Frattura di anca, classificazione mediante intelligenza artificiale

Un evento di frattura prossimale di femore impatta molto sulla salute degli anziani, caratterizzati da un fragile equilibrio in termini di salute fisica ed emotiva.
Se non correttamente diagnosticata e trattata, la frattura dell’anca porta a inevitabile disabilità motoria. Inoltre, il dolore e il processo infiammatorio che s’innesca dopo una frattura possono portare al peggioramento di altre patologie croniche preesistenti.

Vediamo qualche dato. Si stima che alla frattura prossimale di femore di associ una mortalità a un anno in circa il 20% dei pazienti colpiti, mentre la perdita di indipendenza coinvolge oltre il 50% di questa popolazione. Il tutto in una condizione epidemiologica che vede un’incidenza di questo tipo di frattura del 4,6-11% negli uomini e del 13,9-22,7% nelle donne.

Questa differenza è dovuta in gran parte al maggior rischio osteoporotico nel genere femminile che rende le ossa più fragili e, quindi, più facili alla rottura anche in presenza di traumi lievi. Tuttavia, è possibile ridurre le conseguenze nefaste della frattura prossimale di femore, intervenendo in modo corretto entro le 48 ore dall’evento stesso. Per facilitare la classificazione di queste fratture un gruppo di ricerca ha sviluppato e presentato un algoritmo di intelligenza artificiale. Lo studio è stato condotto da dall’Università di Twente, nei Paesi Bassi, e dal relativo Ospedale universitario, in collaborazione con l’Università di Duisburg-Essen, in Germania. L’idea di supportare la fase diagnostica con un tool di intelligenza artificiale risponde a due fattori, principalmente: il tempo richiesto per una valutazione manuale delle radiografie e il rischio di errore diagnostico. Il modello proposto sfrutta tutte le immagini radiografiche del paziente e, una volta stabilito il tipo di frattura, effettua anche un report diagnostico utilizzando il linguaggio tipico di questo ambito medico.

I dati utilizzati per sviluppo, allenamento e validazione sono tutti di tipo retrospettivo, presi dai database elettronici di un unico ospedale. In tutto, le immagini utilizzate sono state 11.606, per un totale di 4.915 pazienti. Ogni caso preso in esame era associato almeno a una immagine. Anche la parte relativa al corretto linguaggio da utilizzare nei file diagnostici è stata allenata: in questo caso, si sono utilizzati 28.329 report radiologici. I dati a disposizione sono stati utilizzati al 70% per l’allenamento del modello, al 20% per la sua validazione e al 10% per i test finali. Il modello, che è ancora in fase di miglioramento, ha mostrato una accuratezza di classificazione pari al 87 ± 2% con voto positivo da parte della commissione istituita per valutarlo pari al 90 ± 2%. Risultati promettenti, soprattutto perché, come sottolineano gli autori nelle loro conclusioni, questo sistema non necessita di alcun intervento manuale da parte dei radiologi. Inoltre, il modello è alla pari con lo stato dell’arte in termini di punteggi BLEU e ROUGE. Lo studio è molto dettagliato e, per fortuna, pubblicato “open” su “Artificial Intelligence in Medicine”, quindi disponibile a essere letto da parte di chiunque dia interessato.

(Lo studio: Paalvast O, Nauta M, Koelle M, Geerdink J, Vijlbrief O, Hegeman JH, Seifert C. Radiology report generation for proximal femur fractures using deep classification and language generation models. Artif Intell Med. 2022 Jun;128:102281. doi: 10.1016/j.artmed.2022.102281. Epub 2022 Mar 26. PMID: 35534140)

Stefania Somaré