Modello AI per la previsione della densità minerale ossea da immagini a raggi X

Questo studio mira a sviluppare un robusto modello di intelligenza artificiale (AI) per prevedere la densità minerale ossea (BMD) da immagini a raggi X utilizzando tecniche di deep learning, con particolare attenzione al miglioramento della generalizzabilità del modello tra diverse popolazioni. Lo scopo è quello di fornire uno strumento di screening accessibile e non invasivo per l’osteoporosi, riducendo la dipendenza dalle scansioni DEXA (assorbimetria a raggi X a doppia energia), che spesso non sono disponibili o inaccessibili in contesti con poche risorse come il Bangladesh. Sfruttando l’architettura della rete neurale convoluzionale (CNN), questo modello di intelligenza artificiale dovrebbe assistere nella diagnosi e nella gestione precoce dell’osteoporosi, migliorando in definitiva il processo decisionale clinico e l’efficienza sanitaria.

Questo studio osservazionale caso-controllo sarà condotto presso il Dipartimento di Radiologia del Centro diagnostico e di consultazione Ibn Sina, Uttara. Lo studio comprende fasi di raccolta dati sia prospettiche che retrospettive, consentendo un'aggregazione completa dei dati. Durante la fase prospettica, i dati verranno raccolti direttamente dai pazienti idonei sottoposti a radiografie e scansioni DEXA. Per la fase retrospettiva, i dati storici verranno estratti dai database clinici, comprese le immagini radiografiche e i corrispondenti rapporti sulla BMD. Lo studio mira ad affrontare le variazioni nella salute delle ossa in un’ampia fascia demografica, riflettendo la prevalenza dell’osteoporosi tra diverse età, sesso e background clinico in Bangladesh.

In Bangladesh, l’osteoporosi rimane sottodiagnosticata a causa della disponibilità limitata di scanner DEXA e di personale qualificato, in particolare nelle aree rurali e con risorse limitate. Il percorso diagnostico standard spesso inizia con l'imaging a raggi X sintomatico, seguito da una scansione DEXA se si sospetta l'osteoporosi. Questo processo in due fasi è costoso e richiede molto tempo, ritardando la diagnosi e il trattamento, il che può portare a gravi complicazioni, comprese le fratture. Le previsioni della densità minerale ossea basate sull’intelligenza artificiale ricavate dalle immagini a raggi X hanno il potenziale per semplificare questo percorso, consentendo uno screening economicamente vantaggioso e la definizione delle priorità dei pazienti che potrebbero aver bisogno di ulteriori test basati su DEXA. Il modello di intelligenza artificiale verrà addestrato utilizzando un set di dati completo che include covariate demografiche e cliniche, come età, sesso, stato della menopausa e condizioni di comorbilità come il diabete e le correlazioni di malattie cardiovascolari che potrebbero migliorare l’accuratezza della previsione. In definitiva, l’obiettivo è offrire una soluzione affidabile e scalabile per lo screening dell’osteoporosi che possa essere integrata nei flussi di lavoro clinici esistenti e alleviare la necessità di DEXA in contesti in cui non è disponibile.

Lo studio si rivolge a un gruppo eterogeneo di popolazione, compresi individui con densità ossea normale, osteopenia e osteoporosi come definito dalle misurazioni DEXA. Questa diversità garantisce che il modello di intelligenza artificiale possa tenere conto di un ampio spettro di profili di pazienti e migliorare la sua robustezza predittiva. La popolazione sarà composta da adulti di tutte le fasce d’età e di tutti i sessi, compresi individui sintomatici e asintomatici.

Lo studio seguirà un protocollo strutturato per la raccolta dei dati, con l'obiettivo di raccogliere informazioni complete sui pazienti che potrebbero influenzare la salute delle ossa. Le variabili chiave includeranno dettagli demografici come età, sesso e stato della menopausa; variabili cliniche come la presenza di comorbilità come diabete e malattie cardiovascolari, BMI e storia di fratture; e risultati diagnostici e di imaging, in particolare immagini a raggi X (colonna vertebrale o anca) e risultati della scansione DEXA per valori BMD reali. Nella fase prospettica, i pazienti idonei sottoposti a radiografie o scansioni DEXA verranno contattati per il consenso e, previo accordo, i loro dati clinici e demografici verranno registrati, incluso un identificatore univoco per garantire l'integrità e la riservatezza dei dati. Verranno quindi raccolte immagini anonimizzate di raggi X e DEXA, che costituiranno il set di dati primario per l’addestramento dell’IA. La fase retrospettiva comporterà l'estrazione dei dati dalle cartelle cliniche esistenti, concentrandosi sulle immagini radiografiche della colonna vertebrale e dell'anca e sui corrispondenti risultati della BMD. Le informazioni identificabili del paziente verranno rimosse per proteggere la privacy. Questo set di dati storici integrerà i dati prospettici, fornendo uno spettro più ampio di casi e contribuendo alla generalizzabilità del modello.

Il modello AI sarà sviluppato utilizzando l’architettura CNN su misura per la previsione basata su immagini. Inizialmente verrà condotta un’analisi esplorativa dei dati per comprendere la distribuzione dei principali fattori demografici e clinici, che informeranno l’equilibrio e la struttura del set di dati. Una volta che i dati sono stati puliti ed elaborati, il modello CNN sarà addestrato a prevedere i valori BMD direttamente dalle immagini a raggi X, con le misurazioni DEXA effettive che fungeranno da verità di base. Le prestazioni del modello verranno valutate utilizzando parametri critici per l'applicazione clinica, tra cui l'errore assoluto medio (MAE) e il coefficiente di correlazione di Pearson (PCC) per valutare l'accuratezza della previsione, nonché l'area sotto la curva di precisione-richiamo (AUPRC) e l'accuratezza complessiva per misurare la diagnostica robustezza. Per garantire ulteriormente l'accuratezza, verrà applicata una tecnica di convalida incrociata k-fold, generando valori medi e deviazioni standard per ciascuna metrica, fornendo così informazioni sulla coerenza del modello. I confronti tra varie architetture e metodologie di addestramento della CNN identificheranno l'approccio ottimale per la previsione della BMD.

Una volta completato, il modello AI fungerà da strumento diagnostico assistivo per la valutazione della BMD dalle immagini a raggi X, con diverse applicazioni previste. In primo luogo, il modello supporterà la diagnosi precoce dell’osteoporosi identificando bassi valori di BMD, consentendo ai medici di rilevare l’osteoporosi in una fase iniziale del percorso diagnostico e potenzialmente migliorando i risultati dei pazienti. In secondo luogo, aiuterà il processo decisionale clinico consentendo agli operatori sanitari di dare priorità ai pazienti per ulteriori test, in particolare in contesti con risorse limitate. In terzo luogo, l’analisi delle covariate cliniche quali età, sesso e comorbilità con la densità minerale ossea potrebbe affinare la valutazione del rischio, supportando strategie di gestione dell’osteoporosi più personalizzate. Infine, l’archiviazione strutturata di immagini, valori BMD e dati clinici supporterà la futura ricerca sulla salute delle ossa, migliorando lo screening dell’osteoporosi e le capacità di cura preventiva.

Questo studio non richiede strutture aggiuntive oltre a quelle già disponibili nei reparti di radiologia clinica per la scansione a raggi X e DEXA. Le funzionalità di archiviazione dei dati esistenti supporteranno la gestione dei dati, garantendo il rispetto degli standard di privacy e sicurezza per le informazioni sui pazienti. In sintesi, il modello di intelligenza artificiale di questo studio cerca di fornire una soluzione praticabile e scalabile per lo screening dell’osteoporosi offrendo previsioni BMD accurate e non invasive dalle immagini a raggi X. Questo approccio ha il potenziale per migliorare l’accesso all’assistenza sanitaria, soprattutto in contesti rurali e con poche risorse, dove può funzionare come strumento di screening che mitiga la dipendenza dalle costose scansioni DEXA.