Ecografia muscolare basata sull'intelligenza artificiale per valutare la debolezza acquisita in unità di terapia intensiva (ACTIVATE)

La debolezza acquisita in terapia intensiva (ICUAW) è una delle complicanze neuromuscolari più comuni nei pazienti trattati in terapia intensiva. Con l’aumento della gravità della malattia e soprattutto nei pazienti analgosedati, ventilati e deliranti con limitata capacità di cooperare durante l’esame clinico, l’individuazione e il follow-up dell’ICUAW sono limitati se non impossibili. La diagnosi clinica e la valutazione della gravità dell’ICUAW vengono solitamente effettuate con l’aiuto di metodi diagnostici consolidati (ad es. esame clinico-neurologico, Medical Research Council-Sum Score, esami elettrofisiologici), che però non possono essere eseguiti regolarmente se il paziente non collabora, ritardando così la diagnosi di ICUAW e rendendo più difficoltoso il follow-up. L’ecografia neuromuscolare (NMUS), d’altro canto, è un’opzione di esame non invasiva e facile da usare, in gran parte indipendente dalla compliance del paziente e viene sempre più studiata nei pazienti con ICUAW. È stato dimostrato che la NMUS può rilevare l’ICUAW ed è utile per valutare la gravità della debolezza muscolare. Tuttavia, la registrazione standardizzata e il follow-up mediante procedure di punteggio (ad esempio la scala Heckmatt a 4 stadi) vengono valutati dall'esaminatore come parzialmente soggettivi e ogni singola immagine ecografica deve essere acquisita con l'occhio umano, tenendo conto di diversi parametri dell'immagine . Per superare questi limiti diagnostici, l’intelligenza artificiale (AI) potrebbe rappresentare un’utile estensione o addirittura un’alternativa.

L’intelligenza artificiale viene già utilizzata in vari modi nella diagnostica medica (ad esempio nell’individuazione di tumori e nella valutazione degli organi) e sempre più anche nell’analisi delle immagini ecografiche. In questo studio, i ricercatori mirano a utilizzare l’intelligenza artificiale, in particolare le reti neurali convoluzionali (CNN), per classificare le immagini ecografiche in diverse categorie in base alla debolezza muscolare. Il vantaggio principale dell’utilizzo dell’intelligenza artificiale per tali compiti risiede nell’automazione che fornisce. Una volta che un modello di intelligenza artificiale è stato addestrato su una serie iniziale di immagini, può classificare rapidamente immagini nuove e invisibili, riducendo significativamente il tempo e lo sforzo umano necessari per la diagnosi. I modelli di intelligenza artificiale possono analizzare grandi quantità di dati in modo rapido e coerente, il che è particolarmente vantaggioso in un contesto clinico di terapia intensiva. Applicando l’intelligenza artificiale, questo studio mira ad addestrare il rilevamento e la classificazione della debolezza muscolare nei pazienti trattati in terapia intensiva. Tuttavia, una sfida con i modelli di intelligenza artificiale è la loro natura di “scatola nera”, in cui il processo decisionale non è trasparente. Per risolvere questo problema, i ricercatori utilizzeranno tecniche di intelligenza artificiale spiegabile (XAI) come Grad-CAM (Gradient-weighted Class Activation Mapping) per visualizzare le aree specifiche delle immagini ecografiche su cui il modello AI si concentra nella sua analisi. Ciò non solo aiuta a convalidare le decisioni dell’IA, ma fornisce anche informazioni dettagliate sui cambiamenti morfologici nei muscoli che presentano diversi gradi di debolezza.

Integrando AI e XAI, il team di studio mira non solo ad automatizzare il rilevamento e la categorizzazione della debolezza muscolare, ma anche a migliorare la nostra comprensione dei cambiamenti morfologici sottostanti nei muscoli. Questo duplice approccio potrebbe portare a una diagnosi più accurata e affidabile e, in definitiva, a migliorare i risultati per i pazienti in terapia intensiva.