HEARTZING SUMMARY
HEAL ITALIA SPOKE 4: S4D PRECISION DIAGNOSTICS – SAPIENZA UNIVERSITÀ DI ROMA
Partner: Istituto Nazionale Ricerche Cardiovascolari (INRC) – Cardea Srl
Lo scompenso cardiaco con frazione di eiezione preservata (HFpEF) rappresenta una quota crescente dei casi di insufficienza cardiaca. La sua natura multifattoriale rende complessa sia la diagnosi sia il trattamento; il rimodellamento strutturale del cuore, la disfunzione diastolica, la fibrosi cardiaca, la disregolazione ormonale e la presenza di comorbidità possono contribuire alla sua fisiopatologia.
La combinazione e la diversa prevalenza di queste condizioni nei singoli pazienti rendono difficile individuare con precisione le basi fisiopatologiche dell’HFpEF. Inoltre, l’elevata quantità di informazioni derivanti da dati clinici, di imaging e biochimici non è facilmente gestibile a causa della loro complessità e dell’interconnessione tra molte variabili. L’intelligenza artificiale (AI), e in particolare il machine learning (ML), offre strumenti potenti per decodificare questo disturbo multidimensionale, anche in presenza di dataset ridotti di variabili biologiche provenienti da studi osservazionali, in cui la regressione multivariata standard mostra prestazioni limitate.
L’obiettivo è stato dimostrare che biomarcatori circolanti, quali Galectina-3, SHBG e DHEAs, insieme a marcatori ecocardiografici, possono contribuire a identificare sottogruppi clinicamente rilevanti di HFpEF e, di conseguenza, favorire terapie più appropriate.
A tal fine, l’approccio basato sul causal learning si è dimostrato più utile rispetto alla regressione standard, poiché risponde a una domanda diversa — e spesso più rilevante —: mentre la regressione indica quali variabili sono associate tra loro, il causal learning consente di comprendere cosa cambierebbe intervenendo su determinate variabili. Questa differenza è particolarmente importante nella medicina di precisione. Più nello specifico, il causal learning permette di estrarre relazioni causali da dati osservazionali, cosa che la sola regressione non è in grado di fare in modo affidabile a causa della presenza di fattori confondenti.
Oltre alla semplice correlazione, le tecniche di causal AI (ad esempio algoritmo CPC e modellazione causale strutturale basata su DAG) consentono di:
- inferire possibili percorsi causali
- identificare variabili mediatrici
- distinguere tra effetti diretti e indiretti
Il progetto SPOKE 4 Heartzing ha valutato la capacità discriminante di biomarcatori multimodali e ha individuato fenotipi basati sui dati all’interno dell’HFpEF mediante tecniche di clustering non supervisionato. I risultati sono stati inoltre validati utilizzando due strumenti avanzati di machine learning, Random Forest e XGBoost, al fine di identificare le variabili più rilevanti per spiegare la presenza di HFpEF. Infine, è stata sviluppata e resa disponibile ai medici una web app gratuita, HFpEF PREDICTOR, per stimare il fenogruppo HFpEF di un determinato paziente.
I risultati ottenuti possono favorire l’applicazione della medicina di precisione nella pratica clinica, in cui il trattamento viene personalizzato sulla base del rischio previsto, piuttosto che su medie di popolazione, ed è supportato da analisi di causal learning.