Multidimensional management of severe pediatric asthma: from diagnosis to personalized therapy

L'asma grave pediatrico è una malattia cronica eterogenea caratterizzata da frequenti esacerbazioni e limitazioni significative della qualità di vita. Nonostante i progressi terapeutici, persistono ancora importanti unmet needs nella comprensione dei meccanismi patogenetici, nell’identificazione di possibili biomarcatori e nella gestione ottimale di questa condizione. Abbiamo riscontrato una prevalenza complessiva dell'asma grave nei bambini del 3% senza differenze significative tra maschi e femmine. Sono stati valutati algoritmi basati sull’intelligenza artificiale utilizzati nella previsione delle esacerbazioni asmatiche in età pediatrica. Sebbene tutti modelli si siano dimostrati promettenti, quelli di previsione della necessità di ricovero ospedaliero basati sul machine learning hanno mostrano una buona accuratezza. Sono stati descritti gli endotipi dell’asma grave pediatrico e i meccanismi patogenetici sottostanti che hanno permesso di studiare i nuovi approcci terapeutici approvati per questa fascia di età. In particolare, l’anticorpo monoclonale anti-igE utilizzato in combinazione con l’immunoterapia specifica per inalanti, sembra essere una terapia efficace nei pazienti con asma grave e sensibilizzazione ad allergeni perenni. Di tutti i pazienti pediatrici con asma grave seguiti presso l’Ambulatorio di allergologia e immunologia pediatrica della Clinica Pediatrica del Policlinico IRCCS San Matteo: - Sono state raccolte e descritte le caratteristiche cliniche, funzionali e terapeutiche; - E’ stata valutata la risposta ai trattamenti con farmaci biologici a 6 e 12 mesi secondo i nuovi core outcome measures for severe asthma (COMSA), utilizzati dal nostro centro per la prima volta in Europa; - E’ stata valutata la sicurezza dell’utilizzo dei farmaci biologici durante la pandemia da COVID-19; - Sono state descritti i parametri qualitativi e quantitivi valutati alla HRCT dei pazienti con asma grave e confrontati con un gruppo di controlli sani. Infine il focus di questa tesi si è concentrato sull’utilizzo del machine learning per la creazione di un albero decisionale per predire quale fra tutti i parametri radiologici potesse in modo inconfutabile distinguere i pazienti con asma grave dai controlli. Abbiamo utilizzato con successo un algoritmo di apprendimento automatico per identificare le caratteristiche radiologiche che potrebbero essere utilizzate in futuro come un valido biomarcatore della gravità dell'asma nei bambini. Tra le diverse potenziali variabili predittive (Bronchial Thickening (BT), Airway Wall Thickness (AWT%) classificazione e gravità delle bronchiectasie, ostruzione del muco ed enfisema centrolobulare) che sono stati selezionati, ne abbiamo trovati due di importanza significativa, vale a dire i punteggi AWT% e BT. Questi reperti rappresentano quindi dei marcatori radiologici di gravità dell’asma nella popolazione pediatrica.