In breve
- Il modello AI è stato sviluppato su 2.536 pazienti e validato su 580 pazienti esterni.
- Utilizza otto variabili preoperatorie: dimensione tumore, linfonodi, emoglobina, piastrine, funzione renale, età, BMI e performance status.
- La pipeline S-RACE ha automatizzato la preparazione dei dati e identificato due nuove variabili predittive.
Un modello di intelligenza artificiale sviluppato da Università Vita-Salute San Raffaele e IRCCS Ospedale San Raffaele, in collaborazione con l’Università di Firenze, stima il rischio di mortalità tumore-specifica nei pazienti con carcinoma renale non metastatico prima dell’intervento chirurgico. Lo studio è stato pubblicato su Nature Communications. Il modello è stato progettato secondo i principi della Explainable AI, per rendere visibile il contributo di ogni variabile alla stima del rischio.
Il lavoro è stato sviluppato su 2.536 pazienti trattati al San Raffaele ed è stato validato su una coorte indipendente di 580 pazienti dell’Azienda Ospedaliero-Universitaria Careggi di Firenze. I ricercatori evidenziano che la validazione su un centro esterno rafforza l’attendibilità del modello al di fuori del contesto in cui è nato. La ricerca è stata finanziata dal Ministero dell’Università e della Ricerca nell’ambito del progetto D4Health – Digital Driven Diagnostics, Prognostics and Therapeutics for Sustainable Healthcare.
Modello sviluppato da Università Vita-Salute San Raffaele e IRCCS
Il modello utilizza otto variabili cliniche disponibili prima dell’intervento: dimensione del tumore, interessamento dei linfonodi, emoglobina, conta piastrinica, funzionalità renale, età, indice di massa corporea e performance status. Nessuna delle otto informazioni richiede esami aggiuntivi rispetto al percorso diagnostico abituale. Gli autori sottolineano che lo strumento non sostituisce il giudizio del medico, ma nasce per affiancarlo nelle decisioni cliniche.
Il modello è stato progettato secondo criteri di Explainable AI: la procedura rende visibile e comprensibile il peso delle singole variabili nella previsione, anziché restituire un risultato come una scatola nera. Questa trasparenza, spiegano gli autori, facilita l’integrazione nella pratica clinica perché medici e pazienti possono verificare quali fattori pesano di più sulla predizione. Il dottor Alessandro Larcher, medico urologo dell’Unità di Urologia dell’IRCCS Ospedale San Raffaele, ha dichiarato che disporre di uno strumento preoperatorio oggettivo aiuta a personalizzare strategia chirurgica, sorveglianza e eventuali trattamenti sistemici.
Validazione su 580 pazienti di Careggi, Firenze
L’algoritmo è stato sviluppato su una coorte di 2.536 pazienti trattati al San Raffaele e validato su 580 pazienti dell’Azienda Ospedaliero-Universitaria Careggi di Firenze. Gli autori affermano che, tra gli studi basati esclusivamente su variabili preoperatorie, il loro è quello condotto su una casistica più ampia. Le prestazioni del modello risultano superiori rispetto ai principali modelli prognostici attualmente disponibili per il carcinoma renale non metastatico.
La validazione esterna è presentata come elemento che ne rafforza l’attendibilità al di fuori del centro di origine. Il professor Andrea Salonia, ordinario di Urologia all’Università Vita-Salute San Raffaele e direttore dell’Istituto di Ricerca Urologica URI di Ospedale San Raffaele, ha commentato che lo studio valorizza oltre trent’anni di dati clinici trasformandoli in conoscenza utile per la presa in carico dei pazienti. Il professor Carlo Tacchetti, Direttore del Programma Strategico di IA di Università Vita-Salute San Raffaele, ha sottolineato che l’obiettivo è sviluppare strumenti affidabili secondo criteri di trasparenza, robustezza e verificabilità.
S-RACE: pipeline, automazione e due nuove variabili identificate
Lo studio è una applicazione della piattaforma S-RACE, sviluppata da Università Vita-Salute San Raffaele e IRCCS Ospedale San Raffaele per trasformare i Real World Data in strumenti di ricerca e decisione clinica. La pipeline dedicata organizza, controlla la qualità e prepara i dati clinici per l’analisi attraverso una sequenza automatizzata di procedure. I ricercatori confrontano il processo automatizzato con la tradizionale selezione manuale dei dati curata da un clinico esperto e riportano prestazioni sovrapponibili.
La pipeline automatizzata ha identificato, oltre ai sei predittori già presenti nel dataset clinico curato manualmente, due nuove variabili non specificate nei modelli tradizionali. Gli autori propongono che questa scoperta, ottenuta in modo agnostico dall’intelligenza artificiale sulla base dei soli dati raccolti, apra alla possibile identificazione di biomarcatori non considerati dagli attuali modelli prognostici delle società urologiche. Il dottor Alberto Traverso, Responsabile scientifico del gruppo di Data Science S-RACE, ha dichiarato che la piattaforma consente di integrare grandi quantità di dati clinici sviluppando modelli accurati, trasparenti e comprensibili.
Il lavoro è frutto di un contributo multidisciplinare che ha coinvolto esperti in urologia, radiologia, intelligenza artificiale, data science e bioinformatica. Gli autori rendono disponibile il modello anche tramite una applicazione web per facilitarne la validazione in altri centri e per favorirne, in prospettiva, l’integrazione nei percorsi di ricerca clinica. Per approfondimenti lo studio rimanda al testo pubblicato su Nature Communications.
