Il modello di deep learning automatizza il rilevamento di gravi malattie della valvola cardiaca

Fonte: Getty Images

Di Shania Kennedy

30 agosto 2023 - I ricercatori della Yale School of Medicine hanno sviluppato un approccio di deep learning (DL) in grado di rilevare con precisione la stenosi aortica analizzando le ecografie cardiache, secondo uno studio pubblicato la scorsa settimana sull'European Heart Journal.

Il gruppo di ricerca ha indicato che la stenosi aortica, una malattia cardiaca comune causata dal restringimento della valvola aortica, è un fattore significativo di mortalità e morbilità. La diagnosi precoce della malattia è fondamentale per prevenire questi esiti, ma richiede l’imaging ecografico specializzato del cuore, noto come ecocardiografia doppler.

L’ecocardiografia Doppler è il test principale utilizzato per rilevare la stenosi aortica, ma la natura specializzata dell’imaging lo rende inefficiente e inaccessibile per l’uso negli sforzi di diagnosi precoce.

“La nostra sfida è che la valutazione precisa della [stenosi aortica] è fondamentale per la gestione del paziente e la riduzione del rischio. Sebbene i test specialistici rimangano il gold standard, fare affidamento su coloro che si rivolgono ai nostri laboratori ecocardiografici probabilmente non permette alle persone all’inizio del loro stato patologico”, ha affermato l’autore senior Rohan Khera, MD, MS, assistente professore di medicina cardiovascolare e informatica sanitaria a Yale e direttore del suo laboratorio di scienza dei dati cardiovascolari (CarDS), in un comunicato stampa che descrive in dettaglio lo studio.

L'obiettivo del gruppo di ricerca era quello di sviluppare un modello che potesse consentire lo screening ecografico presso il punto di cura per facilitare la diagnosi precoce della malattia.

Per fare ciò, i ricercatori hanno sviluppato il modello di deep learning utilizzando 5.257 studi di esami di ecocardiografia transtoracica (TTE) che includevano 17.570 video tra il 2016 e il 2020 presso lo Yale New Haven Hospital.

Lo strumento è stato poi validato esternamente utilizzando 2.040 studi consecutivi dello Yale New Haven Hospital, oltre a due coorti geograficamente distinte di 4.226 e 3.072 studi provenienti dalla California e da altri ospedali del New England.

Il modello ha raggiunto prestazioni elevate in tutte le coorti, raggiungendo un'area sotto la curva caratteristica operativa del ricevitore di 0,978 nel set di test. Inoltre, il DL ha raggiunto un'area sotto la curva caratteristica operativa del ricevitore di 0,952 nella coorte della California e di 0,942 nella coorte del New England.

Questi risultati hanno portato i ricercatori a concludere che il modello ha una potenziale utilità per la diagnosi precoce della stenosi aortica.

“Il nostro lavoro può consentire uno screening comunitario più ampio per [la stenosi aortica] poiché gli ultrasuoni portatili possono essere sempre più utilizzati senza la necessità di attrezzature più specializzate. Vengono già utilizzati frequentemente nei reparti di emergenza e in molti altri contesti assistenziali”, ha affermato Khera.

Tuttavia, sono necessarie ulteriori ricerche prima che lo strumento possa essere utilizzato in contesti clinici.

La ricerca precedente mirava anche a migliorare il rilevamento della stenosi aortica utilizzando l’intelligenza artificiale (AI).

Nel 2021, i ricercatori della Kaiser Permanente hanno dimostrato che l'elaborazione del linguaggio naturale (PNL) potrebbe aiutare i medici a identificare la stenosi aortica.

Il modello è stato addestrato per vagliare i rapporti dell’ecocardiogramma e i dati EMR per contrassegnare abbreviazioni, parole e frasi associate alla condizione.

Lo strumento ha poi identificato rapidamente quasi 54.000 pazienti che soddisfacevano i criteri per la stenosi aortica, un processo che, secondo il team di ricerca, avrebbe potuto richiedere anni se intrapreso manualmente.