Un nuovo studio ha rivelato che uno strumento di intelligenza artificiale può prevedere con precisione quali pazienti appena infettati dal virus COVID-19 potrebbero sviluppare gravi malattie respiratorie.
Il lavoro è stato condotto dalla NYU Grossman School of Medicine e dal Courant Institute of Mathematical Sciences presso la New York University, in collaborazione con il Wenzhou Central Hospital e il Cangnan People’s Hospital, entrambi a Wenzhou, in Cina.
Chiamato “SARS-CoV-2 ” , il nuovo virus provoca la malattia chiamata “malattia di coronavirus 2019” o “COVID-19”.
Al 30 marzo, il virus aveva infettato 735.560 pazienti in tutto il mondo.
Secondo l’Organizzazione mondiale della sanità, la malattia ha causato finora oltre 34.830 decessi, più spesso tra i pazienti più anziani con condizioni di salute di base.
Il Dipartimento della Sanità dello Stato di New York ha segnalato più di 33.700 casi fino ad oggi a New York City.
Pubblicato online il 30 marzo sulla rivista Computers, Materials & Continua , lo studio ha anche rivelato i migliori indicatori di gravità futura e ha scoperto che non erano come previsto.
“Sebbene il lavoro rimanga per convalidare ulteriormente il nostro modello, è promettente come un altro strumento per prevedere i pazienti più vulnerabili al virus, ma solo a sostegno dell’esperienza clinica conquistata duramente dai medici nel trattamento delle infezioni virali”, afferma l’autore dello studio Megan Coffee , MD, PhD, professore assistente clinico nella Divisione di malattie infettive e immunologia all’interno del Dipartimento di Medicina presso la NYU Grossman School of Medicine.
“Il nostro obiettivo era progettare e implementare uno strumento di supporto alle decisioni utilizzando le capacità di intelligenza artificiale – principalmente analisi predittive – per contrassegnare la gravità del futuro coronavirus clinico”, afferma il coautore Anasse Bari, PhD, professore assistente clinico di Informatica presso l’istituto Courant.
“Speriamo che lo strumento, quando completamente sviluppato, sarà utile ai medici nel valutare quali pazienti moderatamente malati hanno davvero bisogno di letti e chi può tranquillamente andare a casa, con le risorse ospedaliere ridotte”.
Predittori a sorpresa
Per lo studio, i risultati demografici, di laboratorio e radiologici sono stati raccolti da 53 pazienti, ciascuno dei quali è risultato positivo nel gennaio 2020 per il virus SARS-CoV2 nei due ospedali cinesi.
I sintomi erano in genere lievi all’inizio, inclusi tosse, febbre e disturbi di stomaco.
In una minoranza di pazienti, tuttavia, si sono sviluppati sintomi gravi con una settimana, inclusa la polmonite.
L’obiettivo del nuovo studio era determinare se le tecniche di intelligenza artificiale potevano aiutare a prevedere con precisione quali pazienti con il virus avrebbero continuato a sviluppare la sindrome da distress respiratorio acuto o ARDS, l’accumulo di liquidi nei polmoni che può essere fatale negli anziani.
Per il nuovo studio, i ricercatori hanno progettato modelli di computer che prendono decisioni in base ai dati inseriti, con programmi che diventano “più intelligenti” man mano che più dati vengono analizzati e considerati.
Nello specifico, lo studio attuale ha utilizzato alberi delle decisioni che tracciano una serie di decisioni tra le opzioni e che modella le potenziali conseguenze delle scelte in ogni fase di un percorso.
I ricercatori sono stati sorpresi di scoprire che le caratteristiche considerate come caratteristiche distintive di COVID-19, come alcuni schemi osservati nelle immagini polmonari (ad es. Opacità del vetro smerigliato), febbre e forti risposte immunitarie, non erano utili nel prevedere quale dei molti pazienti con sintomi lievi andrebbero a sviluppare una grave malattia polmonare.
Né l’età né il genere sono stati utili nel prevedere malattie gravi, sebbene studi precedenti avessero scoperto che gli uomini di età superiore ai 60 anni erano a maggior rischio.
Invece, il nuovo strumento di IA ha scoperto che i cambiamenti in tre caratteristiche – i livelli dell’enzima alanina aminotransferasi (ALT), i livelli di mialgia e di emoglobina – erano predittivi più accurati della successiva malattia grave.
Insieme ad altri fattori, il team ha riferito di essere in grado di prevedere il rischio di ARDS con una precisione fino all’80%.
I livelli di ALT – che aumentano drammaticamente quando malattie come l’epatite danneggiano il fegato – erano solo un po ‘più alti nei pazienti con COVID-19 , affermano i ricercatori, ma hanno comunque mostrato un ruolo di rilievo nella previsione della gravità.
Inoltre, i dolori muscolari profondi (mialgia) erano anche più comuni e sono stati collegati dalle ricerche precedenti a un’infiammazione generale più elevata nel corpo.
L’obiettivo del nuovo studio era determinare se le tecniche di intelligenza artificiale potevano aiutare a prevedere con precisione quali pazienti con il virus avrebbero continuato a sviluppare la sindrome da distress respiratorio acuto o ARDS, l’accumulo di liquidi nei polmoni che può essere fatale negli anziani.
Infine, livelli più elevati di emoglobina, la proteina contenente ferro che consente alle cellule del sangue di trasportare ossigeno ai tessuti corporei, sono stati anche collegati a successive difficoltà respiratorie.
Ciò potrebbe essere spiegato da altri fattori, come il fumo non dichiarato di tabacco, che è stato a lungo collegato all’aumento dei livelli di emoglobina?
Dei 33 pazienti del Wenzhou Central Hospital intervistati sullo stato del fumo, i due che hanno riferito di aver fumato, hanno anche riferito di aver smesso.
I limiti dello studio, affermano gli autori, includevano l’insieme di dati relativamente piccolo e la gravità clinica limitata della malattia nella popolazione studiata.
Quest’ultimo può essere in parte dovuto a una carenza ancora inspiegabile di pazienti anziani ricoverati negli ospedali durante il periodo di studio.
L’età media dei pazienti era di 43 anni.
“Prenderò maggiore attenzione nella mia pratica clinica ai nostri punti dati, osservando i pazienti più da vicino se, ad esempio, si lamentano di mialgia grave”, aggiunge Coffee.
“È entusiasmante poter condividere i dati con il campo in tempo reale quando può essere utile. In tutte le epidemie passate, i giornali sono stati pubblicati solo dopo che le infezioni erano diminuite. “
Insieme a Coffee e Bari, gli autori dello studio includevano il primo autore Xiangao Jiang, insieme a Jianping Huang, Jichan Shi, Jianyi Dai, Jing Cai, Zhengxing Wu e Guiqing He, nel Dipartimento di Malattie Infettive dell’Ospedale Centrale di Wenzhou. Anche dall’ospedale centrale di Wenzhou era l’autore Yitong Huang del Dipartimento di Ginecologia.
Inoltre autori dello studio sono stati Junzhang Wang del Courant Institute of Mathematical Sciences della New York University, Xinyue Jiang della Columbia University e Tianxiao Zhang nel Dipartimento di Malattie Infettive dell’Ospedale Popolare di Cangnan. Coffee è anche docente aggiunto presso il Dipartimento di Popolazione e Salute della Famiglia presso la Mailman School of Public Health della Columbia.
Metodi di analisi di apprendimento profondo
Wang (su MedRxiv:
https://www.medrxiv.org/content/10.1101/2020.02.14.20023028v2 ) ha suggerito l’applicazione dei metodi di apprendimento profondo dell’intelligenza artificiale per estrarre le caratteristiche grafiche specifiche di COVID-19 dai cambiamenti radiografici delle immagini CT.
La validazione interna del nuovo metodo ha raggiunto una precisione totale dell’82,9% con specificità dell’80,5% e sensibilità dell’84%.
Il set di dati di test esterni ha mostrato una precisione totale del 73,1% con specificità del 67% e sensibilità del 74%. Successivamente, un simile approccio di apprendimento profondo sviluppato da Xu (su ArXiv: https://arxiv.org/abs/2002.09334 ) è stato segnalato per fornire una precisione diagnostica complessiva dell’86,7%.
Chen (manoscritto su MedRxiv:
https://www.medrxiv.org/content/10.1101/2020.02.25.20021568v1) ha persino suggerito una migliore performance di questo approccio. Il suo modello ha raggiunto una sensibilità per paziente del 100%, specificità del 93,55%, precisione del 95,24%, PPV dell’84,62% e VAN del 100%; una sensibilità per immagine del 94,34%, specificità del 99,16%, precisione del 98,85%, PPV dell’88,37% e NPV del 99,61% nel set di dati retrospettivo.
Per 27 potenziali pazienti, il modello ha ottenuto prestazioni comparabili a quelle di un radiologo esperto con tempi di lettura molto più brevi (41,34 s [IQR 39,76-44,48] vs. 115,50 [IQR 85,69-118,17] per paziente).
Un manoscritto di Xu (su ArXiv: https://arxiv.org/abs/2002.09334) ha confermato pubblicazioni precedenti che suggeriscono che l’apprendimento profondo dell’intelligenza artificiale applicato all’analisi delle scansioni TC potrebbe essere la base di un nuovo approccio diagnostico per COVID-19.
I modelli sviluppati in questo studio hanno riportato una precisione diagnostica complessiva dell’86,7%.
Fonte:
NYU Langone
