Programma di ricerca congiunto Italia-Israele in collaborazione con l’Università di Torino e l’Università di Tel-Aviv, finanziato dal Ministero degli Affari Esteri e della Cooperazione Internazionale (MAECI).

OBIETTIVI: Assicurare la salute e il benessere per tutti e per tutte le età

La sindrome di Brugada (BrS) è il disturbo aritmico ereditario più diffuso (calopatia), dovuto principalmente a mutazioni nei canali ionici del sodio, caratterizzato dalla propensione a sviluppare aritmie ventricolari pericolose per la vita in individui giovani e altrimenti sani. Anche se negli ultimi decenni sono stati compiuti progressi sorprendenti nello svelare le basi genetiche e nella gestione clinica, ci sono ancora importanti questioni cliniche aperte. Tra questi, importante è la difficoltà di valutare correttamente il rischio aritmico durante i primi contatti con i pazienti. È noto che, anche tra i pazienti che condividono la stessa mutazione che causa la malattia, le manifestazioni cliniche possono variare da nessun sintomo a ripetuti arresti cardiaci e morte improvvisa (SD). Il nostro progetto si concentra sulla possibilità che il più antico strumento cardiologico, l’elettrocardiogramma (ECG), possa contenere informazioni nascoste, invisibili anche all’occhio umano più esperto. Riteniamo che potrebbe essere catturato da un’analisi potenziata dell’intelligenza artificiale (AI) dell’ECG in pazienti con BrS. In particolare, le reti neurali profonde (DNN) saranno impiegate per raffinare la stratificazione del rischio, in particolare nei pazienti asintomatici, che spesso costituisce una “zona grigia”, dove l’errata classificazione della propensione aritmica specifica del paziente può portare a morte prematura. Verrà raccolta una quantità senza precedenti di ECG (sia digitali che cartacei) e dati clinici di pazienti affetti da questa sindrome, dopo un’opportuna conversione digitale in caso di tracciati ECG cartacei. Questo database verrà utilizzato per addestrare diversi modelli DNN per fornire previsioni specifiche per il paziente sull’insorgenza di un’aritmia pericolosa per la vita, utilizzando tre approcci complementari (Single-ECG: un ECG per ogni paziente; Multi-ECG: più ECG per ogni paziente ; ECG dinamico: ECG multipli per ogni paziente che tengono conto della loro evoluzione nel tempo). Allo stesso tempo, verrà analizzato utilizzando pacchetti wavelet direzionali per estrarre nuove caratteristiche significative dalle immagini ECG, poiché i coefficienti di trasformazione hanno un significato fisico chiaro (spiegabile); possono operare in tempo reale e necessitano di un numero ridotto di immagini da cui imparare. I modelli saranno convalidati utilizzando la convalida incrociata K-fold e le prestazioni saranno testate utilizzando metriche di classificazione all’avanguardia (ad es. F-score). Questo processo porterà a una GUI, che consentirà ai cardiologi di inserire ECG e dati clinici per ottenere una stima del rischio specifico del paziente basata sull’analisi ECG potenziata dall’IA. I due gruppi si completano a vicenda per generare un gruppo di ricerca coerente sulle applicazioni sanitarie dell’IA. Il gruppo italiano porta una notevole esperienza medica sui disturbi dei canali ionici cardiaci. Portano la raccolta di ECG e costruiscono un modello di intelligenza artificiale basato sull’approccio di deep learning per la previsione del rischio. Il gruppo israeliano costruisce una nuova architettura basata sulla CNN che utilizza nuovi filtri direzionali che catturano in qualsiasi risoluzione le principali attività dell’immagine come bordi o oscillazioni. La nuova CNN modificata elaborerà le immagini ECG fornite dal gruppo italiano e la qualità degli output sarà valutata dal proprio team di cardiologia. In questo senso, la combinazione di due diversi approcci all’apprendimento automatico e il reciproco scambio di competenze tra i gruppi italiano e israeliano apriranno la strada a scoperte senza precedenti sulla sindrome di BrS.

KEYWORDS: Cardiovascular diseases, Medical engineering and technology, Machine learning, statistical data processing and applications using signal processing