Ricercatori dell’Università del Texas presentano la previsione delle complicanze della ricostruzione basata su impianti utilizzando l’apprendimento automatico.

Esperti dell'Università del Texas anticipano le complicanze della ricostruzione con impianti mediante l'uso del machine learning.

L’Intelligenza Artificiale (IA) ha trasformato quasi tutti i settori oggi e ha il potenziale per migliorare i sistemi esistenti attraverso l’automazione, le previsioni e l’ottimizzazione delle decisioni. La ricostruzione mammaria è una procedura chirurgica molto comune, con la ricostruzione basata su impianto (RBI) utilizzata nella maggior parte dei casi. Tuttavia, questo processo è spesso accompagnato da infezioni periprotesiche, che causano notevoli disagi ai pazienti e aumentano i costi sanitari. Questa ricerca dell’Università del Texas esplora come l’Intelligenza Artificiale, in particolare il Machine Learning (ML) e le sue capacità, potrebbero essere utilizzate per prevedere le complicazioni della RBI, migliorando così la qualità della vita.

I rischi e le complicazioni associati alla ricostruzione mammaria dipendono da numerosi fattori non lineari, che i metodi convenzionali non riescono a catturare. Pertanto, gli autori di questo articolo hanno sviluppato e valutato nove diversi algoritmi di ML per prevedere meglio le complicazioni della RBI e hanno anche confrontato le loro prestazioni con modelli tradizionali.

Il dataset è costituito dai dati dei pazienti raccolti nel corso di circa due anni, raccolti dal Centro per il cancro MD Anderson dell’Università del Texas. Alcuni dei diversi modelli utilizzati dai ricercatori includono una rete neurale artificiale, una macchina a vettori di supporto, una foresta casuale, ecc. Inoltre, i ricercatori hanno anche utilizzato un insieme di votazione utilizzando il voto di maggioranza per effettuare le previsioni finali al fine di ottenere risultati migliori. Per le metriche di prestazione, i ricercatori hanno utilizzato l’area sotto la curva (AUC) per scegliere il modello ottimale dopo tre round di cross-validation a 10 fold.

• Meta AI Introduce Seamless Un sistema di intelligenza artificiale disponibile pubblicamente che sblocca una comunicazione espressiva interlinguistica in tempo reale
• DeepSeek apre il codice sorgente del modello DeepSeek-67B l’ultima novità di ChatGPT proveniente dalla Cina
• Grandi novità Google posticipa il lancio del modello di intelligenza artificiale Gemini

Dei nove algoritmi, l’accuratezza nella previsione dell’infezione periprotesica variava dal 67% all’83%; l’algoritmo della foresta casuale ha mostrato la migliore accuratezza e l’insieme di votazione ha avuto la migliore performance complessiva (AUC 0,73). Per quanto riguarda la previsione dell’esplicazione, le accuratezze variavano dal 64% all’84%, con l’algoritmo Extreme gradient boosting che ha avuto la migliore performance complessiva (AUC 0,78).

Un’analisi aggiuntiva ha identificato anche importanti fattori predittori di infezione periprotesica ed esplicazione, fornendo una comprensione più robusta dei fattori che portano alle complicanze della RBI. Fattori come un alto BMI, età avanzata, ecc., aumentano il rischio di infezioni. I ricercatori hanno osservato che c’è una relazione lineare tra il BMI e il rischio di infezione e, anche se altri studi hanno riportato che l’età non influenza le infezioni della RBI, gli autori hanno identificato una relazione lineare tra le due.

Gli autori hanno anche evidenziato alcune limitazioni dei loro modelli. Dal momento che i dati sono raccolti da un solo istituto, i loro risultati non sono generalizzabili ad altri istituti. Inoltre, una valida ulteriore consentirebbe l’implementazione clinica di questi modelli e aiuterebbe a ridurre il rischio di complicazioni devastanti. Inoltre, variabili clinicamente rilevanti e fattori demografici potrebbero essere integrate in essi per migliorare ulteriormente le prestazioni e l’accuratezza.

In conclusione, gli autori di questo articolo di ricerca hanno addestrato nove diversi algoritmi di ML per prevedere con precisione l’insorgenza delle complicanze della RBI. Hanno anche analizzato vari fattori che influenzano le infezioni della RBI, alcuni dei quali erano trascurati dai modelli precedenti. Tuttavia, alcuni limiti sono associati agli algoritmi, come i dati provenienti da un solo istituto, la mancanza di ulteriori convalidhe, ecc. L’addestramento del modello con più dati provenienti da diversi istituti e l’aggiunta di altri fattori (clinici e demografici) miglioreranno le prestazioni del modello e aiuteranno gli operatori sanitari a affrontare meglio il problema delle infezioni della RBI.

L’articolo I ricercatori dell’Università del Texas presentano la previsione delle complicazioni della ricostruzione basata sugli impianti utilizzando il Machine Learning è apparso per la prima volta su MarkTechPost.