Nel contesto dell’infertilità maschile è stato applicato il machine learning in uno studio longitudinale, osservazionale, retrospettivo, su dati raccolti tra il 2010 e il 2016 da 4239 pazienti. È stato poi creato un database con gli elementi derivanti da esami biochimici del sangue, su temperatura ambientale ed esposizione a inquinanti atmosferici. Gli algoritmi ML sono stati in grado di riconoscere i pazienti con parametri seminali alterati in: i) numero – ii) motilità – iii) morfologia - iv) tutti i parametri.
Autore: Dott. Daniele Santi, Università degli Studi di Modena e Reggio Emilia (pagina personale)
Oltre il liquido seminale: lo stato di fertilità può essere un indicatore della salute generale dell’individuo?
L’infertilità maschile – responsabile di circa il 50% dei casi di infertilità di coppia – è una condizione clinica complessa ed eterogenea con una gestione diagnostica e terapeutica impegnativa (1). L’analisi convenzionale del liquido seminale è il gold standard diagnostico per valutare lo stato di fertilità/infertilità maschile, seppure gravato da diversi limiti diagnostici. È stato suggerito che l’alterazione dei parametri seminali possa essere messa in correlazione con altri problemi di salute, non direttamente legati alla fertilità (2-6). Tuttavia, questa connessione deve essere ulteriormente chiarita e l’applicazione di algoritmi di machine learning (ML) potrebbe rappresentare un approccio innovativo per interpretare i dati clinici.
Il ML è una branca dell’intelligenza artificiale basata su un approccio statistico e di autoapprendimento, costituito da algoritmi in grado di prevedere le connessioni tra un gran numero di variabili analizzate insieme. Gli algoritmi ML hanno la capacità di apprendere dall’analisi stessa dei dati, adattando le loro prestazioni via via insieme all’aumento dei dati, consentendo di gestire un’enorme quantità di dati (7).
In questo contesto, abbiamo condotto uno studio di big data, longitudinale, osservazionale, retrospettivo basato sull’applicazione per la prima volta del ML nel contesto dell’infertilità maschile. Sono stati raccolti i dati seminali, ematici e ambientali di individui di sesso maschile sottoposti per qualsiasi motivo all’analisi del liquido seminale tra gennaio 2010 e marzo 2016 presso il laboratorio centrale dell’Ospedale Civile di Baggiovara (Modena, Italia), per un totale di 4239 pazienti. Tre algoritmi ML sono risultati in grado di combinare parametri seminali, ematici e ambientali, facendo emergere un legame nascosto tra parametri immuno/ematologici e seminali.
Per i globuli rossi, la distribuzione degli eritrociti e il volume globulare medio sono risultati inversamente correlati al numero e alla motilità degli spermatozoi, suggerendo quindi una correlazione con la quantità e la qualità degli spermatozoi. Anche la linea cellulare bianca è risultata essere associata ai parametri spermatici, poiché il numero di linfociti è risultato direttamente correlato alla motilità degli spermatozoi, che a sua volta è ritenuta un marker di bassa qualità degli spermatozoi.
Il nostro approccio statistico innovativo nel contesto dell’infertilità maschile ha evidenziato una nuova connessione tra due dei tessuti più replicativi del corpo umano, ovvero i tessuti testicolari ed ematopoietici. Questi risultati si inseriscono bene in quella linea di ricerca secondo cui lo status della fertilità potrebbe rappresentare un indicatore di altre condizioni patologiche. Questo collegamento nascosto potrebbe, quindi, avere implicazioni rilevanti in futuri percorsi diagnostici e approcci terapeutici innovativi.
Per approfondimenti: (1) Agarwal A, Mulgund A, Hamada A, Chyatte MR. A unique view on male infertility around the globe; (2) Eisenberg ML, Betts P, Herder D, Lamb DJ, Lipshultz LI. Increased cancer risk and azoospermia; (3) Eisenberg ML, Betts P, Herder D, Lamb DJ, Lipshultz LI. Increased risk of cancer among azoospermic men; (4) Eisenberg ML, Li S, Behr B et al. Semen quality, infertility and mortality in the USA; (5) Latif T, Kold Jensen T, Mehlsen J, et al. Semen quality as a predictor of subsequent morbidity: A Danish Cohort Study of 4,712 men with long-term follow-up; (6) Ventimiglia E, Capogrosso P, Boeri L, et al. Infertility as a proxy of general male health: results of a cross-sectional survey; (7) Obermeyer Z, Emanuel EJ. Predicting the future – big data, machine learning, and clinical medicine