La sindrome del tunnel carpale è una neuropatia focale e può determinare nelle fibre muscolari innervate dai nervi malfunzionanti la sostituzione del tessuto muscolare con tessuto adiposo.
Tale caratteristica può essere osservata con l’ecografia, perché il grasso offre una risposta maggiore all’onda ecografica rispetto al muscolo.
Tuttavia, l’accuratezza dell’ecografia nel determinare lo stato dei muscoli di un soggetto con tunnel carpale è ancora bassa: da qui l’intento di migliorarla con l’intelligenza artificiale.
Un lavoro retrospettivo coreano ha messo a confronto letture ecografiche di un paziente con sindrome del tunnel carpale diagnosticata e soggetti sani.
Le ecografie sono state effettuate dallo stesso professionista e valutate direttamente da lui, o da un sistema di machine learning. In tutto le mani malate osservate sono 47, contro 27 di controllo, rispettivamente per un totale di 137 immagini contro 130. Ecco alcuni dei risultati evidenziati dallo studio. Se si considera la zona tenare, l’intensità ecografica (IE) risulta essere di 38.37 ± 14.80 nelle mani malate e di 32.03 ± 7.03 in quelle sane. Se si considera l’ipotenar l’IE è di 28.23 ± 13.03 nelle mani con Sindrome del Tunnel Carpale e 30.16 ± 7.86 nelle altre.
Dal punto di vista statistico, le differenze numeriche riportate tra mani sane e malate non sono significative e non consentono, quindi, di trarre conclusioni. Più efficaci sembrano essere, invece, il rapporto medio tenar/ipotenar della IE e il rapporto SD, entrambi maggiori nelle mani malate rispetto che nelle altre. Parlando di accuratezza, questo modo di misurare la IE ha una sensibilità dell’83% e una specificità del 59,3%.
Che cosa succede se aggiungiamo un modello di intelligenza artificiale per la lettura delle ecografie? Gli autori hanno sperimentato quattro classificatori con machine learning: uno basato sul random forest, AdaBoost, una macchina a vettore di supporto lineare e un XGB.
I quattro modelli hanno ottenuto uno score AUC rispettivamente di 0.83, 0.80, 0.86 e 0.81, più alti di almeno 0.04-010 punti rispetto agli score ottenuti con i metodi di analisi quantitativa tradizionali, quelli più utilizzati al momento.
Non solo. Gli autori hanno dimostrato come utilizzando il modello random forest sia possibile selezionare le feature più adatte all’analisi, aumentando lo score AUC fino a 0,89.
Gli autori confermano, alla fine, la loro idea di affiancare alle immagini ecografiche un sistema di classificazione machine learning che tenga conto delle feature della texture muscolare.
Questo potrebbe supportare i medici e gli specialisti nel migliorare le diagnosi di Sindrome del Tunnel Carpale e a capire i pattern ecografici presenti nelle immagini di questi pazienti. Lo studio è stato condotto dal Dipartimento di Medicina Fisica e Riabilitativa del Korea University Guro Hospital e dal Dipartimento di Ingegneria e Informativa della Korea University.
(Lo studio: Kim, S.W., Kim, S., Shin, D. et al. Feasibility of artificial intelligence assisted quantitative muscle ultrasound in carpal tunnel syndrome. BMC Musculoskelet Disord 24, 524 (2023). https://doi.org/10.1186/s12891-023-06623-3)
