Intelligenza Artificiale in Sala Operatoria: La Mia Scommessa per Rivoluzionare la Cura dei Calcoli Renali con il Machine Learning!

Ciao a tutti! Oggi voglio parlarvi di un progetto che mi sta particolarmente a cuore e che, ne sono convinto, ha il potenziale per cambiare radicalmente il modo in cui affrontiamo una patologia tanto comune quanto fastidiosa: i calcoli renali. Parliamo di ureteroscopia (URS) e litotrissia laser, procedure fantastiche, ma il cui esito, ammettiamolo, a volte può essere un terno al lotto. E se vi dicessi che stiamo lavorando per avere una sorta di “sfera di cristallo” basata sulla scienza dei dati? Esatto, sto parlando di Machine Learning (ML) e Intelligenza Artificiale Spiegabile (XAI).

La Sfida: Prevedere l’Imprevedibile nell’Ureteroscopia

L’urolitiasi, ovvero la formazione di calcoli nelle vie urinarie, è un vero tormento per milioni di persone e un bel grattacapo per i sistemi sanitari. L’ureteroscopia flessibile con litotrissia laser (fURSL) è una delle nostre armi migliori: minimamente invasiva, efficace. Ma “efficace” non significa “priva di incognite”. Il successo dell’intervento, la famosa stone-free status (SFS), cioè l’assenza di frammenti residui, e il rischio di complicanze possono variare tantissimo. Dipende dalle dimensioni e dalla posizione del calcolo, dall’anatomia del paziente, dalle sue condizioni generali… un sacco di variabili!

Fino ad oggi, ci siamo affidati molto all’esperienza clinica, alla storia del paziente e alle immagini diagnostiche. Metodi validi, certo, ma che a volte non bastano per una previsione davvero precisa. Ed è qui che entra in gioco la magia, o meglio, la scienza del Machine Learning.

FLEXOR: Il Nostro Tesoro di Dati e l’Allenamento degli Algoritmi

Immaginate di avere a disposizione un’enorme banca dati internazionale, chiamata FLEXOR. Stiamo parlando dei dati di ben 6669 pazienti trattati con URS per calcoli urinari tra il 2015 e il 2023, raccolti in 20 centri sparsi in 15 paesi. Un vero tesoro di informazioni! Abbiamo preso questi dati – età, sesso, sintomi, dimensioni e posizione dei calcoli, tipo di laser usato, e tantissimi altri dettagli preoperatori, intraoperatori e postoperatori – e li abbiamo dati “in pasto” a ben 15 diversi algoritmi di Machine Learning.

L’obiettivo? Allenare queste intelligenze artificiali a prevedere diversi esiti:

• Lo stone-free status (SFS) a tre mesi.
• Le complicanze intraoperatorie (come sanguinamento o lesioni all’uretere o al sistema pielocaliceale).
• La necessità di un drenaggio postoperatorio.
• Le complicanze postoperatorie (febbre, sepsi).
• La necessità di un nuovo intervento.
• La possibilità di una dimissione in giornata.

E non ci siamo fermati qui! Abbiamo usato anche l’Intelligenza Artificiale Spiegabile (XAI). Perché? Perché non ci basta sapere *cosa* l’algoritmo prevede, vogliamo capire *perché* fa quella previsione, quali fattori considera più importanti. Questo è cruciale in medicina, dove le decisioni devono essere trasparenti e comprensibili.

I Risultati che Ci Fanno Ben Sperare: Precisione e Comprensione

Ebbene, i risultati sono stati davvero incoraggianti! Ad esempio, l’algoritmo Extra Tree Classifier ha raggiunto un’accuratezza dell’81% nel predire lo stone-free status. Niente male, vero? Ma andiamo più nel dettaglio.

Il Sacro Graal: Prevedere il Successo dell’Intervento (Stone-Free Status – SFS)

Per l’SFS, l’Extra Tree Classifier si è dimostrato il migliore con un’accuratezza dell’81.10%. L’analisi di correlazione ha suggerito che fattori come l’età, la febbre preoperatoria, la presenza di calcoli multipli, il diametro del calcolo, l’uso della tecnologia Moses e del laser a Tullio (TFL) giocano un ruolo. L’XAI ha confermato che l’uso del TFL e degli ureteroscopi digitali sembra avere un ruolo predittivo importante nell’assenza di frammenti. Immaginate poter dire a un paziente, con buona approssimazione, quali sono le sue chance di liberarsi completamente dai calcoli!

Abbiamo visto che il sanguinamento del sistema pielocaliceale (PCS) era negativamente correlato con una ‘urinocoltura positiva’ (strano, ma i dati dicono questo!), l’uso di ‘tamsulosina’, la ‘localizzazione del calcolo’, l’uso di ‘scopi a fibra ottica’, ‘Fibra Moses’ e ‘TFL’. Positivamente, invece, con ‘creatinina elevata’, ‘febbre’ e ‘diametro del calcolo’. Per le lesioni al PCS o all’uretere, fattori come ‘creatinina elevata’, ‘febbre’ e ‘calcoli nel polo inferiore’ hanno mostrato una correlazione moderata. L’algoritmo Random Forest è stato il migliore nel predire le lesioni del PCS (accuratezza del 97.73%), mentre XGBoost ha brillato per le lesioni ureterali (accuratezza del 96.88%). L’XAI ha sottolineato l’importanza di fattori come l’uso di scopi digitali, il TFL, la localizzazione del calcolo e un elevato carico litiasico.

E Dopo? Prevedere Drenaggio, Febbre, Sepsi e Nuovi Interventi

La necessità di un drenaggio postoperatorio è stata predetta con un’accuratezza dell’80.97% (sempre dall’Extra Tree Classifier). Fattori come l’uso di tamsulosina, il numero, la localizzazione e il diametro dei calcoli, la creatinina elevata, il dolore preoperatorio, l’uso della tecnologia Moses, un’anatomia anomala e il tipo di ureteroscopio (monouso o a fibra ottica) e laser (Moses o TFL) sono risultati influenti.

Per la febbre postoperatoria, l’Extra Tree Classifier ha raggiunto un’accuratezza del 91.34%. L’XAI ha indicato il TFL, gli scopi riutilizzabili e le caratteristiche del calcolo (dimensione, molteplicità, localizzazione) come predittori chiave. Un dato interessante emerso è la forte correlazione tra un’urinocoltura preoperatoria positiva e la febbre/sepsi postoperatoria. Questo sottolinea quanto sia cruciale preparare bene il paziente, specialmente se a rischio.

La sepsi postoperatoria, una complicanza seria, è stata predetta con un’impressionante accuratezza del 99.01% dal CatBoost Classifier! Qui, l’XAI ha evidenziato il diametro del calcolo, i calcoli nella pelvi renale e l’uso di scopi a fibra ottica come caratteristiche predittive chiave. Anche qui, un’urinocoltura positiva preoperatoria, l’uso di tamsulosina, il diametro crescente del calcolo e i calcoli nella pelvi renale aumentavano le probabilità di sepsi.

Infine, la necessità di un nuovo intervento è stata predetta con un’accuratezza dell’88.49% dal Random Forest. L’XAI ha identificato il tipo di scopi, il tipo di laser e il diametro dei calcoli come fattori predittivi importanti, con gli scopi a fibra ottica che giocano un ruolo primario. Anche la dimissione in giornata è stata analizzata, con il Gradient Boost che ha raggiunto l’83.85% di accuratezza, e l’XAI che ha puntato il dito sul tipo di scopi, sull’uso e tipo di guaina ureterale (UAS) e sull’uso di tamsulosina.

Cosa Significa Tutto Questo per Medici e Pazienti?

Questi modelli di Machine Learning non sono solo esercizi accademici. Hanno il potenziale per diventare strumenti potentissimi nelle nostre mani. Immaginate di poter discutere con il paziente, prima dell’intervento, mostrandogli dati personalizzati sul suo rischio specifico e sulle probabilità di successo. Questo significa decisioni più informate, una cura più personalizzata e, speriamo, risultati migliori e maggiore sicurezza per i pazienti.

L’XAI, in particolare, è fondamentale. Non vogliamo “scatole nere” che ci danno risposte senza spiegazioni. Vogliamo capire il ragionamento della macchina, per fidarci dei suoi suggerimenti e integrarli al meglio nella nostra pratica clinica. Ad esempio, l’albero decisionale spiegabile ci ha mostrato associazioni tra lesioni ureterali e specifiche localizzazioni del calcolo, informazioni preziose!

Certo, siamo consapevoli dei limiti. Il nostro studio è retrospettivo, e c’è sempre una variabilità tra i diversi centri. Ma queste limitazioni, in un certo senso, riflettono la complessità del mondo reale. Il prossimo passo? Migliorare ulteriormente i modelli, magari integrando dati intraoperatori in tempo reale. E poi, valutare l’impatto di questi modelli predittivi sugli esiti per i pazienti, sui costi sanitari e sulla soddisfazione generale.

Credo fermamente che l’integrazione del Machine Learning nei protocolli di trattamento dell’urolitiasi rappresenti un passo da gigante verso una previsione automatica degli esiti e l’ottimizzazione della sicurezza del paziente. Siamo solo all’inizio di una rivoluzione, ed è entusiasmante farne parte!

Fonte: Springer