Intelligenza artificiale per la prevenzione delle malattie cardiache (AiPHD): studio osservazionale, monocentrico, prospettico e retrospettivo (AiPHD)

Contesto e motivazione

Negli ultimi anni, la cCTA è diventata uno strumento diagnostico cruciale per sospetta CAD, raccomandato come test di prima linea per i pazienti con una probabilità pre-test intermedia di CAD dalle linee guida della Società Europea di Cardiologia (ESC) [doi:10.1093/eurheartj/ ehz425] e l’American HeartAssociation (AHA) [doi: 10.1016/j.jacc.2021.07.053] e le linee guida italiane [doi: 10.1007/s11547-021-01378-0], a causa del noto alto valore predittivo negativo del cCTA in escludendo una CAD ostruttiva. Tuttavia, la maggior parte dei pazienti presenta una CAD non ostruttiva.

Mentre la gestione dei pazienti con CAD ostruttiva è consolidata, poiché ruota attorno a ulteriori test diagnostici per la valutazione dell’ischemia o alla rivascolarizzazione anticipata dell’arteria coronaria, questo non è il caso dei pazienti con CAD non ostruttiva. Tuttavia, questa coorte di pazienti presenta ancora un rischio significativo di sviluppare eventi avversi cardiovascolari maggiori (MACE) [doi: 10.1007/s11547-021-01378-0] che potrebbero essere prevenuti implementando una terapia medica adeguata. Ad oggi sono stati proposti molti approcci per affrontare questo problema. Tuttavia, queste soluzioni proposte non hanno la capacità di fornire risultati quantitativi e riproducibili con un valore predittivo sufficientemente forte, sono spesso proposte come soluzione autonoma senza l'integrazione con imaging prognostico multiplo e parametri clinici e non vengono fornite attraverso piattaforme in grado di fornire validazione esterna e facile integrazione nel flusso di lavoro clinico. Tra gli approcci prognostici proposti, alcuni si basano sulla valutazione qualitativa delle caratteristiche della placca coronarica, come rimodellamento positivo, bassa attenuazione della placca, presenza di calcificazioni a chiazze e segno del "portatovagliolo" [doi:10.1093/ehjci/jew200; DOI:10.1016/j.jcmg.2012.09.016; doi: 10.1161/CIRCIMAGING.117.006973], che è soggetto a significativa variabilità tra lettori [doi: 10.1016/j.jcct.2017.11.014].

Altri approcci si basano su metodi quantitativi per valutare il carico aterosclerotico in base all'estensione delle placche coronariche e alle loro caratteristiche, come densità di calcio, numero di lesioni, distribuzione regionale, volume della placca, volume della placca non calcificata, ecc. [DOI: 10,1016/j .ajpc.2022.100423].

Tuttavia, questi approcci possono essere ostacolati dalla bassa riproducibilità, soprattutto tra diversi fornitori di scanner [10.1148/radiol.2016161670].

È interessante notare che una nuova ricerca ha anche dimostrato che, oltre alle caratteristiche della parete dei vasi dell’arteria coronaria, l’attenuazione del tessuto adiposo pericoronarico ha un significativo valore predittivo, poiché riflette lo stato di infiammazione coronarica che svolge un ruolo chiave nello sviluppo e nella progressione dell’aterosclerosi coronarica [10.1016/ j.jcct.2021.03.005].

Tutte queste caratteristiche CAD vengono spesso analizzate indipendentemente l'una dall'altra, riducendo il loro potenziale valore prognostico sinergico e creando variabili ridondanti che hanno un effetto trascurabile sulla prognosi. Proponiamo un'analisi basata sull'intelligenza artificiale in grado di integrare tutti questi dati al fine di selezionare il determinante più importante della progressione della CAD e di scartare le caratteristiche inutili, creando così un modello di stratificazione del rischio agile e clinicamente prezioso. Inoltre, prevediamo di creare un nuovo sistema di imaging marcatore di CAD con esito sfavorevole, da integrare nel modello basato sull'intelligenza artificiale, che si baserà sulle caratteristiche topologiche dell'albero dell'arteria coronaria. Infatti, i dati sull'associazione tra la topologia dell'arteria coronaria (ad esempio, lunghezza del vaso, indice del volume dell'arteria coronaria, area della sezione trasversale, curvatura e tortuosità) e la prognosi sono scarsi. Tuttavia, è noto che la tortuosità dei vasi influenza lo shear stress della parete e porta all’interruzione del flusso laminare, con conseguente disfunzione endoteliale e alterazioni del flusso che possono portare all’aterosclerosi, causando infine eventi cardiaci avversi [DOI: doi.org/10.3390/diagnostics12092178]. Pertanto, questo nuovo biomarcatore può svolgere un ruolo prognostico significativo. Sulla base di queste premesse, la nostra ricerca mira a sviluppare un nuovo modello basato sull’intelligenza artificiale per l’imaging clinico per identificare e classificare i pazienti ad alto rischio di progressione della malattia e fornire un approccio gestionale più personalizzato per migliorare i risultati dei pazienti.

Tuttavia, oltre all’obiettivo primario di creare un modello basato sull’intelligenza artificiale per la stratificazione del rischio CAD, miriamo a superare alcuni problemi che attualmente ostacolano la diffusa applicazione clinica dell’intelligenza artificiale nelle cure cardiovascolari. Infatti, è riconosciuto che attualmente manca l’integrazione delle applicazioni basate sull’intelligenza artificiale nel flusso di lavoro clinico, che aumenterà l’usabilità e ridurrà i costi [10.3389/fcvm.2021.818765].

Il nostro obiettivo è affrontare questi problemi con l'aiuto dei partner industriali coinvolti in questo progetto che costruiranno una piattaforma in grado di fornire la soluzione software per fornire la validazione esterna dell'algoritmo.

Questa piattaforma sarà caratterizzata da misure di sicurezza all’avanguardia, interoperabilità con gli attuali software clinici e un’interfaccia facile da usare.