Intelligenza artificiale: applicazione nella Sclerosi Sistemica

Abstract

La Sclerosi Sistemica (SSc) è una malattia autoimmune sistemica avente la mortalità più elevata tra le malattie reumatologiche e la fibrosi polmonare è il principale responsabile di questa mortalità. Un trattamento precoce è associato a una riduzione nella progressione della fibrosi e conseguentemente è fondamentale farne diagnosi il più precocemente possibile. Essa può essere diagnosticata con certezza tramite HRCT, tramite la quale si può calcolare la presenza e gravità della fibrosi polmonare tramite il “Warrick Score” (WS). Recenti studi hanno dimostrato che le prove di funzionalità respiratoria (PFR) non sono sufficienti per identificare tutti i pazienti nei quali è presente malattia polmonare, soprattutto agli stadi iniziali di compromissione. Il “Machine Learning” (ML) è stato studiato come possibile strumento per identificare in maniera precoce quei pazienti in cui è presente un’iniziale compromissione polmonare non identificata dalle PFR. Si sono studiati in maniera retrospettiva i dati provenienti dallo screening di 38 pazienti affetti da SSc, compreso il grado di compromissione polmonare calcolato tramite il “WS score”. Queste informazioni hanno costituito il database al quale sono stati applicati cinque diversi algoritmi di ML al fine di individuare se fosse possibile prevedere il risultato della HRCT (il WS) sulla base degli altri valori ottenibili dallo screening del paziente affetto da SSc. Dei cinque algoritmi utilizzati uno, il Random Forest, ha ottenuto un risultato sufficientemente accurato (RMSE = 0.810) da essere utilizzabile nella pratica clinica. Grazie al modello ottenuto, che si basa sull’utilizzo di sette variabili ottenibili da spirometria, test DLCO e pH-impedenzometria, il ML può quindi essere utilizzabile nella diagnosi precoce del coinvolgimento polmonare nella SSc. Dato il ridotto numero di campioni sul quale i dati sono stati calcolati, i risultati ottenuti andrebbero confermati ripetendo lo stesso studio su un numero maggiore.

Systemic Sclerosis (SSc) is a systemic immune-mediated disease, which has been considered as one of the rheumatic diseases with the highest mortality. One of its complications include lung fibrosis, and this is the leading cause of death. Early treatment is correlated with a slower fibrosis progression. Therefore, it should be identified as early as possible. Lung fibrosis can be diagnosed with certainty using HRCT, by which the gravity of fibrosis can be calculated using the “Warrick Score” (WS). Recent clinical studies suggest that pulmonary function tests are insufficiently sensitive for screening purpose as these fail to identify some patients with lung fibrosis at early stages. Machine Learning (ML) has been tested as a possible add-on to the current clinical practice with the purpose of identifying patients having an undergoing lung involvement. Data from the screening of 38 patients with SSc have been collected and merged with HRCT “WS score” results. Together these have been used as dataset to train five ML algorithms. Their performance has been tested in terms of their predictability of the HRCT result (or the WS score) based on the other data obtained from the SSc patient’s screening results. Among the five ML algorithms, Random Forest, obtained an acceptable estimated accuracy (RMSE = 8.810) that can be used in the clinical practice. This chosen model gathers information coming from spirometry, DLCO test and pH-impedentiometry. Thanks to the Random Forest model’s characteristics, ML can be used in early diagnosis of lung involvement in SSc patients. Since the obtained data have been calculated on a small sample size, it would be advisable that results are to be confirmed by replicating the reported study on a bigger sample size.