Alcuni ricercatori del Massachusetts General Hospital hanno implementato un modello di Intelligenza Artificiale in grado di prevedere – su scala decennale – il rischio di morte per infarto o ictus a partire da una sola e semplice radiografia del torace. I ricercatori dell’ospedale statunitense hanno addestrato l’Intelligenza Artificiale ad analizzare le immagini radiografiche alla ricerca di modelli associati all’aterosclerosi (che comporta la perdita di elasticità delle arterie, con conseguente possibile accumulo di sostanze come il colesterolo), la causa principale delle malattie cardiache cardiovascolari.
Chi paga per l’algoritmo: le questioni ancora aperte su IA e responsabilità medica
Indice degli argomenti
Le variabili
Le attuali linee guida sanitarie statunitensi raccomandano di stimare il rischio decennale di eventi cardiovascolari maggiori, in modo da poter adottare misure preventive come il ricorso all’uso di statine, farmaci deputati all’abbassamento del colesterolo nel sangue. Il rischio viene calcolato utilizzando un punteggio basato su variabili quali età, sesso, etnia, pressione sanguigna, trattamento dell’ipertensione, fumo, diabete di tipo 2 ed esami del sangue. Negli USA, il ricorso alle statine è raccomandato ai pazienti che presentano un rischio decennale pari o superiore al 7,5%. Jakob Weiss, medico ed autore dello studio del Massachusetts General Hospital in esame, ha affermato che le variabili necessarie per calcolare il rischio di malattia cardiovascolare aterosclerotica spesso non sono disponibili, il che rende auspicabili approcci per uno screening basato sulla popolazione.
Il modello
Il modello messo a punto da Weiss si basa sull’uso dell’apprendimento profondo (o deep learning) ed offre una potenziale soluzione per lo screening del rischio di malattie cardiovascolari partendo dall’esame di immagini radiografiche del torace esistenti presso il nosocomio statunitense in oggetto. Secondo Weiss, poiché le radiografie del torace sono comunemente disponibili presso gli ospedali, l’approccio del Massachusetts General Hospital può aiutare a identificare gli individui ad alto rischio con una discreta facilità, proprio per “abbondanza di informazioni”. Questo tipo di screening potrebbe essere utilizzato per identificare quelle persone che trarrebbero beneficio dall’assunzione di statine e che attualmente non ne sono a conoscenza né i curanti ne sono edotti.
Il team di Weiss ha addestrato un modello di apprendimento profondo (che si avvale di una di algoritmi strutturati come rete neurale artificiale) utilizzando più di centomila radiografie del torace appartenenti a quasi cinquantamila partecipanti al “Prostate, Lung, Colorectal, and Ovarian Cancer Screening Trial”, uno studio multicentrico randomizzato e controllato progettato e sponsorizzato dall’agenzia governativa statunitense National Cancer Institute.
I risultati
Al Massachusetts General Hospital hanno testato il modello di apprendimento profondo utilizzando una seconda coorte indipendente di poco più di undicimila pazienti ambulatoriali sottoposti a radiografia del torace e potenzialmente idonei alla terapia con statine. Sui quasi undicimila pazienti citati, poco meno del dieci percento di loro ha subito un evento cardiaco avverso maggiore nel corso di un controllo e supporto medico della durata di poco più di dieci anni. È stata riscontrata una associazione significativa tra il rischio previsto dal modello di apprendimento profondo in esame e gli eventi cardiaci maggiori effettivamente osservati. Sulla base di una singola immagine radiografica del torace, già presente negli archivi del Massachusetts General Hospital, il modello di apprendimento profondo di Weiss e del suo team potrebbe predire i futuri maggiori eventi cardiovascolari avversi con prestazioni e valore incrementale simili allo standard clinico consolidato, ossia quello che non si avvale dell’algoritmo in esame. Weiss ha affermato che il ricorso ai raggi X per catturare informazioni che vanno oltre i risultati diagnostici tradizionali è già noto da tempo; tuttavia, non è facile produrre ed utilizzare dati in assenza di metodi robusti e affidabili come quello prodotto dalla ricerca in oggetto.
Al momento, secondo Weiss, è stato dimostrato che “una radiografia del torace è più di una radiografia del torace”. Con un approccio come questo, sarà probabilmente possibile ottenere una misura quantitativa che permetterà di fornire informazioni diagnostiche (presenti) e prognostiche (ossia, in previsione di sviluppi futuri) che possano aiutare il medico e il paziente. Ovviamente saranno necessarie ulteriori ricerche, tra cui uno studio controllato e randomizzato (assegnazione casuale del trattamento ai pazienti), per convalidare il modello di apprendimento profondo in esame, il quale potrebbe, in ultima analisi, servire come strumento di supporto decisionale per i medici curanti. Ma la strada non sembra prefigurarsi in salita.
