Il tromboembolismo venoso (TEV) è una condizione medica che include la trombosi venosa profonda (TVP) e l’embolia polmonare (EP). È una delle principali cause di mortalità cardiovascolare, con l’EP classificata come la terza causa di morte tra le malattie cardiovascolari. Nonostante la costante introduzione di nuovi score prognostici, la gestione del TEV può essere complessa.
Tradizionalmente, la gestione clinica acuta e cronica del TEV si basa su una combinazione di parametri clinici e di laboratorio, supportati da immagini radiologiche come l’ecocardiogramma transtoracico e la tomografia computerizzata. Le principali linee guida si avvalgono infatti di questi strumenti per classificare i pazienti con EP acuta in funzione del rischio di mortalità precoce. Tuttavia, questo processo può richiedere tempo ed essere soggetto a variabilità nell’interpretazione dei risultati. Inoltre, nonostante i numerosi Risk Assesment Models (RAMs) validati per la predizione del rischio di recidiva di TEV a lungo termine, vi è ancora incertezza riguardo alla loro effettiva capacità discriminante, che impedisce a questi strumenti di essere indicati dalla linee guida per l’uso routinario.
In questo contesto, l’Intelligenza Artificiale (AI) e la radiomica hanno dimostrato un grande potenziale per migliorare la diagnosi del TEV e la valutazione del rischio di eventi avversi successivi. L’AI, che imita l’intelligenza umana attraverso algoritmi che eseguono compiti cognitivi come l’apprendimento e la decisione, è stata utilizzata per analizzare rapidamente una grande mole di dati provenienti dal mondo “reale”. Questo approccio ha importanti applicazioni, specialmente nell’analisi dei dati prognostici e nella gestione del rischio di TEV.
Uno degli utilizzi principali dell’AI nel TEV è la valutazione del rischio di recidiva mediante lo sviluppo di score prognostici attraverso l’uso di reti neurali. Diversi studi hanno mostrato una buona probabilità di individuare pazienti ad alto rischio, con modelli che hanno un’ottima precisione, al pari o superiori dei modelli attualmente disponibili. Tuttavia, molti di questi modelli necessitano ancora di validazioni esterne per confermarne l’affidabilità.
La radiomica, che estrae una vasta gamma di caratteristiche dalle immagini mediche utilizzando metodi statistici e di machine learning, ha visto un aumento significativo delle sue applicazioni, specialmente in oncologia. Tecniche di radiomica hanno dimostrato anche di poter migliorare la gestione acuta del TEV, ad esempio facilitando il triage e la rilevazione assistita da computer nelle scansioni acquisite dalle macchine di Tomografia Computerizzata. Per esempio, studi recenti hanno dimostrato l’efficacia delle IA nel prevedere il deterioramento dei pazienti con EP acuta non ad alto rischio di mortalità, basandosi su parametri come il rapporto dei diametri del ventricolo destro/sinistro (RV/LV) e la presenza di anomalie di riempimento delle vene polmonari. Questi strumenti hanno mostrato un’alta sensibilità e specificità nella valutazione dei pazienti, con alcuni modelli che hanno raggiunto una precisione del 99,26%.
Problemi aperti
Nonostante i vantaggi, ci sono ancora diverse sfide da affrontare. Una preoccupazione importante riguarda il bias algoritmico dovuto a dati di addestramento non diversificati, ovvero il rischio che deriva da utilizzare in modo generalizzato un algoritmo realizzato con dati di una specifica popolazione. Per affrontare questo problema, è fondamentale validare i dati per la rappresentatività, utilizzare set diversificati e creare algoritmi trasparenti. Un’ulteriore sfida è rappresentata dalla “natura della scatola nera” dell’AI, dove il processo decisionale che sottende gli algoritmi, non è sempre chiaro ed è impossibile da determinare vista la natura stessa delle reti neurali. Sarà quindi importante sviluppare sistemi con quadri esplicativi chiari per guadagnare la fiducia dei clinici e degli stessi pazienti.
In conclusione, l’integrazione di AI e radiomica nella gestione del TEV rappresenta una strategia promettente, capace di migliorare la valutazione del rischio clinico e di accelerare i tempi necessari per formulare una risposta terapeutica. Tuttavia, è necessario continuare a raffinare questi strumenti attraverso ricerche future e studi più ampi per confermarne il valore. Superando le attuali criticità nell’utilizzo di queste tecnologie, si potrebbe usufruire del pieno potenziale dell’AI e delle nuove tecnologie per migliorare gli esiti clinici e la gestione sanitaria del TEV.
A cura di
Dott. Davide Santagata, Unità operativa di Medicina Interna e Centro Trombosi ed Emostasi – Azienda Ospedaliero-Universitaria Ospedale di Circolo e Università dell’Insubria, Varese
Prof. Marco Paolo Donadini Unità operativa di Medicina di emergenza ed urgenza e Centro Trombosi ed Emostasi – Azienda Ospedaliero-Universitaria Ospedale di Circolo e Università dell’Insubria, Varese
Bibliografia
Lam BD, Dodge LE, Zerbey S, et al. The potential use of artificial intelligence for venous thromboembolism prophylaxis and management: clinician and healthcare informatician perspectives. Sci Rep. 2024;14(1):12010. Published 2024 May 26. doi:10.1038/s41598-024-62535-9
Shapiro J, Reichard A, Muck PE. New Diagnostic Tools for Pulmonary Embolism Detection. Methodist Debakey Cardiovasc J. 2024;20(3):5-12. Published 2024 May 16. doi:10.14797/mdcvj.1342
Chiasakul T, Lam BD, McNichol M, et al. Artificial intelligence in the prediction of venous thromboembolism: A systematic review and pooled analysis. Eur J Haematol. 2023;111(6):951-962. doi:10.1111/ejh.14110
Xiong W, Cheng Y, Zhao Y. Risk Scores in Venous Thromboembolism Guidelines of ESC, ACCP, and ASH: An Updated Review. Clin Appl Thromb Hemost. 2024;30:10760296241263856. doi:10.1177/10760296241263856
