Comparison of two- and three-dimensional computed tomography-based deep-learning models with neurosurgeon assessments for predicting functional outcome at discharge in patients with spontaneous intracerebral hemorrhage: a single-center retrospective study

Quando un vaso sanguigno si rompe all'interno del cervello, l'emorragia risultante è un'emergenza medica che colpisce senza preavviso. Questo evento, noto come emorragia intracerebrale spontanea, è una delle principali cause di morte e di disabilità a lungo termine in tutto il mondo. Nelle ore e nei giorni successivi a un tale evento, i medici affrontano un compito difficile: prevedere quanto bene un paziente recupererà. Per formulare questi giudizi, i clinici si affidano a due fonti principali di informazioni. In primo luogo, esaminano le scansioni di tomografia computerizzata senza contrasto, che sono immagini a raggi X rapide che mostrano la dimensione e la posizione del sanguinamento. In secondo luogo, valutano il livello di coscienza del paziente utilizzando un sistema di punteggio standard chiamato Scala di Glasgow, che misura quanto una persona riesca ad aprire gli occhi, parlare e muoversi in risposta ai comandi. Sebbene questi strumenti siano essenziali, i medici umani devono interpretarli in modo soggettivo, pesando l'evidenza visiva dell'emorragia rispetto allo stato mentale del paziente. Questo processo può variare da uno specialista all'altro, e la complessità del cervello spesso nasconde schemi sottili che l'occhio umano potrebbe mancare.

Un team di ricercatori dell'Ospedale Centrale di Longgang a Shenzhen ha cercato di vedere se l'intelligenza artificiale potesse migliorare queste previsioni. Si sono concentrati su una domanda specifica: un programma per computer, addestrato a osservare le scansioni cerebrali e i punteggi dei pazienti, poteva prevedere l'esito funzionale di un paziente al momento delle dimissioni ospedaliere meglio di un neurochirurgo umano? Il team non ha costruito solo un tipo di modello informatico; ne ha costruiti due. Un modello osservava le scansioni cerebrali come una serie di singole fette bidimensionali, proprio come sfogliare le pagine di un libro. L'altro modello osservava l'intero cervello come un singolo volume tridimensionale, trattando la scansione come un oggetto solido. Entrambi i modelli sono stati progettati per combinare i dati visivi delle scansioni con i dati clinici del ricovero del paziente, specificamente il punteggio della Scala di Glasgow. L'obiettivo era vedere se questi strumenti digitali potessero individuare la connessione tra il danno fisico nel cervello e il probabile recupero del paziente, e determinare se un approccio più semplice, basato sulle fette, potesse funzionare bene quanto l'approccio più complesso e tridimensionale.

I ricercatori hanno raccolto i dati di 286 pazienti che avevano subito un'emorragia cerebrale spontanea ed erano stati trattati presso il loro ospedale tra il 2013 e il 2021. Per ogni paziente, hanno raccolto la scansione cerebrale effettuata entro 24 ore dall'evento e il punteggio della Scala di Glasgow registrato al momento dell'ammissione. Hanno poi suddiviso i pazienti in gruppi per addestrare e testare i loro modelli informatici. Il team ha anche reclutato tre neurochirurghi con diversi livelli di esperienza per fungere da parametro di riferimento umano. A questi medici è stato chiesto di prevedere l'esito di una selezione di pazienti sulla base delle stesse scansioni cerebrali e dei punteggi clinici forniti ai computer. Per garantire un confronto equo, ai medici sono state mostrate solo le specifiche fette della scansione contenenti l'emorragia, piuttosto che l'intera serie di immagini che normalmente esaminerebbero in un contesto ospedaliero. Ciò ha creato un ambiente controllato in cui sia gli umani che le macchine lavoravano con le stesse identiche informazioni.

I risultati hanno mostrato che i modelli informatici erano altamente efficaci nel prevedere gli esiti. Il modello che osservava il cervello come una serie di fette bidimensionali, combinato con il punteggio della Scala di Glasgow del paziente, ha raggiunto un'accuratezza del 90,3 percento. Ciò significa che in più di nove casi su dieci, il modello ha previsto correttamente se un paziente avrebbe avuto un buon o un cattivo esito funzionale alle dimissioni. Il modello tridimensionale, che analizzava l'intero volume cerebrale insieme a informazioni cliniche più dettagliate, è stato leggermente diverso, raggiungendo un'accuratezza del 90,6 percento. Statisticamente, non c'era una differenza significativa tra i due modelli informatici; entrambi erano straordinariamente precisi. Tuttavia, entrambi i sistemi di intelligenza artificiale hanno superato i neurochirurghi umani. Persino il medico più esperto dello studio non è riuscito a eguagliare la costanza e l'accuratezza dei modelli informatici. Lo studio ha anche rilevato che aggiungere il punteggio della Scala di Glasgow all'analisi delle immagini era fondamentale. Una versione del modello bidimensionale che guardava solo le immagini senza il punteggio clinico era meno accurata, scendendo all'81,0 percento. Ciò suggerisce che il computer avesse bisogno del contesto umano del livello di coscienza del paziente per dare le sue migliori previsioni.

Uno dei risultati più sorprendenti è stato che il modello bidimensionale, più semplice, era efficace quanto il modello tridimensionale, più complesso. L'approccio tridimensionale richiedeva più potenza di calcolo e dati più dettagliati, eppure non ha fornito una previsione migliore rispetto al metodo basato sulle fette. Ciò indica che, per questo specifico compito medico, un'architettura meno complessa potrebbe essere preferibile, specialmente quando si dispone di una quantità limitata di dati. I ricercatori hanno osservato che i modelli tridimensionali sono spesso più soggetti a errori quando il dataset è piccolo, mentre l'approccio bidimensionale è rimasto robusto. Lo studio ha anche evidenziato che, sebbene i computer fossero eccellenti nel trovare schemi, non stavano sostituendo i medici. I modelli sono stati progettati per assistere, non per prendere il sopravvento. I medici umani nello studio lavoravano in un contesto di revisione limitato, osservando immagini isolate piuttosto che il quadro clinico completo che vedrebbero nella vita reale, il che potrebbe averli messi in svantaggio rispetto ai computer che elaborano tutti i dati in un colpo solo.

I ricercatori sono stati attenti a sottolineare i limiti del loro lavoro. Poiché lo studio è stato condotto in un singolo ospedale e ha analizzato record passati, i risultati devono essere testati in studi più ampi e prospettici in più centri per garantire che siano validi per tutti i pazienti. Le previsioni fatte dai modelli riguardavano l'esito a breve termine al momento delle dimissioni, non il recupero a lungo termine di mesi o anni dopo. Inoltre, lo studio ha confermato che, sebbene i modelli siano potenti, sono strumenti per supportare il processo decisionale clinico, non per sostituire il giudizio di uno specialista umano. L'obiettivo finale è fornire ai medici un parere affidabile che possa aiutarli a compiere scelte più informate per i pazienti che affrontano un'emorragia cerebrale potenzialmente letale. Combinando l'evidenza visiva della scansione con la realtà clinica delle condizioni del paziente, questi strumenti digitali offrono un nuovo modo per comprendere la gravità della lesione e il probabile percorso di recupero.