CMR-AI ed esiti nella stenosi aortica

L’intelligenza artificiale (AI) e il machine learning stanno rimodellando la nostra pratica clinica quotidiana, che ha il potenziale per essere più efficiente, precisa e personalizzata. L'adozione di queste tecnologie nell'imaging cardiaco non solo influisce sul processo decisionale migliorando l'accuratezza e la stratificazione del rischio, ma riduce anche significativamente i tempi di scansione e l'elaborazione post-imaging.

Le attuali linee guida riconoscono la risonanza magnetica cardiaca (CMR) come gold standard per la valutazione della struttura e della funzione miocardica. Sebbene siano di fondamentale importanza in varie malattie cardiache, le misurazioni delle dimensioni, della massa e della frazione di eiezione (FE) sono viziate dalla variabilità intrinseca e dalla soggettività dell'analisi umana. I recenti sviluppi nell’apprendimento profondo utilizzando le reti neurali convoluzionali (CNN) consentono la segmentazione automatizzata del pool sanguigno ventricolare e del miocardio utilizzando set di dati CMR preesistenti. È importante sottolineare che questi strumenti sono integrati negli scanner CMR generando misurazioni in tempo reale senza la necessità di una lunga post-elaborazione delle immagini. I modelli basati sull’intelligenza artificiale hanno precedentemente dimostrato una precisione superiore nelle misurazioni del contorno ventricolare, della volumetria e dello spessore massimo della parete, superando gli esperti clinici.

Nei pazienti con stenosi aortica (SA), i cambiamenti nella FE si verificano più spesso nelle fasi avanzate del processo patologico. L'accorciamento longitudinale rappresenta un indicatore precoce e più sensibile della disfunzione ventricolare sinistra (LV). Tuttavia, queste misurazioni rimangono soggettive, richiedono molto tempo e pertanto non vengono eseguite di routine a causa della mancanza di analisi automatizzate. Recentemente, è stato dimostrato che l'accorciamento longitudinale globale (GLS) e l'escursione sistolica del piano anulare mitralico (MAPSE) misurati dall'intelligenza artificiale forniscono risultati più riproducibili e accurati, rispetto agli esperti umani. I ricercatori ipotizzano che GLS e MAPSE basati sull’intelligenza artificiale potrebbero fornire importanti informazioni prognostiche oltre la LVEF nella SA grave e rappresentare marcatori precoci di rimodellamento cardiaco avverso.

Inoltre, i ricercatori hanno potuto dimostrare in precedenza che la disfunzione del ventricolo destro (RV) alla CMR, piuttosto che i parametri convenzionali valutati mediante ecocardiografia, era indipendentemente associata all'esito nei soggetti con AS sottoposti a impianto di valvola aortica transcatetere. I ricercatori mirano ad ampliare i nostri risultati e indagare se il GLS del ventricolo destro basato sull'intelligenza artificiale e l'escursione sistolica del piano anulare tricuspide (TAPSE) rappresentano marcatori precoci di disfunzione del ventricolo destro che indicano una prognosi avversa.

Infine, la valutazione del rimodellamento cardiaco inverso mediante CMR richiede elevata precisione (= riproducibilità). È stato dimostrato che l’intelligenza artificiale supera gli esseri umani sia in termini di precisione che di accuratezza e pertanto ha un grande potenziale per la valutazione completa dei cambiamenti strutturali longitudinali nell’AS in seguito alla sostituzione della valvola. I ricercatori mirano ad analizzare il rimodellamento cardiaco inverso nei pazienti con AS utilizzando la nuova tecnologia AI.

Obiettivi

Grazie ai significativi contributi apportati in passato all'imaging cardiaco e alle cardiopatie valvolari, i ricercatori mirano ad ampliare le conoscenze in questo campo esplorando quanto segue:

• Associazione dei marcatori strutturali e funzionali del ventricolo sinistro e del ventricolo destro misurati con AI sulla CMR in pazienti con AS grave con esiti clinici dopo sostituzione della valvola aortica (AVR).
• Inversione del rimodellamento cardiaco dal basale a 12 mesi dopo l'AVR, come determinato dai metodi CMR basati sull'intelligenza artificiale.
• L’obiettivo finale è fornire algoritmi automatizzati, precisi e che consentano di risparmiare tempo per identificare i pazienti a rischio sottoposti a AVR.

Metodi

Si tratta di uno studio osservazionale internazionale, multicentrico e multicoorte su larga scala. Saranno invitati a partecipare i pazienti con SA degenerativa grave programmati per la discussione sul trattamento valvolare in un Heart Team interdisciplinare. L'iscrizione verrà effettuata in modo prospettico presso sette centri di assistenza terziaria affiliati all'università nell'Europa continentale, nel Regno Unito e in Asia.

La valutazione di base comprende l'anamnesi, l'esame obiettivo, gli esami del sangue di routine, l'elettrocardiogramma, l'ecocardiografia e l'imaging CMR. I pazienti saranno seguiti prospetticamente da una visita ambulatoriale a 12 mesi. Inoltre, la CMR verrà ripetuta a 1 anno.