Cardiologia: l’Intelligenza artificiale migliora la diagnostica


Secondo uno studio nei pazienti sottoposti a indagine ecocardiografica della funzione cardiaca la valutazione preliminare mediante Intelligenza artificiale è migliore

L'intelligenza artificiale ha un notevole impatto energetico e ambientale: la strada verso la sostenibilità, grazie al Cnr, è la fotonica

Sono state molteplici le presentazioni all’ESC22 di studi basati sull’applicazione dell’intelligenza artificiale (AI) in cardiologia a supporto della diagnostica. Tra questi, lo studio EchoNet-RCT che ha evidenziato come –  nei pazienti sottoposti a indagine ecocardiografica della funzione cardiaca – la valutazione preliminare mediante AI fosse superiore alla refertazione iniziale dell’ecografista.

Studio prospettico randomizzato
«Si registra molto entusiasmo per l’uso dell’IA in medicina, ma le tecnologie sono raramente valutate in studi randomizzati in cieco né in studi clinici prospettici» ha osservato David Ouyang dello Smidt Heart Institute at Cedars-Sinai, Los Angeles (USA).

«In precedenza» ha spiegato «abbiamo sviluppato una delle prime tecnologie di AI per valutare la funzione cardiaca (frazione di eiezione ventricolare sinistra; LVEF) negli ecocardiogrammi e, in questo studio randomizzato in cieco, lo abbiamo confrontato testa a testa con i tracciati dell’ecografo».

«Questo studio è stato alimentato per mostrare la non inferiorità dell’IA rispetto ai tracciati dell’ecografista» ha aggiunto «e quindi siamo rimasti piacevolmente sorpresi quando i risultati hanno effettivamente mostrato la superiorità rispetto ai risultati pre-specificati».

Algoritmo di deep learning addestrato su video di ecocardiografia
Una valutazione accurata della LVEF è essenziale per diagnosticare le malattie cardiovascolari e prendere decisioni terapeutiche. La valutazione umana si basa spesso su un piccolo numero di cicli cardiaci che possono comportare un’elevata variabilità inter-osservatore.

«EchoNet-Dynamic è un algoritmo di deep learning che è stato addestrato su video di ecocardiografia per valutare la funzione cardiaca e, in precedenza, ha dimostrato di valutare LVEF con un errore assoluto medio del 4,1-6,0%» ha affermato Ouyang. «L’algoritmo utilizza le informazioni su più cicli cardiaci per ridurre al minimo gli errori e produrre risultati coerenti». Lo studio EchoNet-RCT ha testato se la valutazione AI o ecografica di LVEF fosse più frequentemente modificata da un cardiologo revisore.

Il rapporto finale del cardiologo come pietra di paragone
«Il flusso di lavoro clinico standard per determinare LVEF mediante ecocardiografia è che un ecografista scansiona il paziente e fornisce una valutazione iniziale della LVEF; poi un cardiologo – cuna media di 12,7 anni di esperienza – esamina la valutazione per fornire un rapporto finale sulla LVEF» ha detto il ricercatore.

«In questo studio clinico, la scansione dell’ecografista è stata assegnata in modo casuale in proporzione 1: 1 alla valutazione iniziale dell’IA o alla valutazione iniziale dell’ecografista, dopo di che i cardiologi in cieco hanno esaminato la valutazione e fornito un rapporto finale di LVEF» ha aggiunto Ouyang.

I ricercatori hanno confrontato quanto i cardiologi avessero cambiato la valutazione iniziale da parte dell’IA rispetto a quanto avessero cambiato la valutazione iniziale da parte dell’ecografo. «L’endpoint primario era la frequenza di una variazione superiore al 5% della LVEF tra la valutazione iniziale (AI o ecografista) e il rapporto finale del cardiologo» ha dichiarato Ouyang.

Netta superiorità del software clinico
Lo studio è stato progettato per testare la non inferiorità, con un obiettivo secondario di testare la superiorità. Sono stati inclusi 3.495 ecocardiogrammi transtoracici eseguiti su adulti per qualsiasi indicazione clinica. La percentuale di studi sostanzialmente modificata è stata del 16,8% nel gruppo AI e del 27,2% nel gruppo ecografista (differenza -10,4%, intervallo di confidenza al 95% [CI]-13,2% a -7,7%, p<0,001 per non inferiorità, p<0,001 per superiorità).

L’endpoint di sicurezza era la differenza tra il rapporto finale del cardiologo e un rapporto storico del cardiologo. La differenza assoluta media è stata del 6,29% nel gruppo AI e del 7,23% nel gruppo ecografista (differenza -0,96%, IC 95% da -1,34% a -0,54%, p<0,001 per superiorità).

Piena integrazione nel flusso di lavoro diagnostico
«Abbiamo imparato molto dall’esecuzione di uno studio randomizzato di un algoritmo di AI, cosa che non è mai stata fatta prima in cardiologia» ha dichiarato Ouyang. «In primo luogo, abbiamo imparato che questo tipo di sperimentazione è altamente fattibile nel giusto contesto, dove l’algoritmo AI può essere integrato nel consueto flusso di lavoro clinico in cieco».

«In secondo luogo» ha proseguito «abbiamo imparato che l’accecamento può davvero funzionare bene in questa situazione. Abbiamo chiesto ai nostri revisori cardiologi di provare a intuire se pensassero che il tracciamento che avevano appena esaminato fosse stato eseguito dall’AI o da un ecografista, e si sé scoperto che non riuscivano a capire la differenza, il che parla sia delle forti prestazioni dell’algoritmo AI che della perfetta integrazione nel software clinico».

«Crediamo che questi siano tutti buoni segnali per future sperimentazioni sul campo» ha ribadito. «Siamo entusiasti delle implicazioni dello studio. Ciò significa per il futuro che alcuni algoritmi di AI, se sviluppati e integrati nel modo giusto, potrebbero essere molto efficaci non solo nel migliorare la qualità dell’output di lettura dell’ecocardiografia, ma anche nell’aumentare l’efficienza nel tempo e negli sforzi spesi da ecografisti e cardiologi semplificando compiti altrimenti noiosi ma importanti» ha concluso.

«L’integrazione dell’AI nei flussi di lavoro clinici potrebbe potenzialmente fornire valutazioni più precise e coerenti, consentendo così una diagnosi precoce del deterioramento clinico o della risposta al trattamento» ha sottolineato, inoltre, Ouyang.

I messaggi-chiave

  • In paziente adulti sottoposti a quantificazione ecocardiografica della funzione cardiaca, la valutazione iniziale della LVEF mediante AI è stata non inferiore e superiore alla valutazione iniziale ecocardiografica.
  • Dopo revisione in cieco della valutazione della LVEF guidata dall’AI rispetto all’ecocardiografia, i cardiologi erano avevano meno probabilità di cambiare in modo sostanziale il loro rapporto finale con la valutazione iniziale dell’AI.
  • La valutazione AI- guidata fa impiegare meno tempo ai cardiologi per essere rivalutata ed è più coerente con la valutazione storica dei cardiologi (precisione test-retest).

Fonte:
Ouyang D. EchoNet-RCT: Blinded, Randomized Controlled Trial of Sonographer vs. Artificial Intelligence Assessment of Cardiac Function. Safety and Efficacy Study of AI LVEF. ECS22. Barcelona (Spain).