Un algoritmo basato sull’intelligenza artificiale permette una identificazione rapida all’oct delle placche vulnerabili

Inquadramento

L’OCT è considerata la metodica di imaging intracoronarico di riferimento per individuare le placche con ampio core lipidico e un “thin cap fibrotheroma” (TCFA), un marker di vulnerabilità. Tuttavia l’identificazione è laboriosa e avviene con un procedimento “offline”, che rappresenta un ostacolo a una individuazione immediata che potrebbe permettere anche un eventuale trattamento preventivo intraprocedurale^[1]Park SJ, Ahn JM, Kang DY, et al. Preventive percutaneous coronary intervention versus optimal medical therapy alone for the treatment of vulnerable atherosclerotic coronary plaques (PREVENT): a … Continua a leggere.  È stato proposto una algoritmo basato sulla intelligenza artificiale (OCT-AI) che ovvierebbe a tale svantaggio^[2]Volleberg R, van der Waerden RGA, Luttikholt TJ, et al. Comprehensive full-vessel segmentation and volumetric plaque quantification for intracoronary optical coherence tomography using deep learning. … Continua a leggere , ma la cui accuratezza prognostica non è stata ancora testata.

Lo studio in esame

Lo studio PECTUS-AI è una analisi secondaria di uno studio prospettico osservazionale, in cui pazienti con infarto miocardico sono stati sottoposti a OCT di lesioni non-culprit con stenosi tra il 30% e 90% risultate negative all’FFR (“lesioni target”). Lo studio aveva lo scopo di individuare le placche TCFA attraverso una analisi offline ottenuta in un core-lab (CL), correlando la loro presenza con l’outcome dei pazienti. Lo scopo della presente ricerca è stata quella di verificare se i risultati ottenuti nello studio principale fossero confermati da una analisi basata sull’algoritmo OCT-AI, che ha il vantaggio di una diagnosi immediata. Una placca veniva definita dall’algoritmo come AI-TCFA se aveva un arco lipidico ≥90° e uno spessore del cap fibroso di <65 μm in almeno 3 di 10 fotogrammi consecutivi. I pazienti venivano classificati come AI-TCFA positivi se avevano almeno una placca di quel tipo. I pazienti inclusi in PECTUS-AI erano 414, con età media di 63 anni: 51% erano STEMI mentre il 49% erano NSTEMI. AI-TCFA e CL-TCFA sono state identificate rispettivamente in 150 (34.5%) e 134 (30.0%) lesioni target, con una concordanza moderata tra le due modalità di lettura (κ = 0.38, 95% CI: .28–.47). Di tutte le lesioni target esaminate, vi era concordanza sulla presenza di TCFA in 79 (16.2%) mentre 55 risultavano CL-TCFA, ma non AI-TCFA e 71 erano diagnosticate come AI-TCFA, ma non CL-TCFA. Anche a livello di paziente la concordanza tra i due metodi risultava moderata (κ = 0.40, 95% CI: .30–.49). L’outcome primario (definito da un composito di morte per ogni causa, infarto miocardico non fatale o rivascolarizzazione non pianificata a 2 anni di follow-up, escludendo gli eventi periprocedurali o quelli correlati agli stent impiantati) si è verificato nell’11.9% dei pazienti AI-TCFA positivi vs 6.3% di quelli negativi (HR1.99, 95% CI: 1.02–3.90, 11.9% vs. P =.04). La tipologia di eventi osservata è descritta nelle Tabella. L’analisi AI-TCFA non limitata alla lesione target, ma estesa a tutto il segmento coronarico mostrava una associazione con l’outcome primario ancora più ampia (HR 5.50, 95% CI: 1.94–15.62, P <.001). Quando invece l’analisi era effettuata al core-lab, la correlazione con gli eventi era assente (HR per CL-TCFA 1.67, 95% CI: .84–3.30, P =.14).

Take home message

L’analisi basata su un algoritmo che permette una lettura rapida dei dati OCT permette di individuare pazienti con aumentato rischio di eventi nel follow-up, offrendo una alternativa alla analisi manuale dei dati.

Interpretazione dei dati

Indubbiamente lo scopo del lavoro è lodevole: avere a disposizione un algoritmo di lettura rapida delle lesioni valutate all’OCT rende più agevole la loro classificazione e permette all’operatore di giudicare durante l’indagine la natura e il rischio eventuale di eventi connessi alla tipologia della placca. Tuttavia sussistono ancora molti dubbi in proposito. Come osservano gli Autori, la variabilità interosservatore nell’identificazione delle placche ad alto rischio impone l’utilizzo di metodologie automatizzate che abbiano accuratezza simile a quelle dei “core labs” e permettano di avere attendibili informazioni prognostiche. Nello studio presente tuttavia la correlazione tra i risultati ottenuti con la metodologia OCT-AI e l’analisi al core lab è stata piuttosto modesta. Inoltre solo l’analisi basata sull’algoritmo AI e non quella verificata dal core lab è risultata correlata agli eventi successivi, un dato che suscita molte perplessità. La capacità discriminatoria di entrambe le metodiche è risultata molto modesta e non appare migliorata dall’utilizzo dall’algoritmo che utilizza l’intelligenza artificiale (i C-statistics osservati erano 0.58 e 0.56 rispettivamente). All’alto valore predittivo negativo (97.6%) si accompagna invece un valore predittivo positivo molto basso (<12%). Esiste effettivamente una notevole difficoltà nella corretta individuazione delle placche ad alto rischio con l’OCT, che l’analisi assistita dall’intelligenza artificiale non sembra migliorare. Uno studio comparativo in cieco tra reperti istologici e immagini OCT inviate a 7 “core labs” di Stati Uniti, Olanda, Svizzera e Giappone, ha mostrato una buona correlazione tra dato anatomico e lettura OCT per le placche stabili, mentre il coefficiente di correlazione è stato molto basso (k<25) per le placche vulnerabili ^[3]Gruslova AB, Singh S, Hoyt T, et al. Accuracy of OCT core labs in identifying vulnerable plaque. JACC Cardiovasc Imaging 2024;17:448–50. https://doi.org/10.1016/j.jcmg.2023.10.005. In particolare, i dati OCT relativi alla identificazione del “thin cap fibroatheroma” e del core necrotico hanno mostrato valori medi di k = 22 per entrambe queste caratteristiche, un indice di scarsa correlazione con il dato istologico. C’è ancora quindi molta strada da percorrere per poter considerare l’OCT uno strumento attendibile per guidare eventuali decisioni terapeutiche intraprocedurali.