L'analisi ecocardiografica 3D automatizzata

Il concetto di "diagnosi assistita da computer" esiste da decenni, in particolare nell'imaging rx del torace. Questa lunga “incubazione” ha creato le condizioni per lo sviluppo dell'intelligenza artificiale, del machine learning (ML) e dell'apprendimento profondo. Il ML è un'applicazione dell'intelligenza artificiale che consente a un software per computer di apprendere relazioni o schemi complessi ricavati da dati empirici, e di generare analisi e decisioni accurate e affidabili.

Le applicazioni emergenti di intelligenza artificiale (IA) e di machine learning (ML) per l'imaging cardiaco hanno il potenziale per rivoluzionare il modo in cui vengono diagnosticati e gestiti i pazienti con malattie cardiovascolari. Va detto che, a differenza della rx del torace o della tomografia computerizzata (il cui output sono immagini statiche da interpretare), l'ecocardiografia richiede l'interpretazione di immagini in movimento. Questa oggettiva difficoltà ha rallentato l’implementazione del ML nell'ecocardiografia. Oggi però, gli algoritmi ML applicati all’ecografia sono una realtà.

Nello specifico ecocardiografico, gli algoritmi basati su ML promettono di fornire accurate misurazioni automatiche delle camere cardiache, migliorando l'efficienza e, in futuro, anche l’efficacia in termini diagnostici e prognostici.

L’analisi machine learning viene effettuata grazie a un pacchetto software (HeartModel) che utilizza un algoritmo model-based. L’algoritmo integrato nel software deduce in modo automatico i volumi delle camere sinistre (atrio e ventricolo), la gettata sistolica e la frazione d’eiezione del VS dai dati acquisiti con tecnica ecocardiografica tridimensionale, senza l’intervento manuale dell'operatore il quale tuttavia, se necessario, può liberamente ottimizzare la ricostruzione agendo su un cursore digitale sul touch-screen dell’ecocardiografo.

L’algoritmo consente di ottenere in pochi secondi (29 ± 10 sec). volume e frazione di eiezione tridimensionale del ventricolo sinistro nella maggior parte dei pazienti (94.5%). Tra i vantaggi di questa nuova metodologia, il software oltre alla quantificazione del ventricolo, ricava simultaneamente anche il volume dell’atrio dallo stesso set di dati eco-3D e può fornire una valutazione più completa della funzione dell’atrio stesso rispetto alle misure convenzionali.

Un altro importante vantaggio del nuovo algoritmo è che è stato progettato per analizzare i set di dati eco-3D acquisiti in modalità single-beat. Questa modalità di acquisizione ha il vantaggio di evitare uno dei limiti più frequenti dell’imaging 3D multi-battito, vale a dire gli artefatti dovuti al contrasto (stitch artifact). Ciò può rivelarsi particolarmente utile in tutti i pazienti nei quali l'analisi 3D è difficile, come i pazienti con frequenti aritmie o quelli con difficoltà respiratorie.