Collegamento tra miscele di inquinanti atmosferici e parto pretermine mediante mappe autorganizzanti

Lo studio rappresenta un'applicazione innovativa di algoritmi di machine learning non supervisionati nel contesto epidemiologico ambientale. La self-organizing map consente di ridurre la complessità dell'analisi multidimensionale degli inquinanti atmosferici identificando pattern naturali di co-esposizione senza imporre categorie a priori. Il campione di 44.874 primigravide in Utah tra il 2013 e il 2016 fornisce una numerosità robusta, mentre l'utilizzo di stime ad alta risoluzione spaziale per gli inquinanti migliora la precisione dell'esposizione rispetto alle misurazioni da stazioni fisse. La metodologia Bayesiana con regressione logistica a effetti misti consente di stimare odds ratio specifici per settimana gestazionale, identificando finestre critiche di esposizione. Il risultato principale—un'associazione del 53% di aumento del rischio per il Cluster 10 alla settimana 11 e di 2,8 volte per esposizione ripetuta—suggerisce effetti sinergici delle miscele di inquinanti. Questo approccio contrasta con gli studi precedenti che tipicamente esaminano singoli inquinanti isolatamente, perdendo potenziali interazioni. La riduzione della dimensionalità preserva le variazioni temporali, aspetto critico data l'importanza delle finestre gestazionali critiche nella teratogenesi. L'applicazione della correzione FDR per multiple comparisons rafforza l'affidabilità statistica. Tuttavia, il framework richiede validazione in altre popolazioni geografiche e periodi temporali.