Progetto:

Tools guidati dall'intelligenza artificiale per le malattie aortiche e le comorbidità cardiovascolari (TIA-MAC).

Responsabile: 

Prof. Giovanni Spinella 

Dipartimento di Scienze Chirurgiche e Diagnostiche Integrate DISC - Università degli Studi di Genova

Vascular Artificial Intelligence Laboratory (VAI-Lab).

In collaborazione con UOC Radiologia Generale ed Interventistica Ospedale Policlinico San Martino IRCCS - Direttore Dott. Giuseppe Cittadini

TIA-MAC in breve

• Le malattie cardiovascolari (CVD) sono la principale causa di morte in Italia, con oltre 220.000 decessi annuali, pari al 44% del totale.
• Molte CVD, incluse le patologie aortiche, possono essere asintomatiche fino a eventi acuti con elevata mortalità (fino al 50%).
• La diagnosi precoce, spesso incidentale, richiede un piano di sorveglianza adeguato.
• L'Intelligenza Artificiale (AI) e Il Deep Learning (DL) sono fondamentali per migliorare la diagnostica e l'ottimizzazione delle risorse nel SSN, in linea con le direttive nazionali ed europee.
• Il progetto mira ad aumentare l'applicazione clinica di AI e DL in campo cardiovascolare per la prevenzione, la riduzione del rischio e l'ottimizzazione delle risorse, attraverso l'analisi dei dati clinici e delle immagini diagnostiche.

Le malattie cardiovascolari

Le malattie cardiovascolari (CVD) rappresentano un'emergenza sociale ed economica nel nostro Paese, essendo l principale causa di morte, con alti tassi di morbilità e disabilità. Ogni anno, le CVD causano oltre 220.000 decessi, pari al 44% dei decessi totali. Molte di queste, incluse quelle aortiche come aneurismi e dissezioni, possono rimanere asintomatiche fino alla rottura o alla manifestazione acuta, con una mortalità associata che può arrivare  al 50%.

Nella pratica clinica, queste patologie vengono spesso evidenziate in indagini diagnostiche effettuate per altri motivi. In questi casi, è fondamentale avviare un piano di sorveglianza adeguato quando diagnosticate in uno stato iniziale. Il miglioramento dei percorsi di assistenza clinica e l'ottimizzazione delle risorse possono avere un impatto significativo sul Servizio Sanitario Nazionale (SSN). Questo si allinea anche con le esigenze del PNR 2021-2027, del PNRS e del programma Horizon Europe, in particolare per quanto riguarda l'Intelligenza Artificiale (AI) e la Salute Digitale.

Il ruolo dell'Intelligenza Artificiale e del Deep Learning

Tra i metodi di AI, il Deep Learning (DL) si sta affermando come una potente classe di algoritmi basati su reti neurali artificiali. Le applicazioni del DL nelle analisi di immagini mediche sono diverse, con la diagnostica che è uno dei settori che ha maggiormente beneficiato dell'AI. In questo ambito, l'applicazione di algoritmi e modelli automatizzati per l'identificazione delle strutture anatomiche di interesse e la previsione della loro possibile evoluzione contribuisce a supportare le decisioni cliniche. Questo semplifica il percorso clinico-assistenziale, interviene nella prevenzione secondaria e promuove attività di screening, razionalizzando l'iter diagnostico-terapeutico.

Il nostro progetto mira ad aumentare l'applicazione clinica di AI e DL nel campo cardiovascolare, proiettando la pratica clinica attuale in una dimensione moderna e orientata al futuro. Questo permetterà l'implementazione della prevenzione, la riduzione del rischio e l'ottimizzazione delle risorse disponibili. Partendo da questo presupposto, il progetto si articola su più livelli integrati: la raccolta organizzata di dati clinici, l'analisi dei suddetti e delle immagini diagnostiche dei pazienti per lo screening, la diagnosi e la valutazione del rischio di CVD. 

Le patologie aortiche: diagnosi e trattamento

Le malattie dell'aorta (AD), come gli aneurismi e le dissecazioni, sono caratterizzate da un rimodellamento della parete del vaso che porta alla dilatazione del diametro dell'aorta nel tempo. La rottura aortica è la complicanza più temuta ed è ancora oggi una condizione gravata da alti tassi di mortalità. L'esecuzione di programmi di screening è fondamentale per selezionare correttamente i pazienti da trattare e per intervenire prima che si verifichi la rottura, riducendo così la mortalità ad essa correlata. Inoltre, la possibilità di una diagnosi precoce può consentire l'attuazione di forme di prevenzione secondaria attraverso la correzione dei fattori di rischio, rallentando l'evoluzione della patologia aortica stessa. 

L'obiettivo del trattamento (chirurgico/endovascolare) delle patologie aortiche è di ridurre il rischio di rottura dell'aneurisma. Negli ultimi decenni, il trattamento endovascolare si è diffuso sempre di più ed è attualmente raccomandato dalle principali linee guida Internazionali per molti distretti aortici. Per effettuare il trattamento, è necessaria un'accurata analisi dell'angiografia tomografica computerizzata (CTA). L'analisi CTA pre-operatoria ha due obiettivi principali: comprendere la fattibilità del trattamento endovascolare e pianificare il trattamento attraverso la misurazione di lunghezze e diametri dell'asse aorto-iliaco interessato dal processo aneurismatico. Il trattamento endovascolare è ancora oggi gravato dalla necessità di reinterventi durante il follow-up, rendendo essenziali controlli periodici post-trattamento. Nell'interpretare il successo del trattamento, si deve considerare non solo la riduzione del diametro della sacca aneurismatica, ma anche la regressione del volume della sacca stessa. L'evoluzione aneurismatica delle aree di "atterraggio" prossimali e distali può inoltre portare alla necessità di ulteriori interventi nel tempo. Il processo diagnostico, terapeutico e di follow-up ha il paziente come protagonista, e il ruolo del chirurgo vascolare è quello di indirizzare e guidare i pazienti in questo percorso, basando le decisioni sull'analisi delle scansioni CTA.

Il Nostro Progetto: un approccio innovativo

L'Intelligenza Artificiale (AI) sta acquisendo un ruolo di primo piano in medicina, potando alla rapida comparsa di strumenti performanti per la diagnosi e il trattamento clinico. Tra i metodi di IA, il Deep Learning (DL) sta emergendo come una potente classe di algoritmi basati su reti neurali artificiali. Le applicazioni del DL nelle analisi mediche sono diverse, inclusa la diagnostica, dove la l'applicazione di algoritmi e modelli automatizzati per l'identificazione delle strutture anatomiche di interesse e la previsione della loro possibile evoluzione, aiuta a sopportare le decisioni cliniche. In particolare, il campo della chirurgia vascolare si basa essenzialmente sulla diagnostica per immagini e su grandi quantità di dati, dove l'uso di algoritmi IA si sta rivelando vantaggioso. Negli ultimi anni, i gruppi di ricerca si stanno focalizzando sulla ricerca di soluzioni nei vari campi di applicazione della chirurgia vascolare, dalla diagnostica e pianificazione pre-operatoria all'analisi del rischio. Grazie all'applicazione dell'IA, il tempo impiegato per individuare il corretto iter diagnostico e terapeutico potrebbe essere utilizzato per ottimizzare le risorse disponibili, rendendo il percorso più efficiente e consentendo di ridurre i tempi di attesa e offrire al paziente un approccio più integrato alla gestione della patologia aortica.

Obiettivi e Metodologia del Progetto

Il nostro progetto si concentrerà sull'analisi delle immagini diagnostiche per la diagnosi, lo screening e il follow-up delle patologie aortiche. I dati raccolti saranno utilizzati per la stratificazione del rischio cardiovascolare e la predizione di complicanze post-operatorie dopo il trattamento endovascolare aortico. I dati diagnostici di pazienti arruolati retrospettivamente (gruppo di controllo e gruppo affetto da patologie vascolari aortiche) verranno utilizzati per l'addestramento delle reti neurali e integrati con la storia clinica dei soggetti, per caratterizzare un profilo di rischio paziente-specifico. Inoltre, partendo dall'identificazione della patologia, una pipeline di valutazione integrata consentirà di prevedere l'evoluzione della malattia per il singolo paziente, al fine di stabilire una stratificazione personalizzata degli intervalli di sorveglianza dopo il trattamento, ottimizzando il follow-up.

Lo studio sarà un'osservazione retrospettiva organizzata in 5  Workpackages (WP):

• WP 1 - Raccolta dati e immagini: i dati dei pazienti arruolati, inclusi i dati clinici e le Angio TC, saranno raccolti in forma anonima e inseriti nel database del progetto per l'addestramento delle reti neurali e l'implementazione dello screening automatico delle patologie vascolari e della valutazione del follow-up.
• WP 2 - Etichettatura iniziale dei dati: tutte le immagini DICOM raccolte saranno anonimizzate e utilizzate per l'addestramento delle reti neurali e la successiva analisi geometrica. Verranno arruolati complessivamente 1000 pazienti, con il dataset suddiviso in training (75%), convalida (10%) e test (15%).
• WP 3 - Addestramento e validazione del modello di segmentazione: verrà sviluppata una pipeline basata sull'apprendimento automatico per individuare e segmentare la regione vascolare di interesse (aorta e suoi collaterali principali) dalle immagini Angio-TC.
• WP 4 - Formazione e validazione del modulo di screening: una volta ottenute le segmentazioni automatiche, verranno estratte le informazioni dell'analisi geometrica del lume aortico e della trombosi. Questi dati verranno utilizzati per addestrare e validare un modulo di screening.
•  WP 5 - Implementazioni della rete AI: i dati clinici e i dati ottenuti dall'analisi geometrica verranno utilizzati per addestrare una nuova rete neurale (PHYCALLY INFORMED) al fine di creare un modello predittivo che stratifichi il rischio cardiovascolare dei soggetti, con focus sulla presenza di patologia aortica e sulle possibili complicanze durante il folllow-up dopo il trattamento.