Intelligenza artificiale nello scompenso cardiaco: verso una medicina predittiva e personalizzata.

Abstract

Negli ultimi tempi si sono verificati notevoli cambiamenti nella medicina cardiovascolare, grazie ai rapidi progressi dell’intelligenza artificiale (IA). Il presente lavoro fornisce una panoramica su alcune delle attuali applicazioni dell’IA nel campo dello scompenso cardiaco. Le tecnologie di intelligenza artificiale hanno mostrato un potenziale significativo in vari aspetti della ricerca sullo scompenso, tra cui la diagnosi, la previsione degli esiti, la classificazione dei fenotipi e l’ottimizzazione delle strategie di trattamento. Inoltre, l’integrazione di più fonti di dati, come elettrocardiografia, cartelle cliniche elettroniche e dati di imaging, può migliorare l’accuratezza diagnostica degli algoritmi di IA.

Lo scompenso cardiaco, o insufficienza cardiaca (IC), è una condizione cronica e progressiva in cui il muscolo cardiaco, indebolito da vari fattori, non è in grado di apportare sangue sufficiente a soddisfare le richieste di ossigeno dell’organismo.[1] Secondo una ricerca condotta dalla Società Europea di Cardiologia (ESC), lo scompenso cardiaco colpisce 26 milioni di adulti in tutto il mondo e ogni anno vengono identificate circa 3,6 milioni di nuove diagnosi.[1]

Nell’attuale era della medicina basata sull’evidenza, la comunità medica ha accesso a un’ampia mole di dati validati su cui si fondano le scelte terapeutiche.[1] Al contempo, l’evoluzione della medicina verso un approccio di precisione consente di integrare fattori genetici, stili di vita ed ambiente, contribuendo a definire il fenotipo cardiovascolare di ciascun paziente.[1]

In questo contesto come si inserisce l’intelligenza artificiale (IA)? La diagnosi e la gestione dei pazienti con IC richiedono una notevole quantità di informazioni cliniche, che portano all’accumulo di big data.[2] Il ruolo dell’IA nella medicina di precisione, e in particolare nel campo dell’IC, è quello di scavare in questo enorme insieme di dati e ricomporre gli elementi che si rivelano vantaggiosi e che possono correlarsi a un esito clinico positivo.[1] L’IC rappresenta infatti un obiettivo prioritario nella ricerca sui big data, data la sua complessa eziologia, le numerose comorbidità e il decorso prolungato e progressivo della malattia.[2]

Diamo qualche definizione:

• L’intelligenza artificiale (IA) è definita come l’intelligenza di un computer o di una macchina che le consente di imitare le capacità umane al punto da poter prendere decisioni senza richiedere l’intervento umano.[2]

• Il machine learning (ML) è un sottocampo dell’IA che consente ai computer di analizzare i dati al di là delle procedure programmatiche, di identificare modelli all’interno dei dati, di applicare i modelli appresi a nuovi dati e di eseguire compiti computazionali in modo più efficace rispetto agli esseri umani.[2]

• Il deep learning (DL) è un sottoinsieme del ML che utilizza più strati di reti neurali artificiali per scoprire o prevedere modelli.[2] Imita il funzionamento dei neuroni umani: riceve dati esterni, esegue calcoli nel nucleo ed emette i risultati come segnali binari (1 o 0) che vengono trasmessi attraverso gli assoni.[2] Quando questi "neuroni" sono collegati, creano una rete neurale simile a quella del cervello umano.[2]

Applicazioni dell’IA nell’IC

Diagnosi. La diagnosi di IC si basa sulla combinazione di anamnesi ed esami clinici e sulla valutazione dei dati di imaging e di laboratorio.[1] Le ricerche attuali che impiegano modelli di IA per migliorare la diagnosi di IC integrano diverse fonti di dati, come elettrocardiogrammi (ECG), ecocardiografie, radiografie e dati di cartelle cliniche elettroniche (EHR).[1] Diversi studi hanno mostrato risultati promettenti sulle prestazioni di tali modelli quando vengono applicati a queste fonti.[1] Una migliore validazione della tecnica di deep learning nella diagnosi di IC è attesa dopo il completamento dello studio EAGLE (ECG-AI-Guided Screening for Low Ejection Fraction, NCT04000087).[1] La ricerca ha sviluppato un algoritmo DL che utilizza un ECG a 12 derivazioni per effettuare lo screening dell’HF con una frazione di eiezione ridotta (HFrEF), mentre un successivo ECG di conferma consentirà la diagnosi e la terapia.[1] Questo sarà uno dei primi tentativi di stimare l’utilità pratica dell’IA attraverso una valutazione prospettica in contesti reali.[1]

Anche nella diagnosi dell’IC con una frazione di eiezione preservata (HFpEF) si sta spingendo in questa direzione: il recente studio condotto da Wu et al., infatti, mostra che i pazienti con HFpEF non diagnosticata sono un gruppo a rischio con un’elevata mortalità e che è possibile utilizzare algoritmi basati sull’IA – in particolare NLP (natural language processing) – per identificare i probabili pazienti con HFpEF dai dati EHR, che potrebbero beneficiare di una revisione clinica da parte di esperti.[3]

Monitoraggio e Gestione. In un recente studio noto come LINK-HF (Multisensor Non-invasive Remote Monitoring for Prediction of Heart Failure Exacerbation), l’analisi mediante ML ha mostrato che i dati di monitoraggio raccolti in remoto, ottenuti in modo non invasivo, possono prevedere la riospedalizzazione dell’IC con una sensibilità dell’87,5% e una specificità dell’85%.[1] Le app mobili che incorporano algoritmi di apprendimento automatico hanno il potenziale di migliorare la gestione dello scompenso cardiaco, motivando i pazienti ad adottare tattiche preventive e a seguire i propri regimi terapeutici.[1] Inoltre, gli algoritmi di ML possono essere utilizzati per migliorare il trattamento dell’IC valutando l’eterogeneità della risposta alle terapie.[2] Ahmad et al. hanno studiato 44.886 pazienti con IC e hanno utilizzato il ML per classificarli in 4 sottogruppi in base alla loro risposta alle terapie e ai tassi di sopravvivenza a 1 anno.[2] Questa stratificazione ha permesso di identificare i pazienti che hanno maggiori probabilità di beneficiare della terapia medica guidata.[2] Il ML può quindi essere impiegato per individuare e dare priorità ai pazienti che hanno maggiori probabilità di trarre beneficio da interventi mirati all’ottimizzazione delle terapie basate sull’evidenza.[2] Inoltre, gli algoritmi di ML possono supportare i medici nel determinare la sequenza e il dosaggio ottimali di queste terapie.[2]

Conclusioni

Il potenziale del ML e dell’IA può essere pienamente realizzato solo se i medici partecipano attivamente all’integrazione e all’utilizzo di questi algoritmi innovativi.[1] Ciò è essenziale, dato l’aumento esponenziale dei dati dei pazienti, che stanno diventando sempre più complessi e includono un numero crescente di parametri interconnessi.[1] Inoltre, è importante ricordare che gli algoritmi convoluzionali non possono superare la capacità umana di prevedere, diagnosticare o trattare l’IC, poiché la loro efficacia dipende dalla qualità dei dati e dalla rilevanza delle informazioni che gli sono fornite.[1] Così come la saggezza umana implica un equilibrio tra scetticismo e conoscenza, anche la ricerca della "saggezza artificiale" attraverso metodi computazionali deve rimanere non dogmatica, consapevole dei propri limiti, curiosa e orientata verso l’esplorazione di nuove conoscenze.[1]

Bibliografia:

1. Bourazana A, Xanthopoulos A, Briasoulis A, et al. Artificial Intelligence in Heart Failure: Friend or Foe? Life (Basel). Jan 19 2024;14(1) doi:10.3390/life14010145
2. Yoon M, Park JJ, Hur T, et al. Application and Potential of Artificial Intelligence in Heart Failure: Past, Present, and Future. Int J Heart Fail. Jan 2024;6(1):11-19. doi:10.36628/ijhf.2023.0050
3. Wu J, Biswas D, Ryan M, et al. Artificial intelligence methods for improved detection of undiagnosed heart failure with preserved ejection fraction. Eur J Heart Fail. Feb 2024;26(2):302-310. doi:10.1002/ejhf.3115