Innovazione

Torino: machine learning utilizzato per la prima volta in campo cardiovascolare

Ad oggi le malattie cardiovascolari rappresentano ancora la principale causa di morte nel nostro Paese, essendo responsabili del 34,8% di tutti i decessi. In particolare, secondo i dati Istat 2018, la cardiopatia ischemica è responsabile del 9,9% di tutte le morti , mentre gli accidenti cerebrovascolari dell’8,8%. Tra le più diffuse in Italia vi sono l’infarto acuto del miocardio e la sindrome acuta coronarica (SCA). I cardiologi della Città della Salute di Torino sono i primi al mondo ad utilizzare il machine learning per decidere quale strategia adottare dopo un infarto. La ricerca è frutto della collaborazione tra il reparto di cardiologia universitaria dell’ospedale Molinette, diretta dal professor Gaetano Maria De Ferrari, il dipartimento di informatica dell’università di Torino e quello di meccanica e aerospaziale del Politecnico di Torino.

Credits: Salutelab

Sindrome coronarica acuta: caratteristiche generali

Per sindrome coronarica acuta si intende l’insieme di sintomi che si manifesta a seguito di un restringimento delle arterie coronarie. La maggior parte delle volte ciò è dovuto ad aterosclerosi, ovvero alla formazione di placche a livello della tunica intima, conosciute come ateromi, la cui insorgenza è dovuta a diversi fattori di tipo genetico o legati ad uno stile di vita poco sano (fumo, sedentarietà, ipercolesterolemia,ipertensione). Nel peggiore dei casi può essere la causa dell’infarto al miocardio.

Nei casi più severi, il trattamento dei pazienti affetti da SCA prevede il ricorso alla cardiochirurgia mediante interventi di bypass coronarico o angioplastica (impianto di stent). Nei casi meno gravi, invece, è sufficiente seguire una cura a base di farmaci specifici (anticoagulanti, beta-bloccanti, trombolitici).

L’intelligenza artificiale e il machine learning: le nuove frontiere della medicina

Oggigiorno, l’intelligenza artificiale è uno strumento di grande utilizzo in qualsiasi tipo di settore. Basti pensare a come, negli ultimi anni, l’uomo sia stato in grado di costruire dispositivi che agevolino alcune delle operazioni che un tempo venivano eseguite manualmente. Ne sono un esempio molto recente i termometri posti agli ingressi dei negozi. Ed ancora i bracci robotici costruiti per sostituire totalmente o parzialmente  quelle che una volta erano le mansioni affidate agli uomini (nelle fabbriche , ma anche nelle sale operatorie). Tutto ciò è stato possibile grazie anche ad un aumento notevole della potenza computazionale, alla possibilità di avere accesso a set di dati molto ampi da processare, e per ultimo,  ma non per importanza, allo sviluppo di algoritmi di Machine-Learning.

Sviluppo e validazione degli algoritmi

Alla base del machine learning ci sono vi sono:

  • l’acquisizione di dati di partenza (input-data);
  • l’applicazione dell’analisi computerizzata per prevedere i valori di output all’interno di un intervallo accettabile di accuratezza;
  • l’identificazione dei modelli e, infine, la facoltà di imparare da esperienze pregresse.

Nella maggior parte dei casi vi è una fase dello sviluppo di algoritmi che prevede la validazione del modello stesso attraverso approcci statistici. Tra i più comuni c’è quello della curva ROC (Receiver Operating Characteristic), che permette di sintetizzare numericamente e graficamente le performance di un algoritmo. Per una visione globale delle prestazioni si preferisce solitamente osservare l’area sottostante tale curva (detta AUC, “Area Under Curve”).

Lo studio: l’applicazione del machine learning nel settore cardiovascolare

Nel settore cardiovascolare, l’utilizzo del machine learning ha avuto numerosi riscontri positivi, specialmente nella previsione di eventi come ischemie o eventi emorragici, a seguito di SCA. Questo perché, come hanno più volte spiegato i ricercatori nello studio in analisi, è stato possibile superare le limitazioni degli approcci analitici, creando un modello di “stratificazione” del rischio. Questo modello è in grado di apprendere automaticamente, andando ad integrare caratteristiche cliniche ed anatomiche di un numero molto elevato di pazienti, provenienti da Europa, Asia e America.

Credits: Insalutenews

Nel complesso, i ricercatori si sono detti soddisfatti e che l’approccio utilizzato risulta fattibile ed efficace, specialmente se l’obiettivo è quello di ottimizzare il più possibile la qualità delle cure.  In molti si dicono certi che tali tecniche verranno via via inglobate sempre di più e si renderanno inevitabilmente necessarie nel campo della medicina, specialmente se si pensa all’aumento della quantità dei data-set (in tal caso rappresentato dai pazienti), e alla complessità di informazioni che i dati biomedici hanno al loro interno.

A cura di Francesca Sessa.

Published by
Redazione