La malattia renale policistica autosomica dominante (ADPKD) è il disturbo renale ereditario più comune e rappresenta la quarta causa principale di insufficienza renale negli Stati Uniti. La American Society of Nephrology stima che il costo economico annuale dell’insufficienza renale terminale (ESRD) sia di 32 miliardi di dollari. I pazienti affetti da insufficienza renale in stadio terminale (ESKD) spendono circa 14.399 dollari al mese per tutti i servizi sanitari. Promuovere abitudini alimentari sane e stili di vita salutari potrebbe contribuire a ridurre i costi per il sistema sanitario e migliorare la qualità della vita dei pazienti.
Le diete chetogeniche – ricche in grassi, povere in carboidrati e moderate in proteine – simulano uno stato di digiuno. Esistono alcune evidenze precliniche a supporto dell’ipotesi che tale dieta possa rallentare la progressione della malattia (rallentamento della crescita delle cisti) e ridurre il rischio di ESKD.
L’obiettivo di questo progetto è integrare un’infrastruttura IoT con dati clinici, di imaging e informazioni genetiche per guidare un intervento nutrizionale personalizzato (es. dieta chetogenica) e farmacologico (es. metformina vs tolvaptan) volto a migliorare la gestione del paziente rispetto al rischio di progressione della malattia.
Attraverso un dispositivo indossabile sarà possibile monitorare le abitudini alimentari dei pazienti, stimare con precisione la qualità della dieta e l’assunzione calorica/proteica, e analizzare l’impatto di tali interventi sul declino della funzione renale e sugli esiti clinici nei pazienti con ADPKD.
Il Mieloma Multiplo (MM) rappresenta il secondo tumore del sangue più comune dopo il linfoma non Hodgkin. Il MM è generalmente preceduto dal Monoclonal Gammopathy of Undetermined Significance (MGUS) e/o dallo Smoldering Multiple Myeloma (SMM). Il rischio di progressione da MGUS a MM è di circa l’1 % annuo, mentre quello di progressione da SMM a MM è di circa il 10% annuo nei primi 5 anni, del 3% annuo nei successivi 5 anni e dell’1% annuo negli anni a seguire. Nonostante siano state impiegate e validate diverse stratificazioni del rischio di progressione, sono necessari nuovi strumenti che permettano di analizzare la complessità della malattia così da potenziare la medicina personalizzata del MM.
Il progetto “Data mining, artificial intelligence, and machine learning approaches to identify subnetworks of cancer associated with early prediction, survival, metastasis or phenotypes in cancer subtypes focusing on myeloma” promosso dal gruppo di ricerca guidato dal Professor Angelo Vacca e dal Professor Roberto Ria dell’Università di Bari (WP3, Task 3.2c) propone di sviluppare modelli prognostici e predittivi del rischio di progressione attraverso la raccolta e l’analisi di dati clinici con metodiche di Machine Learning che permettano di creare un approccio personalizzato nella gestione dei pazienti con MM.
Questa ricerca è stata cofinanziata dal Piano Nazionale Complementare PNC-I.1 “Iniziativa di ricerca per le tecnologie e percorsi innovativi in ambito sanitario e assistenziale”, D.D. 931 del 06/06/2022, iniziativa “DARE – Digital lifelong prevention”, codice PNC0000002
