AFFILIAZIONE
irccs istituto tumori giovanni paolo ii

AUTORE PRINCIPALE
Dr Massafra Raffaella

VALUTA IL CHALLENGE[ratingwidget]

GRUPPO DI LAVORO
Bove Samantha – irccs istituto tumori giovanni paolo ii, bari
Comes Maria Colomba – irccs istituto tumori giovanni paolo ii, bari
Fanizzi Annarita – irccs istituto tumori giovanni paolo ii, bari
Dr Massafra Raffaella – irccs istituto tumori giovanni paolo ii, bari

AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità

ABSTRACT
In seguito ad una diagnosi di cancro al seno, le pazienti si sottopongono ad esami diagnostici aggiuntivi volti ad individuare precocemente possibili metastasi linfonodali. In particolare, per le pazienti clinicamente negative, quindi risultate negative agli esami clinici e strumentali, è mandatoria la biopsia del linfonodo sentinella, un’accurata tecnica intraoperatoria che, tuttavia, risulta essere dispendiosa e può indurre importanti effetti collaterali. La nostra ricerca si è posta l’obiettivo di sviluppare un modello di intelligenza artificiale che possa predire lo stato del linfonodo sentinella di tali pazienti, in modo accurato, assolutamente non invasivo e non dispendioso, utilizzando esclusivamente dati comunemente raccolti nella pratica clinica. A tal proposito, abbiamo individuato un campione di 142 pazienti afferenti all’Istituto Tumori “Giovanni Paolo II” di Bari, e per tali pazienti abbiamo collezionato sia le variabili cliniche ed istologiche, sia un’immagine ecografica del tumore primario acquisita da un radiologo esperto in fase di diagnosi. Per ogni paziente, l’immagine originale è stata processata al fine di ottenere quattro differenti regioni di interesse (ROI), quali originale, intratumorale, peritumorale e combinata, dalle quali sono state successivamente estratte features radiomiche, cioè caratteristiche che permettono di descrivere le caratteristiche tessiturali, ma anche quantitative ed esemplificative della distribuzione dei livelli di grigio all’interno dell’immagine. Successivamente, per ogni ROI, il potere discriminante delle variabili cliniche e delle caratteristiche radiomiche più significative è stato valutato, dapprima separatamente e poi congiuntamente, sia in cross-validation che su un test indipendente. Il modello predittivo da noi sviluppato analizzando congiuntamente variabili cliniche e caratteristiche radiomiche estratte dalla ROI originale è risultato altamente performante: le prestazioni ottenute sul test indipendente, quindi, accuratezza, sensitività e specificità pari rispettivamente a 82.1%, 100% e 78.2%, confermano i risultati ottenuti in cross-validation. Essendo l’ecografia la tecnica più economica, oltre che la meno invasiva e quella utilizzata di routine nella pratica clinica, il nostro risulta essere un approccio particolarmente accurato, non invasivo e assolutamente non dispendioso per la predizione dello stato del linfonodo sentinella, capace di supportare il radiologo già in fase di diagnosi.

 

 

Torna su »

AFFILIAZIONE
sc ingegneria clinica aziendale, fondazione irccs policlinico san matteo

AUTORE PRINCIPALE
Ing. Silveri Giulia

VALUTA IL CHALLENGE[ratingwidget]

GRUPPO DI LAVORO
Ing. La Salvia Marco – dip. ingegneria industriale e dell’informazione, università di pavia, pavia, pavia
Ing. Torti Emanuele – dip. ingegneria industriale e dell’informazione, università di pavia, pavia, pavia
Ing. Lago Giacomo – dip. ingegneria industriale e dell’informazione, università di pavia, pavia, pavia
Ing Roccasalva Marco – sc ingegneria clinica aziendale, fondazione irccs policlinico san matteo, pavia
Ing. Ragazzo Veronica – sc ingegneria clinica aziendale, fondazione irccs policlinico san matteo, pavia
Ing. Silveri Giulia – sc ingegneria clinica aziendale, fondazione irccs policlinico san matteo, pavia
Rossella Massimo – istituto nazionale di fisica nucleare sezione pavia, pavia
Ing. Lago Paolo – sc ingegneria clinica aziendale, fondazione irccs policlinico san matteo, pavia
Prof. Leporati Francesco – dip. ingegneria industriale e dell’informazione, università di pavia, pavia, pavia

AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità

ABSTRACT
La diagnosi precoce del tumore è fondamentale per aumentare il tasso di sopravvivenza dei pazienti. Diversi strumenti e metodologie sono attualmente utilizzati per lo screening dei tumori, tuttavia, queste procedure hanno diversi limiti in termini di efficacia, effetti secondari, costi o accuratezza. I progressi nella ricerca medica sull’uso di sistemi di imaging iperspettrale (HSI) combinati con algoritmi di intelligenza artificiale (AI) sono un valido supporto nello sviluppo di strumenti non invasivi per lo screening del tumore e la diagnosi precoce, migliorando l’erogazione dell’assistenza sanitaria e assicurando una riduzione degli errori e dei ritardi durante le visite mediche. HSI è una modalità di imaging emergente che combina metodi di imaging e spettroscopia convenzionali per acquisire informazioni spaziali e spettrali. L’attenzione alla tematica e all’implicazione clinica ha pilotato all’uso della HSI per lo screening non invasivo del tumore del derma in vivo con l’obiettivo di fornire uno strumento non invasivo che potrebbe essere utilizzato per il supporto clinico in situ nella diagnosi del tumore del derma durante la pratica clinica. I sistemi utilizzano dati multimodali (imaging HS e HD, combinati con dati tabulari del paziente) per sviluppare algoritmi robusti e affidabili. Sono esplorate diverse tecniche di AI per sfruttare le possibili interazioni tra i molteplici set di dati generati all’interno del progetto dai diversi tipi di tumore. Gli algoritmi di AI sono implementati su acceleratori hardware specifici per ottenere l’elaborazione in tempo reale. I sistemi sono convalidati in ambiente clinico acquisendo dati reali e utilizzando interfacce utente personalizzate e facili da usare. I risultati sono valutati da esperti e confrontati con le tecniche attualmente impiegate per lo screening e la diagnosi precoce del tumore del derma. L’utilizzo del sistema nella pratica medica quotidiana ha come obiettivo di: migliorare la sensibilità e la specificità di almeno il 10% rispetto alle attuali tecniche; ridurre gli usi delle risorse sanitarie; aumentare i tassi di partecipazione allo screening, se la tecnologia viene adottata nelle cure primarie. All’interno della Fondazione IRCCS Policlinico San Matteo è stata valutata positivamente l’accettabilità clinica dell’utilizzo di tale metodica verificando la sicurezza, le prestazioni e i benefici clinici, conseguentemente un sistema di acquisizione è stato testato nella pratica clinica.

 

 

Torna su »

AFFILIAZIONE
cdi centro diagnostico italiano

AUTORE PRINCIPALE
Dr Alì Marco

VALUTA IL CHALLENGE[ratingwidget]

GRUPPO DI LAVORO
Dr Alì Marco – cdi centro diagnostico italiano, milano
Dr Fazzini Deborah – cdi centro diagnostico italiano, milano
Dr Valbusa Giovanni – bracco imaging, milano
Dr Cellina Michaela – asst fatebenefratelli-sacco, milano
Dr Sona Diego – fondazione bruno-kessler, trento
Dr Soda Paolo – università campus bio-medico, roma
Dr Papa Sergio – cdi centro diagnostico italiano, milano

AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità

ABSTRACT
Introduzione: Nel 2020 l’Italia è stato il primo paese occidentale colpito dalla pandemia da COVID-19: una situazione emergenziale che ha portato nell’arco di poche settimane il Sistema Sanitario Nazionale sull’orlo del collasso. Durante questa fase l’ottimizzazione delle risorse ospedaliere è divenuta un fattore cruciale al fine di curare al meglio le persone più in difficoltà.

Obiettivo: Questo studio multicentrico ha avuto come obiettivo quello di applicare l’intelligenza artificiale (AI) al letto del paziente, elaborando algoritmi innovativi basati su AI in grado di predire le complicanze da COVID-19 partendo dalla radiografia del torace (X-ray) e dai valori fisiologici raccolti al momento del ricovero. Basandosi su queste informazioni è stato possibile predire quali pazienti sarebbero evoluti verso una prognosi lieve (ricovero senza ventilazione forzata), severa (ricovero in terapia intensiva) o exitus.

Materiale e metodi: il lavoro è stato promosso dal CDI Centro Diagnostico Italiano in collaborazione con 7 centri ospedalieri, tra cui due IRCCS, e 3 Centri di Ricerca specializzati nello sviluppo di algoritmi basati su AI, tra cui l’Istituto Italiano di Tecnologia di Genova e Amazon Web Service. In totale sono stati raccolti 1103 pazienti comprensivi di dati imaging e clinici. Questi dati sono stati utilizzati per allenare e testare 3 algoritmi basati su AI capaci di estrarre, utilizzando Convolutional Nerual Network, delle features radiomiche dalle immagini X-ray e combinarle con i dati clinici.
Gli algoritmi ed i raw-data sono stati poi messi a disposizione della comunità scientifica internazionale attraverso una piattaforma di data-sharing costruita in collaborazione con Amazon Web Service.

Risultati: gli algoritmi basati su AI sono stati in grado di predire con una accuratezza >76%, senisbilità >79% e specificitià >75% l’esito della patologia. La piattaforma di condivisione dei dati è stata visitata da più di 10 mila utenti in 3 anni e le richieste di accesso sono state circa 500.

Conclusione: lo studio ha dimostrato che è possibile sviluppare algoritmi basati su AI in gradi predire l’esito della patologia di COVID-19 ottimizzando al meglio le risorse sui pazienti più fragili. Il progetto è stato oggetto di pubblicazione su Medical Image Analysis e presentato in occasione di diversi eventi internazionali scientifici (quale il Congresso Europeo di Radiologia, Vienna) che divulgativi (Dubai EXPO 2020).

 

 

Torna su »

AFFILIAZIONE
università degli studi di milano

AUTORE PRINCIPALE
Dr. Gitto Salvatore

VALUTA IL CHALLENGE[ratingwidget]

GRUPPO DI LAVORO
Dr. Gitto Salvatore – università degli studi di milano, milano
Dr. Interlenghi Matteo – deeptrace technologies, milano
Prof. Salvatore Christian – istituto universitario di studi superiori, pavia
Dr. Albano Domenico – irccs ospedale galeazzi sant’ambrogio, milano
Prof. Messina Carmelo – università degli studi di milano, milano
Prof. Castiglioni Isabella – università degli studi di milano-bicocca, milano
Prof. Sconfienza Luca Maria – università degli studi di milano, milano

AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità

ABSTRACT
Purpose. To determine diagnostic performance of MRI radiomics-based machine learning for classification of deep-seated lipoma and atypical lipomatous tumor (ALT) of the extremities.
Material and Methods. This retrospective study was performed at three tertiary sarcoma centers and included 150 patients with surgically treated and histology-proven lesions. The training-validation cohort consisted of 114 patients from centers 1 and 2 (n=64 lipoma, n=50 ALT). The external test cohort consisted of 36 patients from center 3 (n=24 lipoma, n=12 ALT). 3D segmentation was manually performed on T1- and T2-weighted MRI. After extraction and selection of radiomic features, three machine learning classifiers were trained and validated using nested 5-fold cross-validation. The best-performing classifier according to previous analysis was evaluated and compared to an experienced musculoskeletal radiologist in the external test cohort.
Results. Eight features passed feature selection and were incorporated into the machine learning models. After training and validation (74% ROC-AUC), the best-performing classifier (Random Forest) showed 92% sensitivity and 33% specificity in the external test cohort with no statistical difference compared to the radiologist (p = 0.474).
Conclusion. MRI radiomics-based machine learning may classify deep-seated lipoma and ALT of the extremities with high sensitivity and negative predictive value, thus potentially serving as a non-invasive screening tool to reduce unnecessary referral to tertiary tumor centers.

 

 

Torna su »

AFFILIAZIONE
insideai

AUTORE PRINCIPALE
Sternini Federico

VALUTA IL CHALLENGE[ratingwidget]

GRUPPO DI LAVORO
Sternini Federico – insideai, bologna
Conti Daniele – syndiag, torino
Bellacosa Marotti Rosilari – syndiag, torino

AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità

ABSTRACT
Il processo di diagnosi di tumori ovarici è molto complesso, non gode di percorsi di screening di dimostrata efficacia e nella quasi totalità dei casi richiede di effettuare scelte diagnostiche basandosi solo su dati di imaging, complicando il percorso diagnostico delle pazienti. Il dispositivo OvAi è un dispositivo medico certificato che è stato sviluppato per facilitare il processo di diagnosi tramite l’analisi di immagini ecografiche. Il dispositivo si basa su un algoritmo di intelligenza artificiale sviluppato per migliorare la capacità diagnostica degli operatori sanitari nel rilevare cisti ovariche, consentendo una diagnosi più tempestiva e precisa.

Per fare questo il dispositivo riceve le immagini ecografiche delle ovaie e fornisce una stima della probabilità di presenza di cisti nel video analizzato. Inoltre, il dispositivo consente anche di effettuare una analisi morfologica automatizzata dell’immagine della ciste, evidenziando le zone sierose, contenuti ecogeni e irregolarità di parete a schermo.

Con questa destinazione d’uso e questo funzionamento il dispositivo si configura come dispositivo medico e pertanto deve rispettare degli elevati standard di sicurezza e prestazione, con lo scopo di esporre a meno rischi possibili i pazienti. Per questa ragione, nel contesto delle attività per la certificazione del dispositivo, la performance dell’algoritmo è stata valutata attraverso metriche tradizionali, come accuracy, sensitivity, specificity, positive predictive value, negative predictive value, F1-Score, e sperimentali, come la Weighted Utility, che sono state identificate come più adeguate per descrivere la performance del dispositivo rispetto alla sua destinazione d’uso.

Le attività di validazione hanno preso in considerazione dati che fossero coerenti con la popolazione target del dispositivo e che fossero descrittivi dei casi in cui il dispositivo è destinato ad essere utilizzato, fornendo delle indicazioni precise di quali sono i benefici per l’utilizzatore professionale durante l’utilizzo del dispositivo.

In conclusione, il dispositivo ha superato i criteri di accettazione previsti attraverso studi di validazione condotti su dataset coerenti con la destinazione d’uso. Questi risultati hanno supportato la positività del rapporto rischio beneficio del dispositivo, portando alla sua certificazione.

 

 

Torna su »

AFFILIAZIONE
università degli studi di verona, dipartimento di ingegneria e medicina di innovazione, u.o.c. chirurgia pediatrica

AUTORE PRINCIPALE
Dr., Prof. Zampieri Nicola

VALUTA IL CHALLENGE[ratingwidget]

GRUPPO DI LAVORO
Dr., Prof. Zampieri Nicola – università degli studi di verona, dipartimento di ingegneria e medicina di innovazione, u.o.c. chirurgia pediatrica, verona

AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità

ABSTRACT
Progetto LAPO
Simulazione in chirurgia mini-invasiva: nuove frontiere di apprendimento

Negli ultimi decenni si è assistito ad una notevole crescita in ambito della simulazione chirurgica per migliorare le prestazioni tecniche e manuali dei medici specialisti in formazione in ambito chirurgico. Secondo il modello tradizionale, la carriera chirurgica inizia quando i giovani chirurghi sono ammessi a partecipare più attivamente agli interventi. Ma questo modello di formazione, in risposta al nuovo modello di Chirurgia non è più sufficientemente efficace ed efficiente. Con l’introduzione della Chirurgia Mininvasiva (MIS) c’è stata la necessità di sviluppare modelli di formazione per apprendere e provare per più tempo al di fuori della sala operatoria. La risposta a tale richiesta è stata la creazione dei simulatori chirurgici. Al momento ne esistono diversi modelli in commercio, ognuno con un proprio design e diversi programmi di formazione.
In questo progetto è stato utilizzato LAPO, un nuovo modello di simulatore laparoscopico virtuale con feedback ergonomico tattile-vibratorio, capace di monitorare e misurare diversi parametri cinematici legati al movimento. Sono stati utilizzati 2 gruppi di studio, selezionati secondo precisi criteri di inclusione ed esclusione: un gruppo A controllo inesperto e un gruppo B di esperti con almeno 10 anni di esperienza in chirurgia laparoscopica costituito da 15 soggetti. La sperimentazione ha previsto lo svolgimento di 6 esercizi differenti preimpostati sul simulatore basati su leggi della ergonomia e cinematica. Lo scopo dello studio era di identificare eventuali differenze sia tra i due gruppi, che tra l’uso della mano dominante e non dominante e di identificare la capacità di apprendimento durante lo svolgimento degli esercizi. Dall’analisi dei dati è emerso che effettivamente i candidati esperti hanno eseguito con maggior precisione e con tempi più ridotti la maggior parte degli esercizi mettendo in luce come alcuni esercizi proposti e sviluppati fossero in grado di apportare apprendimento in entrambi i gruppi e migliorarne la performance.
In conclusione, il nostro studio ha dimostrato che il nuovo concetto di simulazione proposto è efficace sia nell’apprendimento sia nel migliorare le capacità tecniche e cinematiche del soggetto che utilizza la chirurgia miniinvasiva e che deve mantenere una performance costante.

 

 

Torna su »

AFFILIAZIONE
agenzia regionale sanitaria delle marche

AUTORE PRINCIPALE
Ing Lella Luigi

VALUTA IL CHALLENGE[ratingwidget]

GRUPPO DI LAVORO
Ing Lella Luigi – agenzia regionale sanitaria delle marche, ancona
Dr. Filippetti Fabio – agenzia regionale sanitaria delle marche, ancona
Dr. Pompili Marco – agenzia regionale sanitaria delle marche, ancona
Dr. Luciani Aurora – agenzia regionale sanitaria delle marche, ancona
Dr. Ciarrocchi Giuseppe – agenzia regionale sanitaria delle marche, ancona
Dr. Serafini Pietro – agenzia regionale sanitaria delle marche, ancona
Dr. Mazzoccanti Rita – agenzia regionale sanitaria delle marche, ancona
Dr. Mangano Antea – agenzia regionale sanitaria delle marche, ancona
Dr. Di Tondo Elena – agenzia regionale sanitaria delle marche, ancona

AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità

ABSTRACT
L’intelligenza artificiale (IA) è inevitabilmente destinata ad entrare in maniera pervasiva all’interno della vita personale, sociale e lavorativa di chiunque. Per questo motivo si sta cercando di adattare quanto più possibile questa evoluzione tecnologica alla dimensione umana, cercando di risolvere tutti i problemi di equità di accesso, usabilità, accessibilità, trasparenza, privacy e sicurezza che ne possono derivare. Nell’ambito specifico del supporto decisionale si lamenta il fatto che i modelli di machine learning, ovvero di IA in grado di apprendere autonomamente, si presentano come vere e proprie “black box”. In altre parole sono in grado di effettuare accurate previsioni o valutazioni, ma gli utenti non sono in grado di comprenderne appieno il funzionamento. Questo è molto pericoloso, specie in ambito sanitario, in quanto si maschera l’effetto dell’incompletezza dei dati di addestramento o dei bias cognitivi che possono averne condizionato la selezione. Per questo motivo la nascente direttiva europea sull’utilizzo della IA in sistemi classificati come “ad alto rischio” sta imponendo delle regole precise per garantire la qualità e la certificazione del dato come pure la trasparenza del modello di IA utilizzato. Sulla scia di queste considerazioni nell’ambito dell’Agenzia Regionale Sanitaria si sta sviluppando ed utilizzando un modello di IA in grado di esplicitare le proprie modalità di ragionamento mediante un formalismo logico. Questo permette a team di esperti umani di valutare l’accuratezza e l’affidabilità del modello di IA. La possibilità di esplicitare la base di conoscenza dei modelli di IA permetterà in futuro anche di rendere edotto il cittadino circa le modalità di funzionamento dei sistemi di supporto decisionale adottati, un po’ come attualmente richiesto dal nuovo codice degli appalti che impone alle pubbliche amministrazioni di esplicitare eventuali automatismi adottati nella fase di aggiudicazione delle procedure di gara. Con il progetto Artificial Intelligence Enabled Healthcare Ecosystem Model (AIEHEM), come si può evincere dall’acronimo stesso, l’Agenzia Regionale Sanitaria intende infine avvalersi della IA come mero supporto decisionale, e solo nella fase della scelta degli stakeholder (ecosistema) da coinvolgere nella risoluzione delle criticità riscontrate in ambito sanitario e socio-sanitario. L’IA quindi non si sostituisce all’uomo, ma lo supporta nelle sue decisioni più critiche motivando adeguatamente le sue decisioni.

 

 

Torna su »

AFFILIAZIONE
fondazione policlinico universitario “a. gemelli” irccs

AUTORE PRINCIPALE
Dr. Boldrini Luca

VALUTA IL CHALLENGE[ratingwidget]

GRUPPO DI LAVORO
Dr. Boldrini Luca – fondazione policlinico universitario “a. gemelli” irccs, roma
Dr. Chiloiro Giuditta – fondazione policlinico universitario “a. gemelli” irccs, roma
Dr Cusumano Davide – fondazione policlinico universitario “a. gemelli” irccs, roma
Dr. Romano Angela – fondazione policlinico universitario “a. gemelli” irccs, roma
Dr. Placidi Lorenzo – fondazione policlinico universitario “a. gemelli” irccs, roma
Dr. Nardini Matteo – fondazione policlinico universitario “a. gemelli” irccs, roma
Dr. Meldolesi Elisa – fondazione policlinico universitario “a. gemelli” irccs, roma
Prof Barbaro Brunella – fondazione policlinico universitario “a. gemelli” irccs, roma
Prof. Coco Claudio – fondazione policlinico universitario “a. gemelli” irccs, roma
Prof. Crucitti Antonio – fondazione policlinico universitario “a. gemelli” irccs, roma
Prof Persiani Roberto – fondazione policlinico universitario “a. gemelli” irccs, roma
Dr. Petruzziello Lucio – fondazione policlinico universitario “a. gemelli” irccs, roma
Dr. Ricci Riccardo – fondazione policlinico universitario “a. gemelli” irccs, roma
Dr. Salvatore Lisa – fondazione policlinico universitario “a. gemelli” irccs, roma
Pros Sofo Luigi – fondazione policlinico universitario “a. gemelli” irccs, roma
Prof Alfieri Sergio – fondazione policlinico universitario “a. gemelli” irccs, roma
Prof. Manfredi Riccardo – fondazione policlinico universitario “a. gemelli” irccs, roma
Prof. Sala Evis – fondazione policlinico universitario “a. gemelli” irccs, roma
Prof. Valentini Vincenzo – fondazione policlinico universitario “a. gemelli” irccs, roma
Prof. Gambacorta Maria Antonietta – fondazione policlinico universitario “a. gemelli” irccs, roma

AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità

ABSTRACT
La radiochemioterapia neoadiuvante (nCRT) rappresenta lo standard di cura attuale nei pazienti affetti da neoplasie del retto localmente avanzate. È noto che la risposta alla radioterapia è proporzionale al livello di dose erogato nel tumore del retto. Per questo motivo, un aumento della dose di trattamento può portare ad un incremento della percentuale di risposta completa, specialmente nei pazienti che non rispondono alle dosi standard.
La radioterapia ibrida alla risonanza magnetica offre la possibilità di visualizzare i volumi di terapia in modo molto dettagliato e di realizzare piani di trattamento personalizzati prima di ogni frazione di terapia: vantaggi impossibili da ottenere con apparecchi tradizionali.
Lo studio THUNDER2 si propone di aumentare il tasso di risposta completa nei pazienti affetti da neoplasie del retto localmente avanzate cT2-3, N0-2 o cT4 utilizzando un acceleratore lineare ibrido ad uno scanner di risonanza magnetica da 0.35T.
Questo studio valuta l’impatto dell’incremento di dose nei pazienti considerati scarsamente responsivi al trattamento, con l’obiettivo di aumentare la probabilità di risposta completa ed evitare il trattamento chirurgico.
Il trattamento ncRT previsto consiste nella somministrazione di 55 Gy in 25 frazioni sul volume tumorale macroscopico (GTV) più il mesoretto corrispondente e 45 Gy in 25 frazioni sui linfonodi di drenaggio. La chemioterapia concomitante prevede con 5-fluorouracile (5-FU) o capecitabina orale verrà somministrata.
Durante il trattamento viene applicato, per la prima volta nel mondo, un modello predittivo basato sulla radiomica che predice la risposta del singolo paziente tramite un indice precoce di regressione tumorale (ERI).
Tale indice viene calcolato alla seconda settimana di trattamento delle cinque previste. Se esso risulta inferiore ad un valore di 13.1, il paziente continuerà il trattamento standard; se invece sarà superiore a 13.1, il piano di trattamento verrà riottimizzato mediante tecniche “online adaptive” intensificando la dose al tumore residuo per raggiungere i 60.1 Gy (5.1 Gy in più della dose standard).
Alla fine della ncRT, il paziente viene sottoposto a chirurgia in caso di malattia stabile o progressione.
In caso invece di risposta completa o maggiore, saranno preferiti approcci non chirurgici.
Sono stati ad oggi arruolati 43 pazienti sul campione calcolato di 63 ed i risultati ottenuti sono incoraggianti con un aumento della risposta di circa il doppio dello standard.

 

 

Torna su »

AFFILIAZIONE
humanitas research hospital

AUTORE PRINCIPALE
Ing. Gazzara Michele

VALUTA IL CHALLENGE[ratingwidget]

GRUPPO DI LAVORO
Ing. Gazzara Michele – humanitas research hospital, rozzano (mi)
Ing. Nappi Mariangela – humanitas research hospital, rozzano (mi)
Ing Oliva Paolo – humanitas research hospital, rozzano (mi)

AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità

ABSTRACT
Introduzione
Nelle degenze di Humanitas sono stati introdotti dei monitor multiparametrici smart di ultima generazione in grado di acquisire in maniera automatica i parametri vitali e calcolare, a partire da questi ultimi, l’Early Warning Score (EWS), un parametro che permette di valutare il potenziale deterioramento delle condizioni cliniche dei pazienti. I monitor sono connessi con la cartella clinica elettronica (CCE) e ciò ha reso disponibile una significativa mole di dati relativi allo stato di salute dei pazienti che sono stati impiegati per l’implementazione di un algoritmo predittivo.
Stato dell’Arte
In letteratura è stato già discusso il valore predittivo dell’EWS e del peso di ogni parametro vitale che concorre al calcolo. A partire da questo, ci si è posti l’obiettivo di fare uno step aggiuntivo per capire se i valori precedenti di EWS e degli altri parametri vitali (al tempo t) permettono di predire il valore successivo di EWS (al tempo t+Δt). Conoscere in anticipo l’evoluzione dell’EWS porta significativi benefici al personale medico, che può predisporre nuovi piani terapeutici in maniere tempestiva, e ai pazienti, che possono evitare complicazioni e ridurre il tempo di degenza.
Materiali e Metodi
Sono stati estratti dalla CCE i dati di 3327 pazienti ricoverati in due degenze (1 chirurgica, 1 oncologica) da Giugno 2021 a Giugno 2022. Per ogni paziente sono stati estratti: HR, FR, PAS, SAT, SATO2 (saturazione dell’ossigeno in caso di ossigenoterapia), Temp, Stato di coscienza (variabile booleana), EWS. Dopo il preprocessing, (standardizzazione, encoding e split in set di training, test e validazione) i dati sono stati impiegati per il training di un algoritmo basato sul modello del percettrone multistrato. Sono stati testati i risultati su diverse architetture per identificare quella con errore quadratico medio (RMSE) più basso che consta di tre livelli (50,30,10). Nel training del modello sono stati impiegati la ReLU come funzione di attivazione e l’ottimizzatore ADAM (Adaptive Moment Estimation), basato sulla discesa stocastica del gradiente.
Risultati
Per valutare la qualità del modello, ovvero quanto i risultati ottenuti siano in grado di predire l’indice EWS all’istante t+Δt, è stata utilizzata la matrice di confusione e le sue relative metriche: precisione, sensitività, accuratezza e F1-score. Di seguito i valori ottenuti, che validano le performance dell’algoritmo: Precisione=1; Sensitività=0,9892; Accuratezza=0,9976; F1-score= 0,9946.

 

 

Torna su »

AFFILIAZIONE
ematologia e terapia cellulare e ufficio di trasferimento tecnologico, irccs istituto tumori ‘giovanni paolo ii’

AUTORE PRINCIPALE
Ing. Zaccaria Gian Maria

VALUTA IL CHALLENGE[ratingwidget]

GRUPPO DI LAVORO
Ing. Zaccaria Gian Maria – ematologia e terapia cellulare e ufficio di trasferimento tecnologico, irccs istituto tumori ‘giovanni paolo ii’, bari
Ing. Berloco Francesco – dipartimento di ingegneria elettrica e informatica, politecnico di bari, bari
Dr. Clemente Felice – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Pappagallo Susanna Anita – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Vegliante Maria Carmela – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Gargano Grazia – dipartimento di matematica, università degli studi aldo moro, bari
Dr. Mondelli Paolo – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Volpe Giacomo – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Bucci Antonella – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Skrypets Tetiana – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Minoia Carla – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Quinto Angela Maria – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Loseto Giacomo – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Rossini Bernardo – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Pavone Fabio – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Scattone Anna – dipartimento di anatomia patologica, irccs istituto tumori ‘giovanni paolo ii’, bari
Ing. Carella Giuseppe – ufficio di trasferimento tecnologico, irccs istituto tumori ‘giovanni paolo’, bari
Ing. Angiulli Vito – ufficio di trasferimento tecnologico, irccs istituto tumori ‘giovanni paolo’, bari
Dr. Pagani Chiara – divisione di ematologia, asst-spedali civili di brescia, brescia
Dr. Di Rocco Alice – unità di ematologia, azienda ospedaliero-universitaria policlinico umberto i, roma
Dr. Quaglia Francesca Maria – dipartimento di medicina, unità di ematologia, università di verona, verona
Dr. Tabanelli Valentina – divisione di ematopatologia diagnostica, istituto europeo di oncologia, milano
Dr. Fama Angelo – uos ematologia, asl teramo, teramo
Dr. Puccini Benedetta – unità di ematologia, ospedale universitario careggi, firenze
Dr. Moia Riccardo – divisione di ematologia, azienda ospedaliero-universitaria maggiore della carità di novara, novara
Dr. Ferrero Simone – divisione di ematologia 1, aou “città della salute e della scienza di torino”, torino
Prof. Grieco Alfredo – dipartimento di ingegneria elettrica e informatica, politecnico di bari, bari
Prof.ssa Colucci Simona – dipartimento di ingegneria elettrica e informatica, politecnico di bari, bari
Dr. Guarini Attilio – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari
Dr. Ciavarella Sabino – ematologia e terapia cellulare, irccs istituto tumori ‘giovanni paolo ii’, bari

AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità

ABSTRACT
La scarsa accessibilità ai sistemi informativi aziendali limita l’utilizzo dei dati di pazienti di pratica clinica per scopi di ricerca traslazionale. La App ARGO (Generatore Automatico di Record Onco-ematologici) converte i referti patologici cartacei in eCRF (electronic Case Report Form) sfruttando le tecnologie OCR (Optical Character Recognition) e NLP (Natural Language Processing) [Zaccaria, Sci.Rep., 2021]. Al fine di dimostrare la sua scalabilità, ARGO è stato validato su 501 referti patologici provenienti da otto Centri italiani, tra cui le diagnosi dei sottotipi di linfoma più frequenti.
La fase di validazione ha coinvolto sei ematologi che hanno generato le eCRF semplicemente acquisendo fotografie di ogni referto cartaceo utilizzando altrettanti Apple iPhone (IOS v.15). Abbiamo suddiviso i referti in due gruppi composti da 347 referti dell’IRCCS Istituto Tumori ‘Giovanni Paolo II’ (serie interna, SI) e da 154 referti provenienti da sette centri cooperativi italiani (serie esterna, SE). I referti includevano i principali marcatori immunoistochimici (MI). Sulla base dei marcatori identificati, l’algoritmo di ARGO (sviluppato in Python) provvede ad inviarli attraverso tecnologia API ai server dell’NIH (National Institute of Health) per poi classificare la diagnosi di linfoma sulla base dell’ICD-10 e dell’ICD-O. Per superare il rischio di mis-classificazione, abbiamo integrato all’algoritmo un modello Random Forest addestrato sulla SI, e poi testato sulla SE. Le prestazioni dell’App sono state valutate in termini di accuratezza e F1-score.
L’App ARGO include due casi d’uso per acquisire prospetticamente e leggere retrospettivamente i referti. Il primo consente al medico di acquisire referti patologici tramite la fotocamera del telefono cellulare. Il secondo permette di ricercare i pazienti filtrando per ID del referto, diagnosi e anagrafica del paziente. Per ogni nuovo record, ARGO converte le informazioni demografiche dei pazienti, la diagnosi, il tessuto di origine dei campioni e i MI. ARGO ha convertito con successo 490 report (97,8%) in eCRF strutturate (complessivamente, 18.816 dati) raggiungendo, per la classificazione delle diagnosi, accuratezze comprese tra l’87,3% e l’82,5% rispettivamente per la SI e la SE e punteggi di F1 tra l’87,3% e l’83,0% per la SI e la SE.
ARGO è facilmente trasferibile alla pratica clinica quotidiana a supporto della ricerca traslazionale. Gli sforzi attuali mirano a sviluppare una versione multilingue dell’App.

 

 

Torna su »