Non tutti i tumori del rene seguono la stessa evoluzione. Anche pazienti con caratteristiche cliniche apparentemente simili possono presentare, dopo l’intervento chirurgico, prognosi molto diverse. Individuare prima dell’operazione chi è maggiormente esposto al rischio di una malattia aggressiva rappresenta quindi una delle principali sfide ancora aperte dell’urologia oncologica. A questa esigenza prova a rispondere un nuovo modello di intelligenza artificiale sviluppato da un gruppo multidisciplinare dell’Università Vita-Salute San Raffaele e dell’Istituto di Ricerca Urologica, URI, dell’IRCCS Ospedale San Raffaele, in collaborazione con l’Unità di Chirurgia Robotica Urologica e Trapianto Renale dell’Università di Firenze e dell’Ospedale Careggi. Il sistema è in grado di stimare, già nella fase precedente alla chirurgia, il rischio di mortalità tumore-specifica nei pazienti con carcinoma renale non metastatico. Il lavoro, pubblicato su Nature Communications, è stato realizzato utilizzando dati clinici reali dei pazienti trattati al San Raffaele e successivamente validato su una popolazione indipendente proveniente da un altro centro. I risultati hanno mostrato prestazioni superiori rispetto ai principali modelli prognostici attualmente disponibili.
Un nuovo strumento per prevedere l’aggressività del carcinoma renale
Il carcinoma a cellule renali è la forma più frequente di tumore del rene. Nei casi di malattia localizzata, la chirurgia continua a rappresentare il trattamento di riferimento. L’intervento, tuttavia, non elimina completamente il rischio di una successiva evoluzione della patologia: circa un paziente su tre va incontro a recidiva o progressione. La possibilità di riconoscere già prima dell’operazione i pazienti con una probabilità più elevata di sviluppare una malattia aggressiva potrebbe incidere sull’intero percorso terapeutico.
Una stima preoperatoria più accurata può infatti contribuire alla definizione della strategia chirurgica, alla programmazione della sorveglianza dopo l’intervento e alla valutazione dell’eventuale ricorso a trattamenti sistemici. Il valore del nuovo modello risiede soprattutto nella capacità di fornire una valutazione del rischio in una fase in cui non sono ancora disponibili tutte le informazioni patologiche ottenute dall’analisi del tessuto rimosso durante l’operazione. “Nella pratica clinica osserviamo ogni giorno pazienti che, pur con tumori apparentemente simili, possono avere prognosi molto diverse”, spiega il dottor Alessandro Larcher, medico urologo dell’Unità Operativa di Urologia dell’IRCCS Ospedale San Raffaele. “Disporre di uno strumento capace di stimare il rischio già prima dell’intervento significa poter aggiungere un elemento oggettivo alla valutazione clinica, a supporto di decisioni sempre più personalizzate. Il modello non sostituisce il giudizio del medico, ma nasce per affiancarlo”.
Medicina personalizzata e decisioni cliniche prima della chirurgia
Il modello si inserisce nel percorso verso una medicina personalizzata, nella quale le decisioni terapeutiche vengono adattate alle caratteristiche specifiche del singolo paziente e della sua malattia. Nei tumori renali, l’apparente somiglianza tra due casi non corrisponde necessariamente a un comportamento biologico analogo. Pazienti con masse tumorali confrontabili per dimensioni o presentazione clinica possono andare incontro a esiti molto differenti. Per questo motivo, disporre di uno strumento capace di integrare più fattori preoperatori può aiutare a definire in modo più preciso il profilo di rischio individuale. La stima elaborata dall’algoritmo non è destinata a sostituire il medico né a produrre automaticamente una scelta terapeutica. L’obiettivo è fornire un ulteriore elemento quantitativo e oggettivo da affiancare all’esperienza dello specialista, alla valutazione multidisciplinare e alle condizioni complessive del paziente. In prospettiva, una classificazione più accurata del rischio potrebbe permettere di intensificare la sorveglianza nei pazienti più vulnerabili e, allo stesso tempo, di evitare percorsi eccessivamente gravosi nei soggetti con una probabilità più bassa di evoluzione sfavorevole.
Le otto variabili cliniche utilizzate dal modello di intelligenza artificiale
Uno degli aspetti centrali del progetto è la scelta di utilizzare soltanto informazioni già disponibili nella normale pratica assistenziale prima dell’intervento. Il modello si basa su otto variabili cliniche: dimensione del tumore, interessamento dei linfonodi, livello di emoglobina, conta piastrinica, funzionalità renale, età, indice di massa corporea e performance status del paziente. Il performance status è una misura clinica standardizzata utilizzata per descrivere le condizioni generali del paziente e la sua capacità di svolgere le normali attività quotidiane. Insieme agli altri parametri, consente all’algoritmo di elaborare una stima individuale del rischio di mortalità collegata specificamente al tumore. La scelta di ricorrere a dati facilmente reperibili aumenta la potenziale applicabilità del sistema. Il modello, infatti, non richiede esami sperimentali, analisi molecolari complesse o tecnologie non disponibili nella pratica clinica ordinaria. Questa caratteristica potrebbe facilitarne la validazione in altri ospedali e in popolazioni di pazienti differenti, passaggio indispensabile prima di una possibile integrazione nei percorsi clinici.
Oltre 3.100 pazienti coinvolti nello sviluppo e nella validazione
L’algoritmo è stato sviluppato utilizzando una coorte di 2.536 pazienti sottoposti a trattamento presso l’IRCCS Ospedale San Raffaele negli ultimi anni. I dati di questa popolazione hanno permesso ai ricercatori di addestrare e mettere a punto il modello predittivo. Successivamente, il sistema è stato testato su una coorte indipendente composta da 580 pazienti dell’Azienda Ospedaliero-Universitaria Careggi di Firenze. La validazione esterna costituisce un elemento particolarmente importante, perché consente di verificare se le prestazioni ottenute nel centro in cui il modello è stato sviluppato vengono mantenute anche in un contesto differente. Nel complesso, lo studio ha quindi coinvolto più di 3.100 pazienti. Tra le ricerche che propongono modelli prognostici costruiti esclusivamente su variabili disponibili prima dell’intervento, si tratta, a oggi, della casistica più ampia. Il confronto con i principali strumenti prognostici già esistenti ha evidenziato prestazioni superiori del nuovo modello. Il risultato rafforza l’ipotesi che l’integrazione tra dati clinici reali e metodologie avanzate di analisi possa produrre strumenti più precisi per la valutazione preoperatoria del carcinoma renale.
Explainable AI, un algoritmo che rende comprensibile la stima del rischio
Un ulteriore elemento distintivo riguarda il modo in cui è stato progettato il sistema. Il modello finale segue i principi della Explainable AI, l’intelligenza artificiale spiegabile. Questo approccio permette di rendere visibile e comprensibile il contributo delle singole variabili cliniche alla stima complessiva del rischio. Il risultato non viene quindi restituito come un dato generato da una “scatola nera”, privo di una spiegazione interpretabile. La possibilità di comprendere quali fattori abbiano inciso maggiormente sulla valutazione rappresenta un requisito fondamentale in ambito sanitario. In medicina, infatti, l’accuratezza di un algoritmo non è sufficiente se il suo funzionamento non può essere esaminato, discusso e verificato dagli specialisti. La trasparenza del modello può favorire la fiducia dei clinici e facilitare una futura integrazione nei percorsi assistenziali. Consente inoltre di utilizzare l’algoritmo come strumento di supporto al ragionamento medico, mantenendo la decisione finale sotto la responsabilità del professionista.
S-RACE e l’impiego dei dati clinici reali nella ricerca
Lo studio rappresenta una nuova applicazione di S-RACE, la piattaforma sviluppata dall’Università Vita-Salute San Raffaele e dall’IRCCS Ospedale San Raffaele per trasformare i dati raccolti durante la pratica clinica quotidiana in strumenti destinati alla ricerca e al supporto delle decisioni mediche. Queste informazioni, definite Real World Data, derivano dall’attività assistenziale ordinaria e riflettono quindi la complessità dei pazienti trattati nella realtà clinica. La loro integrazione e analisi può permettere di individuare relazioni e fattori prognostici difficili da riconoscere attraverso processi esclusivamente manuali. S-RACE è stata progettata secondo i principi di un’intelligenza artificiale responsabile e interpretabile, con l’obiettivo di sviluppare modelli che non siano soltanto accurati, ma anche trasparenti, verificabili e utilizzabili in contesti di ricerca clinica. “Questo studio dimostra concretamente il potenziale di S-RACE –, afferma il dottor Alberto Traverso, Responsabile scientifico del gruppo di Data Science S-RACE, Centro di eccellenza intelligenza artificiale – La nostra piattaforma ci consente di integrare grandi quantità di dati clinici raccolti nella pratica quotidiana, sviluppando modelli non solo accurati ma anche trasparenti e comprensibili. È un passaggio fondamentale perché queste tecnologie possano essere adottate con fiducia, prima nella ricerca e in prospettiva nella pratica clinica”.
Una pipeline automatizzata per preparare i dati clinici
Per sviluppare il modello, i ricercatori hanno utilizzato una pipeline dedicata, cioè una sequenza automatizzata di procedure capace di organizzare le informazioni cliniche, verificarne la qualità e prepararle per l’analisi. Il processo ha consentito di trasformare migliaia di dati raccolti durante l’attività assistenziale in un dataset strutturato e utilizzabile per lo sviluppo dell’algoritmo. La qualità della preparazione automatizzata è stata confrontata con quella ottenuta attraverso il tradizionale processo di selezione manuale dei dati, curato da un clinico esperto. Il confronto ha mostrato prestazioni sovrapponibili. Il risultato indica che la pipeline automatizzata può affiancare in modo affidabile il lavoro degli specialisti nella fase di preparazione dei dati destinati alla ricerca. L’automazione non elimina il ruolo del medico, ma può ridurre il carico delle attività ripetitive, standardizzare alcune procedure e rendere più efficiente l’analisi di grandi quantità di informazioni cliniche.
L’intelligenza artificiale ha individuato due nuove variabili prognostiche
Un risultato particolarmente rilevante riguarda la selezione dei fattori utilizzati dal modello. L’algoritmo ha individuato due nuove variabili oltre ai sei predittori già presenti nel dataset clinico preparato manualmente. Questa capacità suggerisce che l’intelligenza artificiale applicata alla medicina possa contribuire non soltanto alla costruzione di strumenti predittivi, ma anche alla scoperta di possibili biomarcatori o indicatori prognostici non considerati dai modelli tradizionali. L’identificazione è avvenuta in maniera agnostica, cioè senza partire necessariamente da ipotesi cliniche prestabilite, ma basandosi sulle relazioni osservate nei dati raccolti. Questo approccio potrebbe far emergere fattori ignorati dagli attuali modelli prognostici largamente diffusi nel mondo urologico. Il risultato non equivale ancora alla dimostrazione definitiva del valore biologico o clinico di nuovi biomarcatori. Apre però una prospettiva di ricerca, indicando variabili che potranno essere ulteriormente studiate e validate in popolazioni più ampie e in contesti differenti.
L’integrazione tra urologia, radiologia e data science
La realizzazione del modello è stata possibile grazie alla collaborazione tra competenze cliniche e tecnologiche differenti. Al progetto hanno partecipato urologi, radiologi, esperti di intelligenza artificiale, data scientist e bioinformatici. La multidisciplinarità ha permesso di integrare la conoscenza del carcinoma renale con strumenti avanzati per la gestione, l’organizzazione e l’analisi dei dati. Questo tipo di collaborazione è essenziale per evitare che i modelli vengano sviluppati senza un collegamento diretto con le esigenze della pratica clinica. “Questo studio nasce dall’incontro tra una consolidata esperienza clinica nella gestione del carcinoma renale e competenze avanzate di intelligenza artificiale e scienza dei dati”, commenta il professor Andrea Salonia, urologo, andrologo, direttore dell’Istituto di Ricerca Urologica – URI e ordinario di Urologia all’Università Vita-Salute San Raffaele. “Sviluppare modelli di questo tipo significa valorizzare il patrimonio di dati clinici raccolto in oltre trent’anni di attività, trasformandolo in conoscenza utile a migliorare la presa in carico dei pazienti”. Il patrimonio informativo accumulato in oltre trent’anni di attività clinica rappresenta infatti una risorsa significativa. Se adeguatamente organizzati, controllati e interpretati, i dati possono essere utilizzati per generare nuove conoscenze e migliorare la capacità di valutare il rischio individuale.
Un’applicazione web per favorire nuove validazioni
Il modello è stato reso disponibile anche attraverso un’applicazione web. Lo strumento è stato pensato per facilitare la validazione del sistema in altri centri e favorire, in prospettiva, la sua integrazione nei percorsi di ricerca clinica. La disponibilità dell’applicazione non implica che l’algoritmo sia già destinato a un impiego autonomo nella pratica assistenziale. Prima di una possibile adozione clinica saranno necessarie ulteriori verifiche, incluse validazioni su altre popolazioni e in differenti contesti sanitari. L’accessibilità del sistema può tuttavia accelerare il confronto tra gruppi di ricerca e consentire di valutarne la capacità predittiva su casistiche esterne rispetto a quelle utilizzate nello studio iniziale.
“L’intelligenza artificiale può produrre un reale valore per la medicina solo se sviluppata secondo criteri di trasparenza, robustezza e verificabilità”, conclude il professor Carlo Tacchetti, ordinario di Anatomia Umana e Direttore del Programma Strategico di IA dell’Università Vita-Salute San Raffaele. “Il nostro obiettivo non è costruire algoritmi fini a sé stessi, ma strumenti affidabili in grado di supportare il medico nelle decisioni cliniche. Per questo il modello è stato reso disponibile anche attraverso un’applicazione web, che ne faciliterà la validazione in altri centri e potrà favorirne, in futuro, l’integrazione nei percorsi di ricerca clinica. Questo modello è il primo di una serie che sono in via di sviluppo presso S-RACE, su altrettante domande cliniche relative a patologie oncologiche, cardiovascolari, neurologiche e metaboliche. Tre di questi modelli già stati completati e presto saranno pubblicati”.
Nuovi modelli di intelligenza artificiale per oncologia e altre patologie
Il sistema dedicato al tumore del rene è il primo di una serie di modelli in fase di sviluppo nell’ambito di S-RACE. Le ulteriori applicazioni riguardano domande cliniche relative a patologie oncologiche, cardiovascolari, neurologiche e metaboliche. Tre di questi modelli sono già stati completati e la loro pubblicazione è prevista prossimamente. Il progetto punta quindi a estendere il metodo sperimentato nel carcinoma renale ad altri ambiti della medicina, utilizzando i dati clinici reali per costruire strumenti predittivi trasparenti e verificabili. L’obiettivo dichiarato non è produrre algoritmi isolati dal contesto assistenziale, ma sviluppare sistemi capaci di rispondere a problemi clinici concreti. In questa prospettiva, l’intelligenza artificiale viene considerata uno strumento di supporto al medico e non un sostituto del giudizio professionale.
Il finanziamento del progetto D³4Health
Lo studio è stato finanziato dal Ministero dell’Università e della Ricerca nell’ambito del progetto D³4Health – Digital Driven Diagnostics, Prognostics and Therapeutics for Sustainable Healthcare. Il progetto sostiene lo sviluppo di soluzioni digitali applicate alla diagnosi, alla prognosi e alle terapie, con l’obiettivo di contribuire alla costruzione di un sistema sanitario più sostenibile. Il modello per la previsione preoperatoria della mortalità tumore-specifica nel carcinoma renale rappresenta una delle applicazioni concrete di questa strategia. L’unione tra dati clinici reali, competenze mediche, infrastrutture digitali e intelligenza artificiale spiegabile apre la strada a strumenti capaci di migliorare la stratificazione del rischio e rendere più personalizzato il percorso di cura.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?