Intelligenza artificiale aiuta nelle diagnosi

L’intelligenza artificiale usata per analizzare i dati degli esami e fare una diagnosi precoce all'ospedale Maggiore di Novara.

Il progetto

Uno dei primi esempi di utilizzo dell’intelligenza artificiale in ambito cardiologico vede in prima linea l’Università del Piemonte Orientale – il professor Paolo Marino e la dott.ssa Anna Degiovanni, entrambi afferenti al Dipartimento di Medicina traslazionale – tra gli atenei coinvolti nello studio multicentrico Machine Learning Analysis of Left Ventricular Function to Characterize Heart Failure With Preserved Ejection Fraction, recentemente pubblicato sulla rivista scientifica della American Heart Association Circulation Cardiovascular Imaging.

Lo studio ha utilizzato l'intelligenza artificiale per interpretare determinati segnali biologici – in questo caso la risposta ventricolare al test da sforzo di 156 pazienti con più di 60 anni – nel contesto del cosiddetto scompenso cardiaco con funzione sistolica conservata, sindrome che colpisce circa la metà dei soggetti affetti da insufficienza cardiaca e identificata dagli specialisti con la sigla HFpEF (Heart Failure with preserved Ejection Fraction).

La diagnosi

La diagnosi di questa sindrome, di cui i medici prevedono un significativo incremento nei prossimi decenni, non è al momento completamente affidabile utilizzando un approccio che non faccia ricorso all’emodinamica; grazie al machine learning e all’analisi dei dati di imaging ecocardiografico raccolti durante l’esecuzione di una prova da sforzo, i ricercatori cercano di stabilire con esattezza le oggettive differenze tra pazienti sani e pazienti con HFpEF. Dei 156 soggetti testati, infatti, 33 non erano affetti da alcuna patologia cardiaca, mentre 72 avevano avuto una diagnosi di HFpEF. Inoltre sono stati inseriti nello studio, a scopo confondente, 24 ipertesi asintomatici e 27 pazienti limitati da una dispnea a bassa soglia non riconducibile a cause cardiologiche (breathless). Secondo gli studiosi l'analisi della funzione ventricolare sotto sforzo di tutti i soggetti arruolati, attraverso un processo di machine learning interpretabile, può migliorare la diagnosi e conseguentemente l’identificazione dei pazienti affetti da HFpEF.

«I risultati poco soddisfacenti degli studi sulle terapie sperimentate nei pazienti affetti da HFpEF — spiega il professor Paolo Marino — possono, in parte, essere causati dai limiti degli attuali criteri diagnostici. Approcci alternativi che combinano dati clinici e parametri desunti dall’imaging tradizionale potrebbero non considerare un numero sufficiente di dati per catturare la complessità del fenomeno.»

Il futuro

«In quest’ottica — prosegue Marino — l’intelligenza artificiale può darci un grosso aiuto essendo essa in grado di integrare e interpretare, sotto la supervisione di un medico cardiologo, i dati registrati su pazienti sottosforzo nella loro totalità e complessità temporale e spaziale. Variazioni non percepibili correntemente tra la condizione di riposo e lo sforzo possono essere condensate, utilizzando l’approccio descritto, in profili distinti cui corrispondono risposte funzionali, valutate mediante il tradizionale test del cammino, nettamente differenti in termini di durata. Il tutto mantenuto nei confini cui anche un approccio innovativo quale quello descritto deve sottostare, rappresentati dai rischi derivanti dall’utilizzo di un campione non sufficientemente rappresentativo o dall’utilizzo di dati non generati correttamente. Parafrasando, infatti, l’editoriale di accompagnamento del lavoro pubblicato ad opera del professor Sengupta dell’Università della West Virginia sullo stesso numero di Circulation Cardiovascular Imaging, si può dire che, analogamente alla intelligenza dell’uomo, anche l’intelligenza artificiale, per rispondere allo scopo per il quale è stata creata, deve mantenersi non-autoreferenziale, conscia dei propri limiti, piena di dubbi e, come tale, attiva nella ricerca della nuova conoscenza.»