Predire la prognosi del paziente ematologico: un’applicazione di uno strumento IA al paziente allo-trapiantato
Modelli predittivi basati su tecnologie di Intelligenza Artificiale (IA), stanno emergendo in medicina come affidabili strumenti per la predizione della mortalità. In questo studio gli autori descrivono uno strumento predittivo basato sul machine learning che, utilizzando 7 parametri, permette di predire con un’accuratezza del 93.6% la sopravvivenza dei pazienti sottoposti a trapianto allogenico di cellule staminali emopoietiche.
Survival Prediction in Allogeneic Haematopoietic Stem Cell Transplant Recipients Using Pre- and Post-Transplant Factors and Computational Intelligence
L’efficacia dell’allotrapianto di cellule staminali emopoietiche è spesso ostacolata da numerose complicanze (GvHD, infezioni, complicanze trombotiche e cardiovascolari), che diminuiscono sensibilmente il tasso di sopravvivenza dopo la procedura. L’utilizzo di parametri clinico-laboratoristici e di apposite scale di valutazione (per esempio il Disease Risk Index o l’Endothelial Activation and Stress Index) hanno contribuito a prevedere lo sviluppo di complicanze correlate al trapianto e, indirettamente, la sopravvivenza. Questi strumenti risultano avere però un’attendibilità non ottimale e uno scarso utilizzo nella pratica clinica. Una soluzione a questa problematica potrebbe essere individuata nelle nuove tecnologie, in particolare nell’Intelligenza artificiale, che con il machine learning ha dimostrato promettenti risultati di predittività in medicina. Le applicazioni, sebbene ancora a livello sperimentale, sono numerose in ematologia e nell’ambito trapiantologico: dalla stima della probabilità di sviluppare complicanze, a previsioni sulla mobilizzazione cellulare, fino ad arrivare alla selezione dei migliori regimi di condizionamento e alla stima della sopravvivenza. La maggior parte degli studi a riguardo prende in considerazioni solo variabili pre-trapianto per generare una stima della sopravvivenza, non considerando quelle post trapianto. Questo studio retrospettivo osservazionale si pone pertanto come obiettivo lo sviluppo di un algoritmo predittivo di stima della sopravvivenza per i pazienti sottoposto ad allo-HSCT, che consideri non solo le caratteristiche cliniche iniziali dei pazienti, pre-trapianto, ma anche quelle post.
Dopo aver suddiviso il campione dello studio in due coorti, una per “addestrare” lo strumento IA e una seconda come gruppo sperimentale vero e proprio, gli sperimentatori hanno applicato l’algoritmo in maniera retrospettiva. In una prima fase dello studio sono state individuate le variabili più rilevanti da considerare ai fini della predizione, mentre in una seconda è stato costruito e applicato il modello di machine learning in maniera retrospettiva al campione. I risultati della prima fase hanno permesso di individuare i 7 parametri più influenti per la predizione prognostica, alcuni pre e altri post allo-HSCT: creatininemia a 2 giorni post allo-HSCT, età, presenza di GVHD acuta, presenza di GVHD cronica, tipo e stadio di malattia e recupero piastrinico. Successivamente, il modello è stato applicato al gruppo sperimentale e i risultati emersi sono stati confrontati con i dati clinici reali. Con un’accuratezza predittiva del 93,26% della sopravvivenza a lungo termine, il modello risulta essere altamente affidabile ed è in grado di identificare correttamente la prognosi dei pazienti.
Nonostante i limiti del presente studio quali per esempio la sua natura retrospettiva e monocentrica, e la necessità di validazione in ulteriori popolazioni di pazienti (pediatrici e anziani), emergono chiaramente le potenzialità dell’utilizzo dell’IA come strumento predittivo prognostico. Ne consegue un potenziale cambio di paradigma nell’assistenza ai pazienti sottoposti ad allo-HSCT, con un passaggio da una logica assistenziale reattiva, di risposta ad un bisogno già manifesto, ad una logica proattiva, dove il bisogno viene anticipato. Le ricadute potrebbero essere non solo a livello clinico, con terapie più personalizzate e un più mirato controllo dei sintomi; ma anche organizzative, con una più efficiente gestione dei pazienti in base alla loro predizione prognostica. Il contesto ematologico si configura pertanto come un terreno fertile per indagare l’utilizzo delle tecnologie IA in sanità. A tal proposito, sono sicuramente necessari maggiori studi a riguardo, non solo di natura retrospettiva ma anche prospettica e volti non solo a predire la prognosi dei pazienti ma anche i loro bisogni, focalizzandosi non solo quindi ad una visione clinico-medica ma anche ad una di natura assistenziale.
2) J. Styczyński, G. Tridello, L. Koster, et al., “Death After Hematopoi etic Stem Cell Transplantation: Changes Over Calendar Year Time, In fections and Associated Factors,” Bone Marrow Transplantation 55, no. 1 (2020): 126–136, https:// doi. org/ 10. 1038/ s4140 9- 019- 0624- z.
3) J. Versluis, M. Labopin, D. Niederwieser, et al., “Prediction of Non- Relapse Mortality in Recipients of Reduced Intensity Conditioning Allogeneic Stem Cell Transplantation With AML in First Complete Re mission,” Leukemia 29, no. 1 (2015): 51–57, https:// doi. org/ 10. 1038/ leu. 2014. 164.
