare la loro dieta e a migliorare la loro salute. La teoria dell’autodeterminazione ha spiegato perché i malati apportano modifiche alla dieta ed è emerso che le fonti di informazione sull’alimentazione specifiche per la sclerosi multipla dovrebbero incorporare strumenti per potenziare la motivazione dei malati a rimodulare la loro alimentazione.            

Tommaso Sacco

Fonti

Source: Fondazione Serono SM