Un algoritmo di intelligenza artificiale (AI) ha battuto gli ecografisti nella valutazione ecografica della funzionalità ventricolare sinistra
Era successo per la prima volta 25 anni nell’ambito di giochi di intelligenza come gli scacchi, quando un computer IBM batté Garri Kasparov, uno dei più grandi scacchisti di sempre. Oggi, in ambito medico, il risultato si ripete: un algoritmo di intelligenza artificiale (AI) ha battuto gli ecografisti nella valutazione ecografica della funzionalità ventricolare sinistra. E’ quanto emerso dallo studio Echo-Net RCT presentato in una Hot Line session al congresso Esc 2022 a Barcellona da David Ouyang dello Smidt Heart Institute del Cedars-Sinai, Los Angeles.
Il background
Una valutazione accurata della frazione di eiezione ventricolare sinistra (LVEF) è essenziale per diagnosticare le malattie cardiovascolari e prendere decisioni terapeutiche. La valutazione si basa spesso su un piccolo numero di cicli cardiaci che possono comportare un’elevata variabilità inter-operatore. Per migliorare l’accuratezza diagnostica David Ouyang e colleghi hanno sviluppato EchoNet-Dynamic, un algoritmo di deep-learning che è stato addestrato su video ecocardiografici per valutare la funzione cardiaca, utilizzando le informazioni di numerosi cicli cardiaci in modo da ridurre al minimo l’errore e produrre risultati affidabili.
Caratteristiche e obiettivi dello studio
EchoNet-RCT ha testato se la valutazione della LVEF effettuata dal software di AI o da un ecografista necessitino una rivalutazione da parte di un cardiologo revisore con frequenza differente. Il flusso di lavoro clinico standard per determinare la LVEF mediante ecocardiografia prevede che un ecografista esegua la scansione del paziente; l’ecografista fornisce una prima valutazione della LVEF e quindi un cardiologo esamina la valutazione per fornire un rapporto finale di LVEF. In questo studio clinico, la scansione ecocardiografica è stata assegnata in modo casuale 1:1 alla valutazione iniziale dell’IA o alla valutazione iniziale dell’ecografista, dopodiché i cardiologi in cieco hanno riesaminato la valutazione e hanno fornito un rapporto finale sulla LVEF.
I ricercatori hanno confrontato in che misura i cardiologi hanno dovuto modificare la valutazione iniziale dell’IA rispetto alla valutazione iniziale dell’ecografista. L’endpoint primario era la frequenza di una variazione maggiore del 5% nella LVEF tra la valutazione iniziale (AI o ecografista) e il referto cardiologo finale. Lo studio è stato progettato per testare la non inferiorità, con un obiettivo secondario di verificare la superiorità.
I risultati osservati
Lo studio ha incluso 3.495 ecocardiogrammi transtoracici eseguiti su adulti per qualsiasi indicazione clinica. La percentuale di valutazioni sostanzialmente modificate è stata del 16,8% nel gruppo AI e del 27,2% nel gruppo ecografisti (differenza: -10,4%; IC al al 95% da -13,2% a -7,7%; p<0,001 per la non inferiorità, p<0,001 per superiorità). L’endpoint di sicurezza era la differenza tra il referto cardiologo finale e il referto cardiologo storico. La differenza media assoluta è stata del 6,29% nel gruppo AI e del 7,23% nel gruppo ecografista (differenza: -0,96%; IC al 95%: da -1,34% a -0,54%; p<0,001 per superiorità).
Le implicazioni secondo gli autori
Secondo David Ouyang, Echo-Net RCT è il primo grande studio randomizzato e controllato di AI in cardiologia che mostra un vantaggio definitivo nell’utilizzo di questo tipo di algoritmi per semplificare il flusso di lavoro nell’ambulatorio di ecografia. «Siamo entusiasti delle implicazioni del trial – ha affermato Ouyang -. Ciò significa per il futuro che alcuni algoritmi di intelligenza artificiale, se sviluppati e integrati nel modo giusto, potrebbero essere molto efficaci non solo nel migliorare la qualità dell’output della lettura dell’ecografia, ma anche nell’aumentare l’efficienza nel tempo e nell’impegno spesi da ecografisti e cardiologi. L’integrazione dell’AI nei flussi di lavoro clinici potrebbe potenzialmente fornire valutazioni più precise e coerenti, consentendo così un rilevamento precoce del deterioramento clinico o della risposta al trattamento».
Fonte
Ouyang D. EchoNet-RCT: Safety and Efficacy Study of AI LVEF. Presented at: ESC 2022. August 27, 2022. Barcelona, Spain.