Integrazione del modello di scansione TC Deep Learning, variabili biologiche e cliniche per prevedere la gravità dell'asma nei bambini (BREATHE)

L'intelligenza artificiale (AI) offre notevoli opportunità per l'assistenza sanitaria, supportando una diagnosi, un trattamento, una prevenzione e un'assistenza personalizzati migliori. L'analisi delle immagini sanitarie è uno dei campi più promettenti per l'applicazione dell'IA nell'assistenza sanitaria, contribuendo a una migliore previsione, diagnosi e cura delle malattie.

Il deep learning (DL) è attualmente una delle più potenti tecniche di machine learning. Gli algoritmi DL sono in grado di apprendere dai dati di input grezzi (o con poca pre-elaborazione) e costruire da soli sofisticate rappresentazioni di caratteristiche astratte (modelli utili) che consentono un processo decisionale molto accurato. Recentemente, DL ha mostrato risultati promettenti nell'assistere l'analisi delle malattie polmonari utilizzando immagini di tomografia computerizzata (TC).

Le attuali linee guida per l'asma grave raccomandano la TC ad alta risoluzione e multidetettore come strumento per la valutazione della malattia. Le scansioni TC contengono informazioni prognostiche, poiché la presenza di ispessimento della parete bronchiale, intrappolamento d'aria, restringimento del lume bronchiale e bronchiectasie sono associati a una maggiore durata e gravità della malattia negli adulti. Solo un piccolo numero di studi ha riportato i risultati della TC del torace nei bambini con asma grave e la loro relazione con i parametri clinici e patobiologici ha prodotto risultati incoerenti. Pertanto, fino a che punto le scansioni TC aggiungano informazioni prognostiche oltre a ciò che può essere dedotto dai dati clinici e biologici è ancora irrisolto nei bambini.

Il progetto dovrebbe costruire un punteggio di gravità DL per prevedere una grave evoluzione per i bambini con asma, utilizzando un modello DL per acquisire le informazioni sulla prognosi della scansione TC.