PredictAI Sotto la Lente: L’Intelligenza Artificiale Prevede le Emorragie nei Pazienti Oncologici? Ce lo Racconta la Validazione!

Ciao a tutti! Oggi voglio parlarvi di qualcosa di veramente affascinante che sta succedendo nel mondo della medicina, in particolare nell’oncologia e nella gestione di una complicanza seria: la trombosi venosa profonda (TEV) e il rischio di sanguinamento che ne consegue. Immaginate la situazione: un paziente con cancro attivo sviluppa una TEV. Per evitare guai peggiori, come un’embolia polmonare, si inizia una terapia anticoagulante. Ma qui sorge il dilemma: questi farmaci, salvavita da un lato, aumentano il rischio di emorragie, a volte anche gravi (chiamate emorragie maggiori, o MB). E nei pazienti oncologici, già fragili, gestire questo equilibrio è un’arte complessa. Un sanguinamento importante può costringere a interrompere o ritardare le cure contro il cancro, con conseguenze che potete immaginare.

Ecco perché da tempo si cercano strumenti affidabili per capire *prima* chi rischia di più un’emorragia. Esistono già dei modelli, degli “score” di rischio, ma diciamocelo, spesso hanno limiti metodologici o non sono così precisi come vorremmo, specialmente in questa popolazione così particolare di pazienti.

L’Arrivo di PredictAI: Una Promessa dall’Intelligenza Artificiale

Qui entra in gioco PredictAI. Ne avete sentito parlare? È un progetto ambizioso che ha usato l’intelligenza artificiale (IA), nello specifico il machine learning (ML) e l’elaborazione del linguaggio naturale (NLP), per “leggere” migliaia e migliaia di cartelle cliniche elettroniche (oltre 21.000!) di pazienti oncologici spagnoli con TEV in terapia anticoagulante. L’obiettivo? Sviluppare un algoritmo capace di predire il rischio di emorragia maggiore nei primi 6 mesi dopo la diagnosi di TEV.

Analizzando questa marea di dati (raccolti tra il 2014 e il 2018), i ricercatori hanno identificato alcuni fattori predittivi chiave presenti al momento della diagnosi di TEV:

• Livelli di emoglobina
• Presenza di metastasi
• Età del paziente
• Conteggio delle piastrine
• Conteggio dei leucociti
• Livelli di creatinina sierica

Hanno testato diversi approcci statistici (regressione logistica – LR, alberi decisionali – DT, foreste casuali – RF) e i risultati iniziali erano promettenti, con una capacità predittiva (misurata con un parametro chiamato AUC-ROC) intorno a 0.60-0.61. Non male, considerando la complessità del problema!

La Prova del Nove: La Validazione Esterna con TESEO

Ma come in ogni buona storia scientifica, non basta creare un modello. Bisogna vedere se funziona anche “fuori casa”, su un gruppo diverso di pazienti. È qui che entra in scena il nostro studio: la validazione esterna di PredictAI. È un passaggio cruciale, perché ci dice se il modello è generalizzabile o se funzionava bene solo nel gruppo specifico su cui è stato costruito.

Per questa validazione, abbiamo usato i dati di un altro importante registro, chiamato TESEO. Si tratta di un registro internazionale, prospettico (cioè i dati vengono raccolti man mano che i pazienti entrano nello studio), gestito dalla Società Spagnola di Oncologia Medica (SEOM), che coinvolge 40 ospedali tra Spagna e Portogallo. TESEO raccoglie dati su casi consecutivi di trombosi associata al cancro dal luglio 2018. Una fonte di dati indipendente e di alta qualità, perfetta per mettere alla prova PredictAI.

Abbiamo preso i dati TESEO (estratti fino a ottobre 2021), applicando criteri simili a quelli usati per sviluppare PredictAI. Abbiamo escluso pazienti che avevano già avuto un’emorragia maggiore all’inizio o per cui non si sapeva l’esito durante il follow-up. Alla fine, avevamo una coorte di validazione di 1.863 pazienti.

Le caratteristiche generali dei pazienti TESEO erano simili a quelle della coorte originale PredictAI (età media intorno ai 65 anni, poco più della metà uomini). Tuttavia, abbiamo notato alcune differenze: la percentuale di emorragie maggiori nei 6 mesi era più bassa in TESEO (5.9%) rispetto a PredictAI (10.9%). Inoltre, la percentuale di pazienti con metastasi era notevolmente più alta in TESEO. Questo probabilmente riflette il fatto che i pazienti TESEO sono reclutati principalmente dai reparti di oncologia, quindi potrebbero avere una malattia tendenzialmente più avanzata.

I Risultati: PredictAI Regge il Confronto?

E quindi, come si è comportato PredictAI sui dati TESEO? I risultati sono stati incoraggianti! Abbiamo applicato i tre modelli originali (LR, DT, RF) alla coorte TESEO.

I modelli basati sulla regressione logistica (LR) e sulle foreste casuali (RF) hanno mostrato una performance significativamente superiore al caso (che sarebbe un AUC-ROC di 0.50). Nello specifico:

• LR: AUC-ROC = 0.59 (p=0.002)
• RF: AUC-ROC = 0.56 (p=0.023)

Il modello basato sugli alberi decisionali (DT) ha avuto un risultato più modesto (AUC-ROC = 0.53), non statisticamente significativo.

Cosa significa questo? Significa che, nonostante le differenze tra le popolazioni e i metodi di raccolta dati (PredictAI usava IA su dati non strutturati, TESEO usa dati raccolti prospetticamente e manualmente), i modelli LR e RF di PredictAI sono stati in grado di identificare i pazienti a rischio di sanguinamento anche in questa nuova coorte indipendente. La validazione esterna è, in buona sostanza, riuscita per questi due approcci.

Perché Questa Validazione è Importante? Il Contesto Clinico

Capite bene che avere un modello validato esternamente è un passo avanti notevole. Come accennavo, i modelli esistenti per predire il sanguinamento nei pazienti con TEV (come HASBLED, RIETE, Hokusai, EINSTEIN, ecc.) hanno mostrato limiti importanti, soprattutto quando applicati a pazienti oncologici. Alcuni sono validati solo per specifici farmaci, altri per brevi periodi, altri ancora usano variabili poco definite. Addirittura, uno studio post-hoc sull’HOKUSAI VTE Cancer ha suggerito che questi score generici funzionano male nei pazienti con cancro, e che una semplice classificazione basata sul tipo di tumore era quasi più utile!

Più di recente, sono nati score specifici per la trombosi associata al cancro, come CAT-BLEED e B-CAT. CAT-BLEED, però, è stato sviluppato usando dati di un trial clinico (HOKUSAI VTE Cancer), il che potrebbe limitarne la generalizzabilità (infatti, testato sui dati PredictAI, non ha performato bene). B-CAT, pur basato su dati “real-world”, ha altre limitazioni (esclusione di pazienti con VTE pregressa, definizione restrittiva del sanguinamento).

PredictAI, usando dati dal mondo reale estratti con IA e includendo parametri di laboratorio comuni (emoglobina, piastrine, leucociti), mirava proprio a superare questi ostacoli. E il fatto che abbia superato la validazione esterna (almeno per LR e RF) è una conferma importante.

Precisione vs. Sensibilità: Un Equilibrio Delicato

Guardando più a fondo le metriche di performance nella validazione, abbiamo notato che i modelli PredictAI tendono ad avere un’alta “recall” (sensibilità) ma una “precision” (precisione) più bassa. In parole povere, sono bravi a identificare la maggior parte dei pazienti che avranno un sanguinamento (alta recall), ma potrebbero anche segnalare come “a rischio” alcuni pazienti che poi non sanguineranno (bassa precision).

Dal punto di vista clinico, però, questo potrebbe non essere un male. In una situazione così delicata, forse è meglio “allertare” qualche paziente in più (che magari verrà monitorato più attentamente) piuttosto che mancare quelli che sono veramente ad alto rischio. La priorità è prevenire eventi gravi.

La leggera diminuzione delle performance rispetto allo studio originale (AUC da 0.60-0.61 a 0.56-0.59) potrebbe dipendere dalle differenze metodologiche tra PredictAI (IA su EHR) e TESEO (raccolta manuale prospettica), che potrebbero portare a definizioni leggermente diverse degli eventi o delle variabili, e dalle differenze nelle popolazioni (es. più metastasi in TESEO). Nonostante ciò, il segnale predittivo c’è ed è statisticamente significativo.

Cosa Ci Riserva il Futuro?

Questa validazione esterna è un risultato promettente. Ci dice che i modelli PredictAI (in particolare LR e RF) hanno le carte in regola per diventare uno strumento utile nella pratica clinica. Potrebbero aiutare i medici a prendere decisioni più oggettive e personalizzate sulla durata della terapia anticoagulante nei pazienti oncologici con TEV.

Certo, la strada non è finita. Sarebbe utile validare ulteriormente questi modelli su altre coorti di pazienti, magari internazionali e con caratteristiche diverse. Inoltre, per rendere PredictAI davvero utilizzabile dai medici “al letto del paziente”, bisognerà trasformare questi algoritmi complessi in uno strumento pratico, come un calcolatore online o un’app facile da usare. Magari, allenando ulteriormente i modelli con più dati e variabili, potremmo anche migliorarne la precisione.

Ma per ora, possiamo dire che PredictAI ha superato un test importante. È un esempio brillante di come l’intelligenza artificiale possa aiutarci ad affrontare sfide mediche complesse, con l’obiettivo finale di migliorare la vita dei pazienti.

Fonte: Springer