Nuove metodologie e tecniche ecografiche per la diagnosi e la gestione clinica della sarcopenia: sviluppo e applicazione di un software per l'analisi automatizzata dei dati delle immagini in radiofrequenza e in modalità B.

Abstract

Background: La riduzione della massa e della funzione muscolare è associata a un aumento della morbilità e della mortalità. L’ecografia, pur essendo una metodica economica e portatile, è tuttora sottoutilizzata nella valutazione del trofismo muscolare a causa della sua dipendenza dall’esperienza dell’operatore e dalla variabilità delle misurazioni. Obiettivi: Questo studio proof-of-concept mira a superare tali limitazioni sviluppando un modello di deep learning in grado di predire la densità muscolare, valutata tramite TC, utilizzando dati ecografici, esplorando così la fattibilità di un nuovo parametro ecografico per la valutazione del trofismo muscolare. Metodi: È stato arruolato un campione di partecipanti adulti sottoposti a TC presso il pronto soccorso della nostra istituzione tra maggio 2022 e marzo 2023, in questo studio monocentrico. Gli esami ecografici sono stati eseguiti con una sonda da 11-3 MHz. I muscoli retti dell’addome, selezionati come muscoli target, sono stati acquisiti in scansione trasversale, registrando un’immagine ecografica per lato. Per ciascun partecipante, lo stesso operatore ha calcolato la densità media del muscolo target in unità Hounsfield su un’immagine TC assiale corrispondente al piano di scansione ecografico. Risultati: I In totale, sono state raccolte 1497 immagini ecografiche provenienti da 818 partecipanti (età media 67 ± 17 anni, 470 maschi). È stato sviluppato un modello di deep learning per classificare le immagini ecografiche in tre classi di densità muscolare basate sui valori TC. Il modello ha mostrato prestazioni promettenti, con un’accuratezza categoriale del 70% e valori di AUC pari a 0,89, 0,79 e 0,90 nelle tre classi. Conclusioni: Questo studio osservazionale introduce un approccio innovativo alla valutazione automatizzata del trofismo muscolare mediante imaging ecografico. Futuri sviluppi dovranno concentrarsi sulla validazione esterna in popolazioni e contesti clinici differenti, nonché sull’estensione dell’appli

Background: Reduced muscle mass and function are associated with increased morbidity and mortality. Although ultrasound is a cost-effective and portable technique, it remains underutilized in muscle trophism assessment due to its reliance on operator expertise and measurement variability. Objectives: This proof-of-concept study aims to overcome these limitations by developing a deep learning model capable of predicting muscle density, as assessed by CT, using ultrasound data, thereby exploring the feasibility of a novel ultrasound-based parameter for muscle trophism evaluation. Methods: A sample of adult participants undergoing CT examinations in our institution’s emergency department between May 2022 and March 2023 was enrolled in this single-center study. Ultrasound examinations were performed using an 11–3 MHz probe. The rectus abdominis muscles, selected as target muscles, were scanned in the transverse plane, recording one ultrasound image per side. For each participant, the same operator calculated the mean target muscle density in Hounsfield Units from an axial CT slice corresponding to the ultrasound scanning plane. Results: A total of 1,497 ultrasound images from 818 participants were collected (mean age 67 ± 17 years, 470 males). A deep learning model was developed to classify ultrasound images into three muscle density categories based on CT values. The model demonstrated promising performance, with a categorical accuracy of 70% and AUC values of 0.89, 0.79, and 0.90 across the three classes. Conclusions: This observational study introduces an innovative approach to the automated assessment of muscle trophism using ultrasound imaging. Future developments should focus on external validation in different populations and clinical settings, as well as on extending the application to other muscle groups.