Sviluppo e validazione interna di modelli predittivi della storia naturale della scoliosi idiopatica e dei risultati del trattamento attraverso l'uso dell'intelligenza artificiale in un ampio database clinico (PREPARE)

La scoliosi è una deformità tridimensionale della colonna vertebrale. Nella sua forma più comune (circa il 70% dei casi), le cause sono sconosciute, per questo si parla di scoliosi idiopatica. Nella maggior parte dei casi viene scoperto dopo i 10 anni di età e viene definito diagnosticamente come una curva di almeno 10°, misurata su una radiografia in piedi con il metodo Cobb.

Se la scoliosi supera la soglia critica di 30° Cobb a fine crescita, il rischio di problemi sanitari e sociali nella vita adulta aumenta progressivamente. Per questo motivo, lo scopo principale del trattamento è quello di completare il periodo di crescita con una curva inferiore a 30° e un buon equilibrio sagittale, o almeno ben al di sotto dei 50°, che rappresentano la soglia chirurgica.

La crescita è un fattore favorente l'evoluzione delle deformità, pertanto i pazienti vengono seguiti fino al termine della crescita. Ecco perché la terapia può durare molti anni, dalla scoperta della presenza di una deformità fino al raggiungimento della maturazione ossea.

L'identificazione precoce di parametri predittivi dell'esito della terapia per indirizzare la minor aggressività possibile verso il risultato necessario per il futuro del paziente, integrata con la valutazione della sua efficacia (monitoraggio), costituisce uno degli obiettivi più importanti in questo campo per minimizzare l’onere del trattamento in una particolare fase della crescita come lo sviluppo adolescenziale, nonché individuare i soggetti maggiormente a rischio di peggioramento in età adulta.

La raccolta sistematica di dati clinici durante il processo terapeutico offre la possibilità, attraverso modelli di analisi avanzati, applicati retrospettivamente, di identificare fattori predisponenti e fattori protettivi. Quando i dati disponibili sono sufficientemente ampi, è possibile ottenere equazioni predittive che assistono i medici nelle scelte terapeutiche e aiutano i pazienti a comprendere i rischi e i benefici delle terapie disponibili. Le nuove tecnologie come le tecniche di intelligenza artificiale offrono modi nuovi e interessanti per stimare i rischi e calcolare i benefici e la sicurezza di alcune scelte terapeutiche rispetto ad altre.

Questo studio mira a sviluppare e convalidare internamente modelli di stratificazione e previsione basati sui dati per prevedere molteplici misure di esito di fine cura che includono l'ampiezza della curva, misurata in gradi Cobb, misure che determinano l'equilibrio sagittale e misure di qualità della vita e funzionalità misurate attraverso questionari autocompilati.