Un nuovo algoritmo di intelligenza artificiale stima con precisione il rischio di malattie cardiache causate da colesterolo e ipertensione
Un nuovo algoritmo di intelligenza artificiale (AI) stima con precisione il rischio di malattie cardiache causate dall’esposizione cumulativa ad alti livelli del colesterolo delle lipoproteine a bassa densità (LDL) ed elevati valori di pressione arteriosa sistolica (SBP) e i benefici della riduzione di entrambi i fattori, fornendo così le informazioni essenziali necessarie per prendere decisioni di trattamento personalizzate. È quanto dimostra uno studio presentato a Barcellona, durante il Congresso della Società Europea di Cardiologia (ESC22).
«Questo studio mostra per la prima volta come incorporare gli effetti causali delle LDL e della SBP negli algoritmi di AI» ha detto il ricercatore principale, Brian Ference dell’Università di Cambridge (UK). «Questi algoritmi potrebbero essere utilizzati per guidare le decisioni per i singoli pazienti sui tempi, l’intensità e la durata ottimali dell’abbassamento di LDL e SBP in modo da prevenire nel modo più efficace gli eventi cardiovascolari (CV) aterosclerotici».
Attuali algoritmi di stima del rischio inadeguati
La malattia cardiovascolare aterosclerotica (ASCVD) è una malattia cronica progressiva che inizia presto nella vita e progredisce lentamente nel tempo. Studi randomizzati hanno dimostrato che l’abbassamento di LDL e SBP riduce il rischio di eventi CV aterosclerotici.
«Tuttavia» ha fatto notare Ference «studi di randomizzazione mendeliana mostrano che l’esposizione per tutta la vita a LDL e SBP più bassi è associata a riduzioni molto maggiori del rischio di eventi CV rispetto alle riduzioni osservate negli studi randomizzati dall’abbassamento di LDL e SBP a partire da periodi più tardivi nella vita».
Questo suggerisce che l’abbassamento di LDL e SBP all’inizio della vita può migliorare sostanzialmente la prevenzione delle malattie CV. «Peraltro» ha sottolineato il ricercatore «i tempi, la durata e l’intensità ottimali dell’abbassamento di LDL e SBP per prevenire eventi CV non sono noti».
«Vi è un urgente bisogno di prevenire in modo più efficace le malattie CV» ha ribadito. «LDL e SBP sono le due principali cause modificabili di eventi CV aterosclerotici che sono gli obiettivi degli interventi raccomandati dalle linee guida per prevenire eventi CV».
«I medici utilizzano algoritmi di stima del rischio per selezionare le persone con un’elevata probabilità di malattie cardiache che possono beneficiare della terapia. Questi algoritmi, però, non includono gli effetti di LDL e SBP osservati in studi randomizzati o studi di randomizzazione mendeliana e quindi potrebbero non cogliere il vero beneficio della riduzione di LDL o SBP» ha aggiunto.
In altre parole, «occorrono algoritmi di AI che apprendano gli effetti delle cause modificabili della malattia che sono gli obiettivi dell’intervento porta all’IA causale (Causal AI). Quest’ultima produce algoritmi di IA in grado di prevedere con precisione il rischio e per la prima volta anche prescrivere azioni specifiche per ridurre il rischio stimando con precisione i benefici attesi» ha affermato Ference.
La prospettiva è quella di una nuova generazione di algoritmi di AI che possano essere utilizzati per guidare le decisioni di trattamento individuali per personalizzare la prevenzione delle malattie CV, secondo il ricercatore.
Il duplice obiettivo dello studio
Pertanto – ha spiegato Ference – l’obiettivo di questo studio era duplice. In primo luogo, valutare se gli attuali punteggi di rischio stimassero accuratamente il rischio basale di eventi CV causati da LDL e SBP e il beneficio derivante dalla riduzione di LDL e SBP a partire da qualsiasi età e nel prolungamento per qualsiasi durata.
«In secondo luogo» ha continuato «valutare, utilizzando un algoritmo di AI, se l’aggiunta degli effetti causali di LDL e SBP stimasse più accuratamente il rischio e il beneficio CV».
Quest’ultimo obiettivo è stato perseguito addestrando una nuova generazione di algoritmi di IA per stimare gli effetti causali di LDL e SBP in un modo che riflettesse la biologia sottostante dello sviluppo dell’aterosclerosi e valutando se l’aggiunta di questi effetti stimati dal Causal IA di LDL e SBP negli attuali algoritmi di stima del rischio migliorasse l’accuratezza della stima del rischio/beneficio CV e quindi indirizzasse meglio le decisioni individuali di trattamento.
Migliorata la valutazione del rischio basata sul “JBS3”
L’algoritmo “Causal AI” è stato utilizzato per stimare gli effetti di LDL e SBP in unità di esposizione a tempo discreto (a condizione che l’esposizione precedente avesse riflesso la biologia delle modalità di sviluppo dell’aterosclerosi) su 1,8 milioni di individui, di cui 1.320.974 arruolati in studi di randomizzazione mendeliana che valutavano 140 varianti associate a LDL e 202 varianti associate a SBP e 527.512 partecipanti arruolati in 76 studi randomizzati che valutavano terapie di abbassamento di LDL o SBP.
L’accuratezza dell’algoritmo JBS3 (Joint British Societies) – ha specificato Ference – è stata valutata sia da sola che dopo aver aggiunto gli effetti causali dell’IA di LDL e SBP in:
- un campione indipendente di 445.771 partecipanti alla UK Biobank per valutare quanto accuratamente questi algoritmi stimassero il rischio e il beneficio nel corso della vita;
- 48.315 partecipanti a studi di abbassamento di LDL e SBP per valutare quanto bene questi algoritmi stimassero il beneficio a breve termine dell’abbassamento di LDL, SBP o entrambi osservati negli studi.
L’esito primario era costituito da eventi coronarici maggiori (MCE), definiti come la prima comparsa di un infarto miocardico fatale o non fatale o rivascolarizzazione coronarica. L’esito secondario erano eventi cardiovascolari maggiori (MCVE), definiti come la prima comparsa di un evento coronarico maggiore o di un ictus ischemico non fatale.
Lo studio, ha affermato Ference, ha avuto tre risultati principali nell’evidenziare i limiti dell’algoritmo JBS3.
- L’algoritmo JBS3 ha sistematicamente sottovalutato il rischio di MCE nelle persone con valori di LDL, SBP o entrambi più elevati nel corso dell’intera vita e ha sistematicamente sovrastimato il rischio dei soggetti con esposizione permanente a valori di LDL, SBP o entrambi più bassi. «Questa scoperta spiega perché gli attuali algoritmi di rischio portano alla conclusione biologicamente non plausibile che LDL e SBP – le due principali cause modificabili di eventi CV aterosclerotici – non contribuiscono in modo significativo al rischio di eventi CV. Al contrario, compresi gli effetti causali di LDL e SBP, derivati dall’algoritmo Causal AI, hanno stimato con precisione il rischio di MCE a tutte le età nelle persone con esposizione a LDL, SBP o entrambi».
- L’algoritmo JBS3 ha sistematicamente sottovalutato il vantaggio di mantenere i valori di LDL, SBP o entrambi più bassi per tutta la vita in termini di MCE. Al contrario, compresi gli effetti causali di LDL e SBP, ha stimato con precisione il beneficio di mantenere i livelli di LDL e SBP più bassi per tutta la vita a tutte le età.
- In terzo luogo, l’algoritmo JBS3 ha sistematicamente sottovalutato il beneficio di abbassare LDL, SBP o entrambi a partire da una fase più tardiva nella vita rispetto agli studi randomizzati di terapie di riduzione di LDL e SBP. Al contrario, l’inclusione degli effetti causali di LDL e SBP ha permesso di stimare con precisione il beneficio della riduzione di LDL, SBP o entrambi più tardi nella vita durante ogni mese di follow-up osservato in studi randomizzati.
«Gli attuali algoritmi di stima del rischio presentano bias in termini di prevenzione perché sottovalutano sistematicamente il beneficio della riduzione di LDL e SBP. Ciò può portare alla falsa conclusione che aspettare di abbassare questi parametri fino a più tardi nella vita sia più efficace e costi meno che intervenire in giovane età» ha dichiarato Ference.
La sostituzione di questi algoritmi con Causal AI ha il potenziale per personalizzare la prevenzione delle malattie CV ed evidenziare il vantaggio in termini di salute pubblica e il valore economico degli investimenti nella prevenzione CV».
I messaggi-chiave
- La mancata inclusione degli effetti causali negli algoritmi di stima del rischio porta a una serie di conclusioni controintuitive e biologicamente non plausibili:
- che LDL e SBP – le due principali cause modificabili degli eventi aterosclerotici CV non contribuiscano al rischio di eventi aterosclerotici CV; che il mantenimento di LDL e SBP bassi per tutta la vita non riduca significativamente il rischio; che aspettare di abbassare i valori di LDL e SBP fino a fasi più tardive nella vita dopo lo sviluppo dell’aterosclerosi sia più efficace nel prevenire gli eventi rispetto allo stessa riduzione di LDL e SBP per tutta la vita.
- Queste conclusioni – che in questo studio si dimostrano essere false – sottovalutano sistematicamente il potenziale beneficio della prevenzione precoce e distolgono il pubblico, la comunità medica e i responsabili politici dall’investimento nella prevenzione.
- L’incorporazione degli effetti causali negli algoritmi di stima del rischio valuta con precisione il rischio CV di base causato da LDL e SBP e il beneficio dell’abbassamento di LDL, SBP o entrambi a partire da qualsiasi età per estendersi a qualsiasi durata di tempo.
- Pertanto, fornisce le informazioni necessarie per aiutare ogni persona a selezionare il momento ottimale, la durata più appropriata e l’intensità di trattamento necessaria di LDL e SBP per personalizzare la prevenzione di infarti e ictus.
- Quantifica il vero beneficio clinico ed economico della prevenzione delle malattie CV per informare meglio le linee guida di pratica clinica e la politica sanitaria per costruire casi di investimento per prevenire le malattie cardiovascolari.
- L’IA causale è una nuova generazione di algoritmi di IA che consentono di andare oltre la previsione per aiutare a guidare il processo decisionale clinico.
Fonte:
Ference BA. Causal AI substantially improves the validity of estimating cardiovascular risk and benefit. ESC22. Barcelona (Spain).