logo SBA

ETD

Digital archive of theses discussed at the University of Pisa

 

Thesis etd-12082021-133814


Thesis type
Tesi di specializzazione (4 anni)
Author
VECCHI, ANDREA
URN
etd-12082021-133814
Thesis title
Ecostress e Machine Learning per la predizione di sopravvivenza nella cardiopatia ischemica cronica
Department
PATOLOGIA CHIRURGICA, MEDICA, MOLECOLARE E DELL'AREA CRITICA
Course of study
MALATTIE DELL'APPARATO CARDIOVASCOLARE
Supervisors
relatore Prof. De Caterina, Raffaele
relatore Dott. Bovenzi, Francesco Maria
Keywords
  • ischemic cardiomyopathy
  • cardiopatia ischemica
  • machine learning
  • ecostress
Graduation session start date
07/01/2022
Availability
None
Summary
L'ecostress è tra i test provocativi di imaging raccomandati dalle linee guida europee per lo studio della sospetta o nota cardiopatia ischemica cronica sintomatica. Ciononostante, la classica ricerca dell'ischemia miocardica inducibile tramite la valutazione della cinesi parietale regionale del ventricolo sinistro ha dimostrato negli anni una riduzione del suo potere predittivo positivo/negativo e prognostico. L'utilizzo della riserva coronarica come parametro aggiuntivo si è dimostrato efficace nella predizione prognostica, indipendentemente dalla presenza di difetti inducibili della cinesi del ventricolo sinistro, aumentando notevolmente la performance della metodica. Il classico studio di predizione prognostica e di sopravvivenza basato sui metodi di regressione uni e multivariata si è dimostrato sub-ottimale rispetto all'utilizzo di nuove tecniche di classificazione e studio di regressione sui dati, che implementano l’intelligenza artificiale e gli algoritmi di Machine Learning. Scopo di questo lavoro è valutare se la capacità predittiva di un algoritmo di Machine Learning, che integra dati clinici ed ecocardiografici, può migliorare la predizione prognostica di sopravvivenza di un singolo paziente. Lo studio ha coinvolto 6881 pazienti reclutati in modo prospettico ed analizzati in modo retrospettivo, riferiti al laboratorio di ecocardiografia di 5 centri italiani per una sospetta o nota cardiopatia ischemica cronica sintomatica. Il follow up mediano è stato 3,4 anni e l'endpoint primario utilizzato è stato la morte da tutte le cause. L’ecostress è stato eseguito mediante protocollo farmacologico con infusione di Dipiridamolo in 6 minuti. L'algoritmo di machine learning utilizzato è stato il Random Forest. Nel corso del follow up il 12% dei pazienti sono deceduti, ed il rischio di morte è risultato più alto nei pazienti >60 anni, con una frazione di eiezione <60% con difetti della cinesi a riposo o inducibili da stress e riserva coronarica <3. L'analisi dei dati ha mostrato una relazione stretta, con andamento proporzionale ripido, tra la quantità e la gravità dei difetti nella cinesi miocardica inducibili da stress e sopravvivenza, ed una relazione altrettanto stretta tra mortalità e valori di riserva coronarica <3. La validazione interna, effettuata tramite il calcolo del C-Index, ha mostrato una performance superiore dell’algoritmo del Random Forest rispetto alla regressione di Cox nella predizione prognostica. In conclusione, l'approccio con machine learning si è dimostrato efficace e facilmente utilizzabile per l'integrazione di grandi quantità di dati clinici ed ecocardiografici finalizzati alla predizione prognostica. Sulla base dei dati ottenuti è stata sviluppata un applicazione web in grado, dopo l'inserimento dei dati di un paziente, di visualizzare in modo chiaro e con un’interfaccia semplice il risultato del modello predittivo sottoforma di curva di sopravvivenza. L'automazione di questo approccio potrebbe consentire una diffusione su larga scala del metodo, per una pronta ed efficiente valutazione della prognosi nel singolo paziente, in modo da ottimizzare e personalizzare la strategia terapeutica e di follow up.
File