La scoperta di una mutazione genetica rara attraverso i test del DNA spesso lascia medici e pazienti in un limbo di incertezza, senza sapere se quella variante porterà davvero a una malattia. Un team della Icahn School of Medicine del Mount Sinai ha sviluppato un approccio innovativo che combina intelligenza artificiale e comuni esami di laboratorio, con l’obiettivo di prevedere con maggiore precisione il rischio legato a specifiche varianti genetiche. Questo metodo promette di trasformare il modo in cui interpretiamo i risultati dei test genetici, riducendo i margini di dubbio che pesano sulla pratica clinica.
La genetica tradizionale tende a classificare le varianti in maniera netta: causano malattia oppure no. La realtà, però, è molto più complessa, soprattutto in patologie comuni come ipertensione, diabete o cancro, che si manifestano in forme diverse e con livelli di gravità variabili. Per affrontare questa sfida, il team ha addestrato modelli di machine learning usando oltre un milione di cartelle cliniche elettroniche, creando un sistema capace di stimare il rischio su una scala continua, anziché limitarsi a un sì o un no. Il modello sfrutta dati clinici di routine come colesterolo, emocromo e funzionalità renale, già presenti nelle cartelle dei pazienti.
Un punteggio per misurare il rischio
Il sistema genera il cosiddetto “punteggio di penetranza ML”, un valore tra 0 e 1 che indica la probabilità che una determinata variante genetica porti allo sviluppo della malattia. Punteggi vicini a 1 segnalano un rischio alto, mentre valori più bassi suggeriscono un impatto minimo. Applicando la metodologia a oltre 1.600 varianti genetiche collegate a 10 malattie comuni, i ricercatori hanno ottenuto risultati sorprendenti.
Alcune varianti inizialmente classificate come “di significato incerto” si sono rivelate collegate allo sviluppo di patologie, mentre altre ritenute patogene hanno mostrato effetti ridotti. Questo mette in luce i limiti degli approcci tradizionali e la necessità di strumenti più sofisticati per interpretare la complessità del genoma umano.
Applicazioni cliniche concrete
Le implicazioni sono immediate. Se, per esempio, un paziente presenta una variante rara legata alla sindrome di Lynch e il punteggio risulta alto, il medico potrebbe proporre screening oncologici precoci. Al contrario, valori bassi permetterebbero di evitare allarmismi o trattamenti inutili. Il modello non sostituisce il giudizio clinico, ma diventa un supporto concreto per decisioni più mirate e personalizzate.
Il team sta già ampliando il modello per includere un numero maggiore di malattie e popolazioni con background etnici diversi. Un passaggio cruciale sarà la validazione prospettica: verificare se le persone con punteggi alti sviluppano davvero le patologie previste e se interventi tempestivi possano fare la differenza.
L’obiettivo finale è una medicina predittiva più affidabile, in cui intelligenza artificiale e dati clinici quotidiani lavorano insieme per fornire ai pazienti informazioni più chiare e utili. Un passo verso una medicina di precisione davvero accessibile, capace di aumentare la fiducia e migliorare le scelte di cura.