A cura di Valeria Visco, Germano Junior Ferruzzi, Federico Nicastro, Nicola Virtuoso, Renato Gioia, Albino Carrizzo, Gennaro Galasso, Carmine Vecchione, Michele Ciccarelli (Dipartimento di Medicina, Chirurgia e Odontoiatria “Scuola Medica Salernitana”, Università degli Studi di Salerno – AOU San Giovanni di Dio e Ruggi d’Aragona, Salerno)
L’IA è la capacità delle macchine o dei sistemi informatici di simulare l’intelligenza umana, implementando nuovi concetti per risolvere sfide complesse, svolgendo in tal modo un ruolo cruciale in medicina e sanità grazie al miglioramento della potenza di calcolo, agli algoritmi di apprendimento e alla disponibilità dei big data. In particolare, l’IA si basa sulle tecniche di machine learning (ML), dove le regole sono apprese dagli algoritmi direttamente da un insieme di dati piuttosto che essere codificate a mano; di conseguenza, questi programmi possono apprendere da esempi senza essere stati programmati specificamente con istruzioni rigorose. In sintesi, utilizzando algoritmi specifici, si possono stabilire relazioni complesse tra dati, modelli comportamentali, regole che governano un sistema, schemi di classificazione e così via. In termini pratici, le tecniche di ML possono trattare una quantità enorme di dati e incorporare diverse risorse (misurazioni cliniche, dati biochimici, risultati sperimentali) in modelli sensibili per descrivere e prevedere le malattie umane. Il tipico flusso di lavoro ML inizia con l’acquisizione dei dati, continua con l’ingegnerizzazione delle caratteristiche e quindi con la selezione dell’algoritmo e lo sviluppo di un modello, e infine conduce alla valutazione e all’applicazione del modello. In particolare, l’uso delle tecniche di IA nello sviluppo di una medicina di precisione è fondamentale sia per la diagnosi delle patologie che per la realizzazione di programmi terapeutici sartoriali, specifici per il singolo paziente. Inoltre, con l’uso delle tecnologie basate sull’IA, il personale sanitario può fornire un servizio molto più efficiente ed efficace, con evidenti progressi diagnostici e terapeutici, volti a un miglioramento dell’assistenza. Nello specifico, l’IA trova applicazione in numerose patologie cardiovascolari, quali lo scompenso cardiaco, la fibrillazione atriale e la riabilitazione cardiovascolare, con l’obiettivo di offrire “il trattamento appropriato al paziente adatto al momento giusto”; tuttavia, l’IA non sostituisce l’intelletto del cardiologo, piuttosto, lo integra e lo rinforza con un’interazione sinergica.
Scompenso cardiaco
La storia naturale dello scompenso cardiaco (SC) alterna fasi di stabilità a fasi di esacerbazione, con un progressivo declino delle capacità funzionali e della qualità della vita. Negli ultimi anni, le tecniche di ML sono state utilizzate nel tentativo di facilitarne la diagnosi, ma soprattutto per identificare precocemente le riacutizzazioni di malattia, evitando l’ospedalizzazione del paziente; di conseguenza, ciò ha portato anche allo sviluppo di sistemi di monitoraggio remoto dei pazienti. Tra i diversi modelli predittivi di SC, emerge quello di Aljaaf et al., un modello di albero decisionale addestrato sul Cleveland Clinic Heart Disease Data Set, composto da 297 pazienti ciascuno caratterizzato da 13 variabili cliniche, in grado di stratificare gli individui in una delle cinque classi di rischio per lo sviluppo dello SC, con un’accuratezza della classificazione dell’86,5%. Ancora, Kwon et al. hanno sviluppato e convalidato un algoritmo di IA basato sul deep learning (DP) per la previsione della mortalità per SC acuto, prevedendo la mortalità intraospedaliera e a lungo termine dei pazienti in modo più accurato rispetto ai punteggi di rischio esistenti. L’altro campo di applicazione dell’IA nello SC riguarda il monitoraggio a distanza dei pazienti. Il monitoraggio dell’impedenza intratoracica (IIM) viene utilizzato per identificare l’accumulo di liquido nei polmoni, poiché l’elettricità viaggia meglio attraverso l’acqua (un conduttore) che attraverso l’aria (un isolante). Esistono in commercio ICD e CRT-D dotati di un sistema di monitoraggio dello stato dei fluidi (OptiVol, Medtronic, Inc, Minneapolis, MN). In particolare, le misure di impedenza vengono effettuate quotidianamente, con il calcolo di un valore di impedenza medio per ogni giorno. Il Medtronic Impedance Diagnostics in Heart Failure Trial (MIDHeFT) ha evidenziato una variazione rilevabile dell’impedenza intratoracica due settimane prima del ricovero per riacutizzazione di SC. Nello specifico, i dati sull’impedenza intratoracica raccolti durante MIDHeFT sono stati utilizzati per elaborare un algoritmo automatizzato (OptiVol fluid index), fornendo un allarme di imminente scompenso; tale algoritmo è stato sviluppato su una porzione casuale dei dati disponibili (dati di sviluppo) e quindi convalidato sui dati rimanenti (dati di convalida) [23]. In breve, questo algoritmo mostra l’accumulo di differenze giornaliere consecutive tra i parametri dell’impedenza giornaliera e di riferimento; probabilmente però il problema principale di questi dispositivi resta l’alto tasso di falsi positivi. D’altra parte, nello studio MultiSENSE, l’algoritmo HeartLogic (Boston Scientific, St.Paul, Minnesota), basato su diversi parametri raccolti da un CRT-D, ha mostrato una sensibilità del 70% per il rilevamento del successivo ricovero o visita ambulatoriale per il peggioramento dello SC. L’algoritmo è stato sviluppato utilizzando i dati del sensore e le informazioni sugli eventi di riacutizzazione di SC dei pazienti arruolati. In particolare, l’algoritmo HeartLogic combina i dati di molti sensori: primo e terzo tono cardiaco basati sull’accelerometro, impedenza intratoracica, frequenza respiratoria, rapporto tra frequenza respiratoria e volume corrente, frequenza cardiaca notturna e attività del paziente. Precisamente, il dispositivo utilizza le tecniche di ML per combinare questi molteplici dati in un modello specifico per ogni paziente; di conseguenza è possibile avere l’analisi combinata di più parametri fisiologici e il confronto con i parametri basali del paziente. Ogni giorno il dispositivo calcola il grado di peggioramento nei sensori rispetto al valore basale e fornisce un indice composito, che diventa disponibile dopo un’inizializzazione (30-37 giorni). Il CardioMEMS (Abbott Medical, Inc., Abbott Park, Illinois, USA) è un sensore wireless impiantabile nell’arteria polmonare, che rileva pressioni di riempimento cardiaco, una misura oggettiva della “congestione emodinamica”; tali pressioni aumentano più di due settimane prima dell’inizio della congestione clinica sintomatica. Una volta impiantato, il sensore fornisce dati emodinamici non invasivi che includono: la forma d’onda della pressione PA; pressione sistolica, diastolica e polmonare media; frequenza cardiaca. Gli algoritmi di IA per l’elaborazione dei dati sono fondamentali per identificare e ridurre gli artefatti. In particolare, gli algoritmi utilizzati dal CardioMEMS per analizzare la pressione dell’arteria polmonare includono tecniche avanzate di elaborazione del segnale, che si traducono in una minore distorsione e una maggiore fedeltà. Questo processo consente il rilevamento di sfumature nella singola forma d’onda, come il notch dicrotico.
Ipertensione arteriosa
Ci sono diversi esempi di analisi di big data nel campo dell’ipertensione arteriosa, perlopiù orientati a prevedere lo sviluppo di questa patologia o il raggiungimento del target pressorio. Koren et al. [53] hanno applicato le tecniche di ML per identificare i predittori del successo terapeutico su un ampio gruppo di pazienti ipertesi. Nella fase di addestramento, al computer è stato presentato un set di dati e per ogni esempio è stata fornita anche la classificazione corretta. La classificazione dell’algoritmo è stata suddivisa in due categorie di riferimento: “successo del trattamento” definito come pressione arteriosa inferiore a 140/90 mmHg entro 90 giorni dall’inizio terapia e “fallimento del trattamento” in qualsiasi altro caso. Il modello d’IA includeva alberi decisionali e reti neurali artificiali, che alla fine hanno confrontato varie classi di farmaci antipertensivi: i beta-bloccanti da soli o in combinazione erano più efficaci. In futuro, i big data associati alle diverse tecniche di IA potrebbero aiutare i medici a personalizzare le terapie antipertensive, al fine di ottenere un trattamento sartoriale per ogni individuo, e a riconoscere precocemente i pazienti a rischio, attraverso modelli di previsione.
Riabilitazione cardiologica
Esistono molte possibilità di applicazione dell’IA nel campo della riabilitazione cardiologica (RC); in particolare, diversi studi si sono concentrati sull’utilizzo di modelli predittivi per supportare i medici nella scelta del percorso specifico di cura riabilitativa. Goud et al. hanno istituito uno studio randomizzato in cluster in 21 centri di RC, confrontando gli effetti di un sistema di supporto decisionale computerizzato con l’assistenza standard. Nei centri che implementano il sistema di supporto decisionale, la concordanza con le raccomandazioni delle linee guida sulla RC è aumentata, riducendo sia i trattamenti eccessivi che i trattamenti sotto soglia. Una sfida significativa consiste nel convertire le previsioni e le raccomandazioni derivate dall’IA in azioni utili. Una migliore fenotipizzazione e una migliore stratificazione del rischio non portano necessariamente a un miglioramento della salute; ad esempio, l’IA può migliorare la prescrizione dell’esercizio, tuttavia la salute di un paziente migliorerà solo se il suo medico implementa questa prescrizione nella pratica e il paziente aderisce all’esercizio prescritto.
Limiti dell’IA
Gli algoritmi di IA sembrano molto promettenti, ma hanno anche dei limiti. In primo luogo, la DL necessita di una grande quantità di dati di addestramento di alta qualità, essenziali per l’utilizzo degli algoritmi di ML. Inoltre, gli algoritmi di IA sono soggetti a bias e l’applicazione di questi nuovi strumenti digitali solleva interrogativi sulla privacy e sulla sicurezza dei pazienti. Nello specifico, un ampio spettro di aspetti etici è coinvolto nell’uso dell’IA in medicina. Nella pratica clinica, tutte le tecniche di IA richiedono una certa quantità di dati e le informazioni utilizzate sono particolarmente sensibili poiché di solito riguardano i dati personali e clinici dei pazienti; pertanto, è fondamentale utilizzare tutte le strategie necessarie per rendere anonimi e proteggere questi dati.
In sintesi, i sistemi basati sull’IA supportano i cardiologi nelle attività mediche quotidiane, migliorando la diagnosi e il trattamento delle patologie cardiovascolari, tuttavia è improbabile che sostituiscano il rapporto medico-paziente, poiché l’empatia umana non potrà mai essere soppiantata da un computer.
Bibliografia
1. Visco, V.; Ferruzzi, G.J.; Nicastro, F.; Virtuoso, N.; Carrizzo, A.; Galasso, G.; Vecchione, C.; Ciccarelli, M., Artificial Intelligence as a Business Partner in Cardiovascular Precision Medicine: an Emerging Approach for Disease Detection and Treatment Optimization. Curr Med Chem. 2020 Dec 18. doi: 10.2174/0929867328666201218122633.
2. Bonderman, D., Artificial intelligence in cardiology. Wien Klin Wochenschr, 2017, 129, (23-24), 866-868.
3. Dorado-Diaz, P.I.; Sampedro-Gomez, J.; Vicente-Palacios, V.; Sanchez, P.L., Applications of Artificial Intelligence in Cardiology. The Future is Already Here. Rev Esp Cardiol (Engl Ed), 2019, 72, (12), 1065-1075.
4. Aljaaf, A.J.; Al-Jumeily, D.; Hussain, A.J.; Dawson, T.; Fergus, P.; Al-Jumaily, M., Predicting the likelihood of heart failure with a multi level risk assessment using decision tree. 2015 Third International Conference on Technological Advances in Electrical, Electronics and Computer Engineering (TAEECE), 2015, 101-106.
5. Kwon, J.M.; Kim, K.H.; Jeon, K.H.; Lee, S.E.; Lee, H.Y.; Cho, H.J.; Choi, J.O.; Jeon, E.S.; Kim, M.S.; Kim, J.J.; Hwang, K.K.; Chae, S.C.; Baek, S.H.; Kang, S.M.; Choi, D.J.; Yoo, B.S.; Kim, K.H.; Park, H.Y.; Cho, M.C.; Oh, B.H., Artificial intelligence algorithm for predicting mortality of patients with acute heart failure. PLoS One, 2019, 14, (7), e0219302.
6. Abraham, W.T., Intrathoracic impedance monitoring for early detection of impending heart failure decompensation. Congest Heart Fail, 2007, 13, (2), 113-115.
7. Yu, C.M.; Wang, L.; Chau, E.; Chan, R.H.; Kong, S.L.; Tang, M.O.; Christensen, J.; Stadler, R.W.; Lau, C.P., Intrathoracic impedance monitoring in patients with heart failure: correlation with fluid status and feasibility of early warning preceding hospitalization. Circulation, 2005, 112, (6), 841-848.
8. Boehmer, J.P.; Hariharan, R.; Devecchi, F.G.; Smith, A.L.; Molon, G.; Capucci, A.; An, Q.; Averina, V.; Stolen, C.M.; Thakur, P.H.; Thompson, J.A.; Wariar, R.; Zhang, Y.; Singh, J.P., A Multisensor Algorithm Predicts Heart Failure Events in Patients With Implanted Devices: Results From the MultiSENSE Study. JACC Heart Fail, 2017, 5, (3), 216-225.
9. Capucci, A.; Santini, L.; Favale, S.; Pecora, D.; Petracci, B.; Calo, L.; Molon, G.; Cipolletta, L.; Bianchi, V.; Schirripa, V.; Santobuono, V.E.; La Greca, C.; Campari, M.; Valsecchi, S.; Ammirati, F.; D’Onofrio, A., Preliminary experience with the multisensor HeartLogic algorithm for heart failure monitoring: a retrospective case series report. ESC Heart Fail, 2019, 6, (2), 308-318.
10. Abraham, W.T.; Adamson, P.B.; Hasan, A.; Bourge, R.C.; Pamboukian, S.V.; Aaron, M.F.; Raval, N.Y., Safety and accuracy of a wireless pulmonary artery pressure monitoring system in patients with heart failure. Am Heart J, 2011, 161, (3), 558-566.
11. Visco, V.; Esposito, C.; Vitillo, P.; Vecchione, C.; Ciccarelli, M., It is easy to see, but it is better to foresee: a case report on the favourable alliance between CardioMEMS and levosimendan. Eur Heart J Case Rep, 2020, 4, (4), 1-5.
12. Koren, G.; Nordon, G.; Radinsky, K.; Shalev, V., Machine learning of big data in gaining insight into successful treatment of hypertension. Pharmacol Res Perspect, 2018, 6, (3), e00396.
13. Goud, R.; de Keizer, N.F.; ter Riet, G.; Wyatt, J.C.; Hasman, A.; Hellemans, I.M.; Peek, N., Effect of guideline based computerised decision support on decision making of multidisciplinary teams: cluster randomised trial in cardiac rehabilitation. BMJ, 2009, 338, b1440.
14. Gevaert, A.B.; Adams, V.; Bahls, M.; Bowen, T.S.; Cornelissen, V.; Dorr, M.; Hansen, D.; Kemps, H.M.; Leeson, P.; Van Craenenbroeck, E.M.; Krankel, N., Towards a personalised approach in exercise-based cardiovascular rehabilitation: How can translational research help? A ‘call to action’ from the Section on Secondary Prevention and Cardiac Rehabilitation of the European Association of Preventive Cardiology. Eur J Prev Cardiol, 2019, 2047487319877716.
15. Hassol, A.; Walker, J.M.; Kidder, D.; Rokita, K.; Young, D.; Pierdon, S.; Deitz, D.; Kuck, S.; Ortiz, E., Patient experiences and attitudes about access to a patient electronic health care record and linked web messaging. J Am Med Inform Assoc, 2004, 11, (6), 505-513.
