Instabilità di spalla, un aiuto dall’intelligenza artificiale

sindrome spalla

L’intelligenza artificiale e l’uso dei big data possono essere strumenti molto utili in ambito medico, come tanti studi stanno dimostrando. Certo, occorre individuare gli algoritmi più idonei e, prima ancora, le informazioni adeguate da inserirvi per ottenere una predizione corretta rispetto al quesito iniziale.

Uno studio del Dipartimento di Chirurgia Ortopedica e Medicina dello Sport della Mayo Clinic ha proposto l’uso di un algoritmo di machine learning per prevedere il rischio di ricaduta e le complicanze in pazienti con instabilità anteriore di spalla sottoposti a trattamento conservativo o chirurgico.

L’instabilità di spalla, spiegano gli autori nell’introduzione dello studio, è una «comune causa di limitazione funzionale nei giovani atleti, con incidenza annuale riportata di 169 soggetti ogni 100.000 persone».

Tra questi, sono tanti coloro che sviluppano recidive, causa non solo di limitazioni dal punto di vista sportivo, ma anche di un’artrosi anticipata: la recidiva avrebbe tassi del 74% in soggetti trattati conservativamente e del 24% in quelli che ricevono una stabilizzazione chirurgica. Anche se questa seconda percentuale è inferiore alla prima, resta comunque alta.

Come fare a individuare i pazienti più predisposti a sviluppare recidive e, più alla lunga, artrosi alla spalla?

Qui entra in gioco il modello di machine learning, ideato per predire l’instabilità ricorrente, necessità di intervenire chirurgicamente dopo un primo trattamento conservativo e lo sviluppo di artrosi sintomatica. 654 i pazienti under 40 coinvolti in questo studio di coorte, dei quali il 23,5% donne, con una durata media di follow-up di 11.1 anni: di questi, il 67.7% ha avuto eventi ricorrenti di instabilità, 228 sono stati infine operati, 43 dopo un singolo evento di instabilità, e 39 hanno sviluppato artrosi.

Gli autori hanno revisionato le informazioni dei pazienti per generare degli algoritmi predittivi: i cinque migliori candidati sono stati poi allenati per diventare altrettanti modelli e validati per assicurarsi che siano replicabili ed efficienti. La validazione è stata condotta con la tecnica statistica del “bootstrapping”, utilizzando 1000 set di dati ricampionati. I modelli performanti sono stati quindi integrati in una web-application educativa open access e interattiva (http://rtools.mayo.edu/asi): gli imput inseriti dai clinici permettono la generazione di predizioni di esito accompagnati dalle dovute spiegazioni. L’app può poi essere utilizzata da ricercatori.
Le caratteristiche chiave utilizzate per realizzare gli algoritmi predittivi sono: quando è iniziato il primo evento di instabilità; età del paziente al primo evento; tipo di sport praticato; evidenze radiografiche.

(Lo studio: Lu Y, Pareek A, Wilbur RR, Leland DP, Krych AJ, Camp CL. Understanding Anterior Shoulder Instability Through Machine Learning: New Models That Predict Recurrence, Progression to Surgery, and Development of Arthritis. Orthopaedic Journal of Sports Medicine. November 2021. doi:10.1177/23259671211053326)

Stefania Somaré