L'Utilizzo dell'Intelligenza Artificiale per la Previsione della Recidiva Dopo la Resezione delle Metastasi Epatiche Colorettali (AI-RECOLMET)

Il cancro del colon-retto (CRC) è il terzo tumore più comune a livello mondiale e la quarta causa più comune di decessi correlati al cancro. La sopravvivenza è principalmente determinata dallo stadio della malattia e dalla presenza di metastasi. La sopravvivenza a cinque anni tra i pazienti con CRC metastatico è del 12-19% rispetto al 90% nei pazienti con malattia localizzata, con metastasi epatiche da cancro del colon-retto (CRLM) che si verificano nel 30-50% dei pazienti con CRC e responsabili di due terzi delle morti correlate al CRC. I recenti progressi nel trattamento delle CRLM hanno aumentato la sopravvivenza globale (OS) dei pazienti da 6 mesi a tassi di sopravvivenza a 5 anni del 25-40%. La combinazione tra chemioterapia e resezione epatica rimane l'opzione terapeutica con il maggior beneficio di sopravvivenza per i pazienti con CRLM. Con la chirurgia che rappresenta ancora l'unico trattamento potenzialmente curativo riconosciuto, d'altra parte, la chemioterapia moderna, anche grazie all'introduzione di farmaci biologici, ha portato a una migliore risposta e tassi di sopravvivenza per i pazienti con metastasi epatiche, contribuendo anche ad aumentare il tasso di resecabilità (cioè il numero di pazienti resi operabili grazie alla citoreddizione successiva alla terapia medica).

Fino al 30% dei pazienti può essere curato se le metastasi nel fegato possono essere completamente rimosse (il termine medico per questo è "resezione"). Affinché la chirurgia sia considerata, una malattia oncologica deve essere radicalmente resecabile dal punto di vista tecnico. Allo stesso tempo, dopo la resezione deve essere lasciata una quantità adeguata di fegato normale per sostenere la vita. Le terapie locoregionali, inclusa l'ablazione termica, la chemioembolizzazione e la radioterapia, sono anche utilizzate per gestire i pazienti con CRLM come alternative al trattamento curativo convenzionale. In particolare, il trattamento locoregionale delle CRLM può beneficiare dell'ablazione termica, sia a radiofrequenza che a microonde. Infatti, anche se la resezione rimane il trattamento locoregionale di scelta per le metastasi epatiche resecabili, l'ablazione può offrire benefici simili in pazienti selezionati, aiutando a risparmiare il parenchima epatico sano.

Nonostante questi significativi miglioramenti nella prognosi, una grande proporzione di pazienti (quasi la metà) sperimenterà comunque una recidiva dopo la combinazione di trattamenti locoregionali. Con il miglioramento delle terapie non chirurgiche, i pazienti che recidivano potrebbero sottoporsi a un trattamento non chirurgico piuttosto che alla resezione. Pertanto, è di fondamentale importanza definire al meglio la strategia di trattamento per i pazienti basandosi su una stima accurata della prognosi dopo il trattamento, bilanciando il rischio perioperatorio di morbilità/mortalità con il rischio di recidiva. Identificare in anticipo questi pazienti recidivanti sarebbe cruciale per evitare chirurgia futile o per assegnarli a trattamenti adiuvanti farmacologici (cioè postoperatori).

La maggior parte dei pazienti con CRLM si sottopone a programmi di chemioterapia preoperatoria con una probabilità di risposta di circa il 60% dei casi. I costi sanitari e biologici dei programmi di chemioterapia sono significativi. Inoltre, esistono attualmente diversi regimi chemioterapici, ma mancano dati indicativi di quale regime sia efficace in quale paziente. Identificare in anticipo questi pazienti rispondenti sarebbe estremamente determinante per evitare un trattamento chemioterapico futile senza beneficio clinico e per guidare la scelta di assegnarli o meno a trattamenti neoadiuvanti farmacologici (cioè trattamenti preoperatori) e la selezione del regime adiuvante. A sua volta, è importante distinguere precocemente i rispondenti dai non rispondenti per selezionare l'approccio terapeutico più appropriato.

Le caratteristiche cliniche dei pazienti e della malattia, oltre all'imaging radiologico, si sono dimostrate tutti strumenti indispensabili che aiutano a valutare l'estensione della malattia, valutare la risposta al trattamento e identificare le tossicità dei farmaci e la recidiva. Alcuni studi suggeriscono che le analisi delle caratteristiche di texture possano rilevare quantitativamente le metastasi epatiche prima che diventino visivamente rilevabili dal radiologo. Tuttavia, il valore di questi fattori convenzionali da soli nel prevedere la prognosi delle CRLM è limitato. Negli ultimi anni sono stati sviluppati sistemi di punteggio prognostico multifattoriale come potenziali predittori di recidiva dopo la resezione epatica, ma questi presentano ancora limitazioni in termini di applicabilità, sensibilità e specificità. Sono urgentemente necessari nuovi indicatori prognostici accurati nei pazienti con CRLM. In particolare, c'è una necessità clinica di identificare a priori pazienti che hanno diverse probabilità di sviluppare recidiva della malattia dopo trattamento locoregionale (resezione epatica con o senza ablazione termica) e diversa risposta al trattamento chemioterapico, al fine di perfezionare un'assegnazione basata sul rischio ai trattamenti e delle risorse. Come noto, l'Intelligenza Artificiale (IA) è un ramo dell'informatica che mira a simulare l'intelligenza e i comportamenti umani per assistere gli esseri umani in compiti specifici. La diffusa digitalizzazione dell'assistenza sanitaria genera una vasta quantità di dati e, insieme a un'elaborazione ad alte prestazioni accessibile, le tecnologie IA possono essere applicate per superare le attuali limitazioni nella stima della recidiva delle CRLM e della risposta dopo trattamenti locoregionali e chemioterapici, raggiungendo così un'assegnazione più precisa ai trattamenti rispetto alla pratica attuale.

La tomografia computerizzata (TC) è l'imaging di scelta per la stadiazione e il follow-up nella maggior parte dei pazienti con CRLM. Tuttavia, molti fattori potrebbero influenzare la recidiva e l'OS. Ad esempio, fino al 25% delle lesioni potrebbe non essere rilevato. Una meta-analisi ha riportato che la TC con mezzo di contrasto aveva una sensibilità e specificità rispettivamente dell'82% e dell'84% per rilevare lesioni epatiche. Tuttavia, per lesioni inferiori a 1 cm, la sensibilità scende al 31-38%. La risonanza magnetica (RM) è la modalità più accurata per rilevare le CRLM; tuttavia, è tipicamente utilizzata come strumento secondario nella pratica. La RM ha il vantaggio di poter rilevare e caratterizzare lesioni anche più piccole di 10 mm e non presenta rischi di radiazioni. Gli agenti di contrasto epatocito-specifici hanno una sensibilità del 95% per rilevare metastasi epatiche.

Nonostante il loro valore, la valutazione visiva TC e RM non riesce a valutare i cambiamenti microstrutturali come i cambiamenti perfusionali o necrotici intra-lesionali che potrebbero essere indicatori precoci di un alto rischio per la progressione tumorale locale. Inoltre, una scarsa qualità dell'imaging potrebbe portare all'incapacità di riconoscere tutte le metastasi. Pertanto, l'interesse nell'uso di strumenti basati sull'IA per ottimizzare la qualità dell'imaging e l'uso dell'imaging quantitativo è cresciuto con l'uso dell'analisi della texture o della radiomica. La radiomica consiste nell'estrarre una grande quantità di caratteristiche quantitative dalle immagini mediche in combinazione con modelli di apprendimento automatico (ML) per prevedere endpoint clinici. Recentemente, la radiomica è stata studiata come indicatore prognostico/predittivo per esiti clinici in diversi tipi di tumore e analisi di sopravvivenza con risultati promettenti su CLRM trattati con ablazione a microonde. Tuttavia, poche prove sono disponibili per il fegato e per le CRLM e alcuni studi suggeriscono che le analisi delle caratteristiche di texture possano aiutare quantitativamente il radiologo a modificare gli approcci clinici.

Tutte le caratteristiche radiomiche possono anche aiutare nell'addestramento di reti neurali finalizzate a rilevare metastasi epatiche prima che diventino visivamente rilevabili dal radiologo.

Pertanto, questo studio mira a valutare se un modello ML multifattoriale (inclusi clinici e radiomici) possa identificare pazienti con CRLM ad alto rischio di progressione dopo chemioterapia e recidiva dopo resezione epatica. La fase di modellazione avverrà su S-RACE di D34Health, basato su Azure Machine Learning su Azure Cloud, fornendo strumenti e metodi utili necessari per modellare il problema, come istanze di calcolo e strumenti di modellazione, come Jupyter Notebooks, abbinati agli strumenti di collaborazione e privacy integrati.

Inoltre, il valore aggiunto dei dati clinici potrebbe essere utilizzato per costruire modelli clinici e combinati per una migliore previsione degli esiti.

Lo studio è configurato come uno studio osservazionale, retrospettivo, monocentrico. I soggetti affetti da CRLM e operati di resezione epatica nel nostro ambiente ospedaliero saranno selezionati secondo criteri di eleggibilità.