L'intelligenza artificiale identifica i modelli di declino della salute dopo un infarto. / AI identifies health decline patterns after heart attacks

 L'intelligenza artificiale identifica i modelli di declino della salute dopo un infarto. / AI identifies health decline patterns after heart attacks

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

I ricercatori dell'Università del Surrey hanno identificato tre distinti modelli di declino dello stato di salute tra i sopravvissuti ad un infarto nei cinque anni successivi all'evento.

La ricerca ha utilizzato uno strumento di intelligenza artificiale per individuare schemi che potrebbero aiutare i medici a prevedere quali pazienti potrebbero seguire quale percorso di guarigione, consentendo loro di personalizzare le cure fin dalle prime fasi del recupero. Il lavoro è descritto in dettaglio nel  Journal of the American Medical Informatics Association.

Lo studio del Surrey ha utilizzato le cartelle cliniche di 12.701 partecipanti alla UK Biobank che avevano subito un infarto. Il gruppo ha monitorato la sequenza e la tempistica delle nuove diagnosi successive all'evento, quindi ha utilizzato l'apprendimento automatico basato sui dati per raggruppare i pazienti che presentavano schemi simili. 

Il gruppo ha scoperto che il 63% dei partecipanti ha sviluppato patologie cardiometaboliche come ipertensione, diabete di tipo 2 e dislipidemia, oltre a complicazioni cardiache e respiratorie episodiche. Il gruppo ha anche riscontrato che il 23%, presumibilmente fumatori, ha subito un declino a livello polmonare, del sistema muscolo-scheletrico e di altri organi. Circa il 14% dei pazienti ha sviluppato cardiopatie strutturali, aritmie e problemi renali. 

Il gruppo legato al fumo presentava un tasso di mortalità (44%) superiore di oltre tre volte rispetto al gruppo più numeroso (quello con patologie cardiometaboliche). 

In una dichiarazione, l'autore principale, il dottor Anthony Onoja, ricercatore presso l'Università del Surrey, ha affermato: "Abbiamo scoperto di poter prevedere il decorso clinico di un paziente dopo un infarto, al momento stesso dell'evento, utilizzando le sue diagnosi preesistenti ed i dati demografici. Il nostro strumento di intelligenza artificiale si è dimostrato incredibilmente efficace nell'individuare e prevedere il gruppo a più alto rischio, in cui le patologie respiratorie, l'età avanzata ed i punteggi di deprivazione più elevati sono risultati fattori predittivi chiave." 

"Il nostro approccio è entusiasmante, ma siamo ancora agli inizi di questo percorso e crediamo che in futuro potrebbe aiutare gli ospedali ad identificare precocemente le persone che seguono questi percorsi ed a sviluppare cure personalizzate per loro." 

Il gruppo di ricerca ha inoltre indagato se i modelli avessero un significato biologico e l'analisi genetica ha confermato che ciascun gruppo corrispondeva a percorsi molecolari distinti: attivazione immunitaria e rimodellamento tissutale nel gruppo più numeroso, segnalazione dell'insulina e trasporto dei lipidi nel gruppo con aritmie ed infiammazione cronica e degenerazione nel gruppo correlato al fumo.  

"I medici utilizzano in genere valutazioni del rischio, come il punteggio SMART, per capire la probabilità che un paziente subisca un altro evento cardiaco", ha affermato l'autore senior, il professor Nophar Geifman. "Abbiamo scoperto che questi strumenti rimangono il più forte predittore di mortalità nel nostro studio, ma le traiettorie hanno aggiunto dettagli che un punteggio da solo non può fornire. I modelli che abbiamo identificato dimostrano che possiamo cogliere non solo il rischio di un paziente, ma, soprattutto, le cause ed i punti in cui potrebbe essere necessario un intervento."

ENGLISH

Researchers at Surrey University have identified three distinct patterns of health decline among heart attack survivors over the five years following the event.

The research used an AI tool to find patterns that could help clinicians predict which patients could follow which path and allow them to tailor care sooner through their recovery.  The work is detailed in the Journal of the American Medical Informatics Association

The Surrey study used the health records of 12,701 UK Biobank participants who had experienced a heart attack. The team tracked the sequence and timing of new diagnoses after the event, then used data-driven machine learning to group patients who followed similar patterns. 

The team found that 63 per cent developed cardiometabolic conditions such as hypertension, type 2 diabetes and dyslipidaemia, alongside episodic heart and respiratory complications. The team also found that 23 per cent, who were thought to be smokers, suffered a decline in the lungs, musculoskeletal system and other organs. Around 14 per cent of patients developed structural heart diseases, arrhythmias and kidney problems. 

The smoking-related group had a mortality rate (44 per cent) that was more than three times the rate of the largest group (with cardiometabolic conditions). 

In a statement, lead author Dr Anthony Onoja, a research fellow from Surrey University, said: “We found that we could predict the health trajectory a patient would follow after a heart attack, at the point of the event itself, using their pre-existing diagnoses and demographic data. Our AI tool was incredibly effective at finding and predicting the highest-risk group, where respiratory conditions, older age, and higher deprivation scores were key predictors. 

“Our approach is exciting, but we are still early in this journey, and we believe that in the future this could help hospitals identify people who follow these trajectories early and develop tailored care for them.” 

The research team also investigated whether the patterns were biologically meaningful,  and genetic analysis confirmed that each group mapped to distinct molecular pathways – immune activation and tissue remodelling in the largest group, insulin signalling and lipid transport in the arrhythmia group and chronic inflammation and degeneration in the smoking-related group.  

“Clinicians typically use risk assessments, such as the SMART score, to help them understand how likely a patient is to have another heart event,” said senior author Professor Nophar Geifman. “We found that these tools are still the strongest single predictor of mortality in our study, but the trajectories added detail that a stand-alone score cannot provide. The patterns we have identified show that we can capture more than just a patient’s risk but, crucially, why, and where intervention could be needed.” 

Da:

https://www.theengineer.co.uk/content/news/ai-finds-health-decline-patterns-after-heart-attacks?rcip=giuseppecotellessa%40libero.it&utm_campaign=Daily%20Bulletin%20-210826%20-%20Friday&utm_content=&utm_term=https%3A%2F%2Fwww.theengineer.co.uk%2Fcontent%2Fnews%2Fai-finds-health-decline-patterns-after-heart-attacks&utm_medium=email&utm_source=The%20Engineer