Artrite reumatoide: l’intelligenza artificiale potrebbe essere in grado di identificare con accuratezza elevata le tumefazioni articolari dei pazienti
L’intelligenza artificiale (AI) potrebbe essere in grado di identificare con accuratezza elevata le tumefazioni articolari in pazienti affetti da artrite reumatoide (AR), grazie all’analisi delle pliche cutanee a livello delle articolazioni delle dita.
Questo è quanto emerge da uno studio pilota svizzero condotto presso il Policlinico Federale di Losanna, presentato nel corso del congresso annuale EULAR.
L’auspicio è che i risultati positivi di questo studio pilota possano portare presto allo sviluppo di una app per smartphone che i pazienti potrebbero facilmente utilizzare tra una visita di controllo reumatologica e la successiva per individuare precocemente le recidive.
Lo studio in breve
Per prima cosa, i ricercatori hanno “addestrato” il sistema di AI da loro impiegato, che utilizza le reti neurali convoluzionali (CNN; Ndr: tipologia di rete neurale in cui il pattern di connettività tra i neuroni è ispirato dall’organizzazione della corteccia visiva animale. Ha diverse applicazioni nel riconoscimento di immagini e video) a riconoscere e ad analizzare le aree tumefatte articolari, caricando su uno smartphone le immagini delle mani di 190 pazienti con AR.
In questo modo è stato implementato un algoritmo per la scansione e la discriminazione delle immagini, denominato DETECTRA.
Le immagini summenzionate sono state pre-processate mediante ritaglio delle articolazioni prossimali interfalangee (PIP; sito anatomico di comune riscontro nell’AR) e focalizzazione delle pieghe dorsali delle dita.
Le linee delle pieghe delle dita sono state isolate, misurate e legate al diametro dell’articolazione.
Nel descrivere questo processo, i ricercatori hanno tenuto a sottolineare l’importanza dello step di pre-processamento, in quanto questa fase agevola la classificazione delle aree di tumefazione in gradi differenti di gravità da parte delle reti neurali, anziché limitarsi a fornire la sola informazione dicotomica sulla presenza o meno di tumefazione. Ciò consente di individuare più precocemente le recidive di AR.
A questo punto i ricercatori hanno discriminato le PIP delle figure inserite nello smartphone in articolazioni tumefatte o meno sulla base del loro giudizio clinico e dei referti ecografici.
In questo modo, è stato possibile osservare che, nelle articolazioni tumefatte, vi era un numero significativamente ridotto di impronte a doppio contorno automaticamente estratte insieme a pieghe cutanee profonde delle dita, rispetto alle articolazioni non tumefatte (1,3 vs. 3,3).
Non solo: il rapporto tra il diametro articolare e la piega cutanea profonda delle dita è risultato significativamente più elevato nelle articolazioni tumefatte rispetto a quelle non tumefatte (media di 4,1 vs. 2,1).
Il modello CNN ha identificato le articolazioni tumefatte sulla base dei pattern delle pieghe cutanee delle dita con un’accuratezza dell’84%, una sensibilità dell’88% e una specificità del 75%.
I ricercatori si sono poi serviti di una “mappa di calore” (Ndr: heat map= rappresentazione grafica dei dati dove i singoli valori contenuti in una matrice sono rappresentati da colori) delle immagini originali per confermare che le pieghe delle dita rappresentassero la regione anatomica in grado di segnalare o meno lo stato di tumefazione di un’articolazione.
Da utlimo, In un sottogruppo di pazienti, inoltre, si è voluto quantificare anche le pieghe delle dita orizzontali rappresentative prima e dopo la risoluzione della tumefazione a carico delle PIP nonché in pazienti con recidive di malattia.
I risultati hanno mostrato che, dopo una risposta significativa al trattamento con DMARD (in presenza/assenza di glucocorticoidi), le analisi longitudinali di 8 pieghe profonde delle dita rappresentative evidenziavano una riduzione del diametro medio e della lunghezza delle pieghe delle dita (the finger fold index) da 3,03 a 2,08.
Per contro, l’indice in questione è aumentato in pazienti che sperimentavano recidive di tumefazione articolare.
Riassumendo
Nel commentare i risultati, i ricercatori hanno sottolineato come il modello di AI da loro utilizzato presenti alcuni benefici rispetto ad altri metodi di identificazione dei processi di tumefazione articolare, come i valori di CRP e le informazioni fornite dai pazienti stessi. Gli outcome riferiti dai pazienti relativi al dolore, alla tumefazione e alla rigidità mattutina sono senz’altro utili ma non sono molto oggettivi, aggiungono. Quanto ai dispositivi indossabili, questi mancano di specificità per le singole patologie. Per fare un esempio, possono tenere traccia della mobilità dei pazienti con AR, ma i risultati potrebbero includere dei fattori che non sono legati alla malattia reumatologica.
“In prospettiva – argomentano gli autori dello studio – il nostro sistema digitale potrebbe dare la possibilità ai pazienti stessi di monitorare la loro malattia in modo più preciso e di agire più tempestivamente se necessario (in caso di rischio recidiva maggiore)”. In pratica, con questo sistema, il paziente potrebbe scattare una foto delle proprie mani (almeno una volta alla settimana) mentre l’algoritmo si occuperebbe di comunicare al paziente se ha individuato un’area di tumefazione, il livello di gravità e la necessità di consultare il proprio reumatologo.
Infine, se l’algoritmo è efficace quanto la valutazione dei livelli di CRP per individuare processi di tumefazione articolare, non si può escludere che questo sistema basato sull’AI possa rimpiazzare nel prossimo futuro i test ematici.
Prossimi step di ricerca
A conclusione della loro presentazione, gli autori dello studio hanno affermato che utilizzeranno lo stesso approccio di ricerca utilizzato per il lavoro presentato al Congresso, estendendolo alle pieghe delle articolazioni metacarpo-falangee e a quelle del piede.
Nel corso della prossima estate, è intenzione dei ricercatori avviare uno studio multicentrico per confermare quanto osservato su un numero più congruo di pazienti.
Bibliografia
Hugle T et al. Automated recognition and monitoring of dorsal skin folds by a convolutional neural network as a potential digital biomarker for joint swelling in patients with rheumatoid arthritis. Presented at EULAR 2022; abstract OP0004.