Sostituzione ed accrescimento diagnostico

Il contributo dei cambiamenti nelle pratiche diagnostiche non spiega totalmente all'aumento dei tassi di prevalenza. Molto importante è valutare accuratamente i fenomeno di sostituzione diagnostica ed accrescimento diagnostico correlati.

Come accennato in precedenza, i dati del Dipartimento dei servizi di sviluppo del- la California (DDS) mostrano che tra il 1987 e il 2003 il numero di casi di autismo è aumentato del 634%. Alcuni studiosi hanno suggerito che la sostituzione diagnostica abbia un ruolo signicativo nell'aumentata prevalenza di autismo. La sostituzione diagnostica avviene quando un individuo viene diagnosticato con una condizione e

successivamente con un'altra (X−→Y). Uno dei motivi per cui la sostituzione dia- gnostica sembra plausibile è che l'autismo è dicile da diagnosticare poiché non ci sono noti marcatori biologici ed i sintomi sono dicili da valutare, specialmente tra le persone con disabilità cognitive. L'evidenza a supporto dell'ipotesi di sostituzione diagnostica deriva da recenti studi che hanno dimostrato che l'aumento dei tassi di autismo è accompagnato da cali concomitanti nella prevalenza del ritardo mentale e di altre disabilità dello sviluppo. Confrontare i tassi di prevalenza collettivi per autismo e MR o altre disabilità, piuttosto che guardare i cambiamenti nei singoli casi, ha ostacolato gli studi precedenti. Ad esempio, in contesti in cui il carico di casi di MR non risultava diminuire, un confronto tra MR e casi corrispondenti di autismo porterebbe alla conclusione errata che la sostituzione diagnostica non stesse avvenendo. Oltre alla sostituzione diagnostica, una seconda forma di cambiamento è ciò che identichiamo come accrescimento diagnostico. L'accrezione diagnostica si verica quando un individuo, inizialmente diagnosticato con un disturbo, acqui- sisce successivamente una seconda diagnosi, ma conserva la prima come comorbità (X−→X + Y). L'accrescimento diagnostico, qualora si vericasse, avrebbe un im- patto sul carico di autismo ma non avrebbe alcun eetto visibile sulla popolazione MR, rendendo così il processo dicile da identicare negli studi collettivi[31]_.

Elenco delle gure

1.1 Struttura delle immagini 3D MRI. I voxel identicano i più piccoli ele- menti di volume di cui è formata l'immagine 3D. Le immagini MRI possono essere studiate mediante le viste bidimensionali sagittale, coronale ed assiale. . . 10 1.2 Discriminazione dei tre tessuti cerebrali con l'imaging MRI. Si di-

stingue in grigio chiaro la materia bianca (WM), in grigio la materia grigia (GM) ed in nero il uido cerebrospinale (CSF) che colma i vuo- ti lasciati dai due precedenti tessuti. Le stime di volumi e spessori sono utilizzate per indagare varie patologie. . . 12 2.1 Commissura anteriore. Punto secondo cui tutte le immagini devono

essere allineate prima di eseguire la segmentazione con l'algoritmo SPM. 25 2.2 Mappe di probabilità a priori basate sulla disposizione spaziale dei

voxel dell'immagine: a) GM; b) WM; c) CSF; d) Altro. . . 26

2.3 Individuazione delle strutture corticali con FreeSurfer. a) Immagi- ne MRI T1-weighted; b) in giallo, la segmentazione della super- cie di separazione CSF/GM, in blu la supercie GM/WM; c) indivi- duazione delle regioni corticali e sottocorticali grazie all'applicazione dell'atlante di riferimento. . . 28 3.1 Mappatura dei riferimenti sulla scala standard. Le intensità di in-

teresse delle immagini 1 e 2 vengono riportate su un'unica scala. Il riferimento rs è ricavato mediando i valori dei livelli di grigio di r1 ed

r2. . . 31

3.2 Funzione di standardizzazione. I diversi parametri caratteristici di ciascuna immagine vengono mappati sulla scala standard mediante una trasformazione non lineare data dalle diverse pendenze dei segmenti. 32 3.3 Alcune immagini del dataset OASIS. A sinistra le immagini scan, a

destra le corrispondenti rescan. . . 40 3.4 Immagine di riferimento single_subj_T1.nii utilizzata per allineare

le immagini del dataset allo spazio MNI. . . 41 3.5 Alcuni box estratti dalle immagini riscalate e normalizzate. La por-

zione di tessuto è analogo a tutte le immagini e contiene sia GM, che WM, che CSF. . . 42 3.6 Fit gaussiano di 6 immagini del dataset. Per ogni tessuto viene

individuata l'intensità corrispondente al massimo della distribuzione. 43 3.7 Mappatura dei valori WM, GM e CSF di una immagine del dataset

sulla scala standard. . . 44 3.8 Sovrapposizione degli istogrammi del dataset prima e dopo la stan-

dardizzazione standardizzazione. . . 45 3.9 Confronto di alcune immagini del dataset prima (a sinistra) e dopo

(a destra) l'armonizzazione del contrasto. . . 46

4.1 Dierenze percentuali tra scan e rescan per i volumi dei tessuti cal- colati con SPM prima (sinistra) e dopo la standardizzazione (destra). 51 4.2 Dierenze percentuali per i volumi dei tessuti calcolati con FreeSurfer

prima e dopo la standardizzazione. . . 52 4.3 Confronto tra i dati scan originali e standard ed i dati rescan originali

e standard calcolati con FreeSurfer. . . 54

Elenco delle tabelle

3.1 Dimensioni x,y,z delle immagini del dataset OASIS. Mentre le im- magini scan hanno le stesse dimensioni in voxel, le rescan hanno un numero di fette (dimensione z) variabile. . . 35 3.2 Medie e deviazioni standard dei valori d'intensità riscalati calcolati

tramite t gaussiano calcolato sull'istogramma del box. . . 37 3.3 Valori di intensità dei tessuti sulla scala standard. . . 38 4.1 Valori medi delle dierenze tra volumi di scan e rescan (d) e delle

deviazioni standard s per volumi originali e standardizzati segmentati tramite SPM. Il p-value è calcolato secondo il test statistico t di Student. 50 4.2 Valori medi delle dierenze tra volumi di scan e rescan (d) e delle

deviazioni standard s per volumi originali e standardizzati segmentati tramite FreeSurfer. Il p-value è calcolato secondo il test statistico t di Student. . . 50 4.3 Valori medi delle dierenze percentuali, delle deviazioni standard e p-

value calcolati tra le immagini scan originali e standard e tra immagini rescan originali e standard. . . 53

Bibliograa

[1] G. De Nunzio, R. Cataldo e A. Carlà, Robust Intensity Standardization in Brain Magnetic Resonance Images, en, Journal of Digital Imaging, vol. 28, n. 6, pp. 727737, dic. 2015, issn: 0897-1889, 1618-727X. doi: 10 . 1007 / s10278-015-9782-8.

[2] J. A. Nielsen, B. A. Zielinski, P. T. Fletcher, A. L. Alexander, N. Lange, E. D. Bigler, J. E. Lainhart e J. S. Anderson, Multisite Functional Connecti- vity MRI Classication of Autism: ABIDE Results, en, Frontiers in Human Neuroscience, vol. 7, 2013, issn: 1662-5161. doi:10.3389/fnhum.2013.00599. [3] C. M. Stonnington, G. Tan, S. Klöppel, C. Chu, B. Draganski, C. R. Jack, K. Chen, J. Ashburner e R. S. Frackowiak, Interpreting Scan Data Acquired from Multiple Scanners: A Study with Alzheimer's Disease, en, NeuroImage, vol. 39, n. 3, pp. 11801185, feb. 2008, issn: 10538119. doi: 10.1016/j. neuroimage.2007.09.066.

[4] G. Auzias, C. Breuil, S. Takerkart e C. Deruelle, Detectability of Brain Struc- ture Abnormalities Related to Autism through MRI-Derived Measures from Multiple Scanners, en, in IEEE-EMBS International Conference on Biomedi-

cal and Health Informatics (BHI), Valencia, Spain: IEEE, giu. 2014, pp. 314 317, isbn: 978-1-4799-2131-7. doi: 10.1109/BHI.2014.6864366.

[5] R. Chen, Y. Jiao e E. H. Herskovits, Structural MRI in Autism Spectrum Disorder: en, Pediatric Research, vol. 69, n. 5 Part 2, 63R68R, mag. 2011, issn: 0031-3998. doi: 10.1203/PDR.0b013e318212c2b3.

[6] K. K. Leung, M. J. Clarkson, J. W. Bartlett, S. Clegg, C. R. Jack, M. W. Weiner, N. C. Fox e S. Ourselin, Robust Atrophy Rate Measurement in Al- zheimer's Disease Using Multi-Site Serial MRI: Tissue-Specic Intensity Nor- malization and Parameter Selection, en, NeuroImage, vol. 50, n. 2, pp. 516 523, apr. 2010, issn: 10538119. doi: 10.1016/j.neuroimage.2009.12.059. [7] P. Szatmari, The Causes of Autism Spectrum Disorders: Multiple Factors Have

Been Identied, but a Unifying Cascade of Events Is Still Elusive. British Medical Journal Publishing Group, 2003.

[8] K.-Y. Liu, M. King e P. S. Bearman, Social Inuence and the Autism Epide- mic, en, American Journal of Sociology, vol. 115, n. 5, pp. 13871434, mar. 2010, issn: 0002-9602, 1537-5390. doi: 10.1086/651448.

[9] C. W. Nordahl, T. J. Simon, C. Zierhut, M. Solomon, S. J. Rogers e D. G. Amaral, Brief Report: Methods for Acquiring Structural MRI Data in Very Young Children with Autism Without the Use of Sedation, en, Journal of Autism and Developmental Disorders, vol. 38, n. 8, pp. 15811590, set. 2008, issn: 0162-3257, 1573-3432. doi: 10.1007/s10803-007-0514-x.

[10] D. Fein, M. Barton, I.-M. Eigsti, E. Kelley, L. Naigles, R. T. Schultz, M. Stevens, M. Helt, A. Orinstein, M. Rosenthal, E. Troyb e K. Tyson, Op- timal Outcome in Individuals with a History of Autism: Optimal Outcome in Individuals with a History of Autism, en, Journal of Child Psychology and Psychiatry, vol. 54, n. 2, pp. 195205, feb. 2013, issn: 00219630. doi:

10.1111/jcpp.12037.

[11] A. Retico, Neuroimaging-Based Methods for Autism Identication: A Possi- ble Translational Application?, en, Functional Neurology, 2014, issn: 0393- 5264. doi: 10.11138/FNeur/2014.29.4.231.

[12] C. Lord, A Multisite Study of the Clinical Diagnosis of Dierent Autism Spectrum Disorders, en, Archives of General Psychiatry, vol. 69, n. 3, p. 306, mar. 2012, issn: 0003-990X. doi: 10.1001/archgenpsychiatry.2011.148. [13] D. C. A. Walsh e D. E. Hurley, The Good and Bad Science of Autism, 2013. [14] C. R. Jack, J. Barnes, M. A. Bernstein, B. J. Borowski, J. Brewer, S. Clegg, A. M. Dale, O. Carmichael, C. Ching, C. DeCarli, R. S. Desikan, C. Fennema- Notestine, A. M. Fjell, E. Fletcher, N. C. Fox, J. Gunter, B. A. Gutman, D. Holland, X. Hua, P. Insel, K. Kantarci, R. J. Killiany, G. Krueger, K. K. Leung, S. Mackin, P. Maillard, I. B. Malone, N. Mattsson, L. McEvoy, M. Modat, S. Mueller, R. Nosheny, S. Ourselin, N. Schu, M. L. Senjem, A. Simonson, P. M. Thompson, D. Rettmann, P. Vemuri, K. Walhovd, Y. Zhao, S. Zuk e M. Weiner, Magnetic Resonance Imaging in Alzheimer's Disease Neuroimaging Initiative 2, en, Alzheimer's & Dementia, vol. 11, n. 7, pp. 740756, lug. 2015, issn: 15525260. doi: 10.1016/j.jalz.2015.05.002.

[15] G. A. Book, M. C. Stevens, M. Assaf, D. C. Glahn e G. D. Pearlson, Neuroi- maging Data Sharing on the Neuroinformatics Database Platform, en, Neu- roImage, vol. 124, pp. 10891092, gen. 2016, issn: 10538119. doi: 10.1016/ j.neuroimage.2015.04.022.

[16] A. Retico, S. Arezzini, P. Bosco, S. Calderoni, A. Ciampa, S. Coscetti, S. Cuo- mo, L. De Santis, D. Fabiani, M. E. Fantacci, A. Giuliano, E. Mazzoni, P. Mercatali, G. Miscali, M. Pardini, M. Prosperi, F. Romano, E. Tamburini, M. Tosetti e F. Muratori, ARIANNA: A Research Environment for Neuroimaging Studies in Autism Spectrum Disorders, en, Computers in Biology and Medici- ne, vol. 87, pp. 17, ago. 2017, issn: 00104825. doi:10.1016/j.compbiomed. 2017.05.017.

[17] B. Taylor, Vaccines and the Changing Epidemiology of Autism, en, Child: Care, Health and Development, vol. 32, n. 5, pp. 511519, set. 2006, issn: 0305-1862, 1365-2214. doi: 10.1111/j.1365-2214.2006.00655.x.

[18] Y. Zhou, F. Yu e T. Duong, Multiparametric MRI Characterization and Pre- diction in Autism Spectrum Disorder Using Graph Theory and Machine Lear- ning, en, PLoS ONE, vol. 9, n. 6, H. Chen, cur., e90405, giu. 2014, issn: 1932-6203. doi: 10.1371/journal.pone.0090405.

[19] J. Ashburner e K. J. Friston, Unied Segmentation, en, NeuroImage, vol. 26, n. 3, pp. 839851, lug. 2005, issn: 10538119. doi: 10.1016/j.neuroimage. 2005.02.018.

[20] A. M. Dale, B. Fischl e M. I. Sereno, Cortical Surface-Based Analysis, en, p. 16,

[21] G. J. Katuwal, S. A. Baum, N. D. Cahill, C. C. Dougherty, E. Evans, D. W. Evans, G. J. Moore e A. M. Michael, Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism, en, Frontiers in Neuroscience, vol. 10, set. 2016, issn: 1662-453X. doi: 10.3389/fnins. 2016.00439.

[22] L. G. Nyúl e J. K. Udupa, On Standardizing the MR Image Intensity Scale, Magnetic Resonance in Medicine: An Ocial Journal of the International Society for Magnetic Resonance in Medicine, vol. 42, n. 6, pp. 10721081, 1999.

[23] , Method for Standardizing the MR Image Intensity Scale, giu. 2003. [24] L. Nyul, J. Udupa e Xuan Zhang, New Variants of a Method of MRI Scale

Standardization, en, IEEE Transactions on Medical Imaging, vol. 19, n. 2, pp. 143150, Feb./2000, issn: 02780062. doi: 10.1109/42.836373.

[25] H. Nguyen, R. W. Morris, A. W. Harris, M. S. Korgoankar e F. Ramos, Cor- recting Dierences in Multi-Site Neuroimaging Data Using Generative Adver- sarial Networks, en, arXiv:1803.09375 [cs], mar. 2018. arXiv: 1803.09375 [cs].

[26] A. Chincarini, P. Bosco, P. Calvini, G. Gemme, M. Esposito, C. Olivieri, L. Rei, S. Squarcia, G. Rodriguez, R. Bellotti, P. Cerello, I. De Mitri, A. Retico e F. Nobili, Local MRI Analysis Approach in the Diagnosis of Early and Prodromal Alzheimer's Disease, en, NeuroImage, vol. 58, n. 2, pp. 469480, set. 2011, issn: 10538119. doi: 10.1016/j.neuroimage.2011.05.083.

[27] S. Wol, The History of Autism, en, European Child & Adolescent Psy- chiatry, vol. 13, n. 4, ago. 2004, issn: 1018-8827, 1435-165X. doi: 10.1007/ s00787-004-0363-5.

[28] A. N. Singh, Increases in the Prevalence of Autism Disorder: Exploring Bio- logical and Socio-Environmental Factors, en, p. 8,

[29] S. Battipede, Autismo. Comprendere La Persona Autistica. Youcanprint, 2016. [30] R. E. Rosenberg, J. K. Law, G. Yenokyan, J. McGready, W. E. Kaufmann e P. A. Law, Characteristics and Concordance of Autism Spectrum Disorders among 277 Twin Pairs, Archives of pediatrics & adolescent medicine, vol. 163, n. 10, pp. 907914, 2009.

[31] M. King e P. Bearman, Diagnostic Change and the Increased Prevalence of Autism, en, International Journal of Epidemiology, vol. 38, n. 5, pp. 1224 1234, ott. 2009, issn: 1464-3685, 0300-5771. doi: 10.1093/ije/dyp261. [32] M.-C. Lai, M. V. Lombardo, B. Chakrabarti e S. Baron-Cohen, Subgrouping

the Autism Spectrum": Reections on DSM-5, en, PLoS Biology, vol. 11, n. 4, E. Nestler, cur., e1001544, apr. 2013, issn: 1545-7885. doi: 10.1371/ journal.pbio.1001544.