P174 | DALL’ASSOCIAZIONE ALLA CAUSALITÀ: L’INTELLIGENZA ARTIFICIALE NELLO STUDIO DELL’ESPOSOMA OCCUPAZIONALE E AMBIENTALE

Roberto Lucchini^1|2, Stefano Renzetti³, Paolo Boffetta^4|5, Antonio Baldassarre⁶ | ¹Medicina del Lavoro, Università di Modena, Italia; ²Environmental Health Science, Florida International University, USA; ³Biostatistica, Università di Parma, Italia; ⁴Medicina del Lavoro, Università di Bologna, Italia; ⁵Stony Brook University, New York, USA; ⁶Medicina del Lavoro, Università di Firenze, Italia

Introduzione. Lo stato di salute, le condizioni di vulnerabilità e di patologia sono da correlarsi ad esposizioni multiple, variabili nel tempo, a fattori di rischio lungo l’intero corso della vita da una interrelazione vita-lavoro. Tuttavia, gran parte degli studi epidemiologici e tossicologici continua a basarsi tutt’oggi su modelli a esposizione singola e su analisi di tipo associativo, con limitata capacità di acclarare i meccanismi causali e la frazione eziologica alla base del paradigma salute-esposoma.
Obiettivi. Proporre un quadro concettuale per l’integrazione dell’intelligenza artificiale (IA) nella medicina del lavoro, finalizzato non solo alla identificazione di associazioni esposizione–salute, ma anche alla ricostruzione di relazioni causalmente plausibili e biologicamente fondate.
Metodi. Vengono discussi approcci innovativi che combinano strumenti di IA e Machine Learning (ML) con metodi di inferenza causale, includendo l’uso di directed acyclic graphs (DAG), structural causal models, analisi longitudinali, modelli per miscele di esposizioni, mediazione biologica e integrazione multi-omica. In tale quadro, l’IA può supportare la ricostruzione delle esposizioni, l’analisi di dati ad alta dimensionalità, l’identificazione di biomarcatori precoci e la definizione di profili molecolari intermedi tra esposizione e malattia.
Risultati. L’integrazione tra IA e inferenza causale consentono di superare i limiti dei modelli puramente predittivi, migliorando la capacità di distinguere segnali associativi da relazioni causali più solide. Questo approccio risulta particolarmente promettente nello studio di patologie croniche di interesse occupazionale, tra cui tumori, malattie neurodegenerative, patologie cardiometaboliche e respiratorie. Inoltre, può potenziare la sorveglianza sanitaria, la valutazione del rischio e l’identificazione di sottogruppi suscettibili.
Conclusioni. Nella medicina del lavoro, l’uso dell’IA dovrebbe essere orientato non soltanto alla predizione, ma alla comprensione meccanicistica di come esposizioni complesse contribuiscano a esiti di salute a lungo termine. L’integrazione con modelli di inferenza causale rappresenta una prospettiva strategica per sviluppare modelli più interpretabili, utili alla prevenzione, alla diagnosi precoce e alla definizione di interventi mirati nei contesti di lavoro e, in senso lato, di vita. La qualità e l'integrazione dei dati rimangono un collo di bottiglia a causa dell'eterogeneità delle banche dati. L’IA dev’essere, inoltre, ispirata a principi di explainability e di etica.