Un modello di intelligenza artificiale basato sul deep learning, potrebbe essere di aiuto nel predire la mortalità e la progressione della malattia nei pazienti con fibrosi polmonare idiopatica
Un modello di intelligenza artificiale basato sul deep learning, indicato con l’acronimo anglosassone SABRE (Smart Airway Biomarker Recognition Engine) potrebbe essere di aiuto nel predire la mortalità e la progressione della malattia nei pazienti con fibrosi polmonare idiopatica (IPF). Lo studio è stato pubblicato sulla rivista European Respiratory Journal.
Razionale e obiettivi dello studio
Individuare i biomarcatori in grado di prevedere una ridotta aspettativa di vita è fondamentale per dare priorità alla terapia antifibrotica, che può migliorare gli esiti nella fibrosi polmonare idiopatica (IPF) e in altre malattie polmonari fibrotiche (FLD).
Il problema principale è che queste malattie non evolvono tutte allo stesso modo: alcuni pazienti rimangono stabili a lungo, mentre altri peggiorano rapidamente. Questa grande variabilità rende difficile decidere quando e come trattare, e in alcuni casi può portare alla necessità di procedure invasive come la biopsia polmonare chirurgica. Per questo servono misure affidabili fin dall’inizio, capaci di prevedere l’andamento della malattia e quindi la sopravvivenza, che è l’indicatore più importante.
Negli ultimi dieci anni c’è stato un crescente interesse per i metodi computerizzati che analizzano in modo oggettivo le immagini di HRCT (tomografia computerizzata ad alta risoluzione). Questo perché le valutazioni dei radiologi spesso variano molto da un osservatore all’altro, sono poco riproducibili e non sempre sensibili.
Uno dei parametri più forti nel predire la mortalità è la trazione bronchiectasica (cioè la dilatazione anomala delle vie aeree nelle zone di fibrosi). Finora però non si era riusciti a sviluppare sistemi automatici in grado di quantificarla con precisione, soprattutto perché è difficile distinguere i bronchi dalle aree di honeycombing (aspetto “a nido d’ape” della fibrosi) o dall’enfisema.
In questo studio gli autori propongono un approccio nuovo: unire un modello di deep learning automatizzato ad un algoritmo di quantificazione intelligente (modello SABRE) per analizzare alcuni biomarcatori derivati dalle vie aeree e valutarne l’utilità prognostica in un registro nazionale di pazienti con IPF. L’idea di fondo è usare questa tecnologia per ridurre l’incertezza sugli esiti della malattia e migliorare la capacità di prevedere la sopravvivenza, considerata la misura finale più importante.
Disegno dello studio
Gli autori dello studio hanno sviluppato un modello delle vie aeree basato sull’intelligenza artificiale (AI) e successivamente lo hanno testato per determinarne la capacità di prevedere la mortalità e la progressione della malattia nei pazienti con IPF.
I ricercatori hanno sviluppato questo modello utilizzando i dati provenienti da 460 pazienti con malattie polmonari, tra cui cancro ai polmoni, polmonite, enfisema e fibrosi polmonare.
L’utilità di questo modello per la prognosi dell’IPF è stata poi testata utilizzando 1.284 scansioni HRCT (tomografia computerizzata ad alta risoluzione) che mostravano malattia polmonare diffusa, provenienti dall’Australian IPF Registry (AIPFR) e dall’Open Source Imaging Consortium (OSIC, che include pazienti con diagnosi clinica di IPF o altre malattie polmonari interstiziali [ILD]).
Risultati principali
La capacità di SABRE di prevedere la progressione dell’IPF a 12 mesi è stata inizialmente valutata con i dati AIPFR, e sono state effettuate analisi multivariabili sui gruppi stratificati in base allo stato della terapia antifibrotica. I partecipanti sono stati classificati in 3 gruppi (basso rischio, medio rischio e alto rischio) in base ai terzili delle variabili SABRE.
Tra gli 869 iscritti all’AIPFR, 515 con scansioni HRCT archiviate sono stati sottoposti ad una valutazione radiologica semi-quantitativa, e 1.550 partecipanti sono stati arruolati dall’OSIC.
L’età media (DS) nel gruppo AIPFR era di 70,1 (8,4) anni, con una prevalenza di individui di sesso maschile (67,4%), seguiti in un follow-up mediano di 4,1 anni.
La coorte OSIC aveva un’età media di 65,4 (11,5) anni, e il 67,1% erano uomini. L’analisi SABRE ha incluso 217 partecipanti AIPFR e 1067 partecipanti OSIC con scansioni applicabili.
L’analisi multivariabile aggiustata per le misurazioni della funzionalità polmonare ha mostrato che la maggior parte delle variabili basate su SABRE (volume totale delle vie aeree [STotalAV], volume delle piccole vie aeree [SSmallAV], volume delle vie aeree terminali [STermAV], e volume delle vie aeree primarie [SPAV]) erano associate in modo indipendente (P < 0,001) con la mortalità rispetto al valori percentuali di FVC e DLCO, nonché all’indice fisiologico composito (CPI), dopo aver controllato età e sesso per AIPFR e OSIC.
Nell’analisi multivariabile aggiustata per le variabili di gravità della malattia, la concordanza interosservatore relativa all’estensione della fibrosi, basata su valutazione visiva, è risultata buona (ICC=0,78; IC 95%: 0,76-0,83).
Tutte le variabili SABRE hanno mostrato una maggiore capacità prognostica (P < 0,0001) rispetto alle misure visive di gravità della malattia (estensione totale della fibrosi, estensione totale della ILD ed estensione della bronchioectasia da trazione) nelle analisi multivariabili aggiustate per età, sesso e storia di fumo.
STotalAV e SPAV hanno predetto in modo indipendente la progressione a 12 mesi nell’analisi multivariabile con FVC%, DLCO%, CPI o tortuosità delle vie aeree, dopo controllo per età, sesso e storia di fumo.
Le curve di sopravvivenza di Kaplan-Meier hanno rivelato una progressiva diminuzione della sopravvivenza attraverso le fasce di rischio, dato che i gruppi a rischio medio e elevato hanno mostrato una sopravvivenza ridotta rispetto al gruppo a basso rischio.
STotalAV, combinato con DLCO, ha mostrato le migliori prestazioni, con un indice C di 0,752 e per la predizione precoce (anno 1) un’area sotto la curva di 0,852.
Riassumendo
“Pur con alcuni limiti (SABRE dipende dai dati volumetrici HRCT, il che ne limita l’applicazione alle scansioni TC distribuite nel tempo), e nonostante l’impossibilità di SABRE di modificare l’eleggibilità al trattamento (in quanto gli antifibrotici sono raccomandati per tutti i pazienti con IPF), questo modello di AI fornisce un dettaglio prognostico utile a guidare i tempi e l’intensità delle cure, aiutando a dare priorità agli individui ad alto rischio da candidare ad interventi specialistici”, hanno concluso gli autori dello studio”.
Bibliografia
Nan Y et al. Prognostication in patients with idiopathic pulmonary fibrosis using quantitative airway analysis from HRCT: a retrospective study. Eur Respir J. Published online July 31, 2025. doi:10.1183/13993003.00981-2025
Leggi