The Lancet Digital Health

Background ed obiettivo del lavoro: Il follow-up retinografico per i pazienti senza retinopatia diabetica (RD) attualmente varia tra uno e due anni; scopo del lavoro è produrre con l’intelligenza artificiale (IA) un algoritmo che, sulla base dell’analisi di retinografie, suggerisca il corretto timing.
Metodi e risultati principali: Il sistema di deep-learning (architettura Inception-v3) ha utilizzato per la fase iniziale di sviluppo un totale di 575,431 occhi, provenienti dal database EyePACS (sistema in rete di telescreening USA). Per i successivi passaggi di valutazione e validazione, si sono isolati da EyePACS 7,976 occhi per il controllo interno, e 4,762 occhi sono stati ottenuti da un database thailandese per il controllo esterno, per rendere lo studio più “universale” quanto ad etnie, retinografi, fattori di rischio etc. Tutti questi occhi erano stati diagnosticati come “RD assente” al primo controllo. I set di dati sono stati due: campo fotografico centrale isolato, o associato a nasale e temporale, con immagini di 45° (per il database thailandese solo il campo centrale). Per ciascun occhio gli input sono stati una o tre immagini iniziali con RD assente ed i rispettivi controlli dopo 2 anni, l’output un numero tra 0 ed 1 per indicare l’attitudine a sviluppare RD lieve o moderata dopo 2 anni. I fattori di rischio clinici considerati sono stati: per il controllo interno (pazienti USA) HbA1c, controllo del diabete autovalutato, anni dall’insorgenza del diabete, uso di insulina; per il controllo esterno (Thailandia), HbA1c ed ipertensione.
Il 19% dei controlli interni ed il 15% degli esterni con RD al controllo dopo 2 anni non aveva, all’analisi IA, RD al primo controllo.  La capacità dell’algoritmo di predire lo sviluppo di RD a 2 anni (definita come area sotto la curva, AUC) è stata di 0.79 per il gruppo di validazione interna a tre campi, e di 0.78 e 0.70 rispettivamente per il gruppo di validazione interno ed esterno con un solo campo, che si è dimostrato tendente a sovrastimare il rischio di evoluzione. È stata operata una stratificazione del rischio di progressione basata sulle caratteristiche delle immagini: il valore predittivo positivo è stato fino al 40-60% nei pazienti con rischio consistente; il valore predittivo negativo generalmente superiore all’80%, e fino al 95% nei pazienti con basso rischio. L’analisi multivariata per i fattori di rischio clinici ha dimostrato che quello maggiormente predittivo per lo sviluppo di RD è stato l’HbA1c; la combinazione di tre campi fotografici (ma anche un solo campo si difende bene) ed analisi dei fattori di rischio ha brillantemente portato l’AUC a 0.81, mentre i soli fattori di rischio clinici senza analisi dei tre campi fotografici si è fermata a 0.72.
Tra le caratteristiche prognostiche delle retinografie, la mappa termica talvolta ha evidenziato evoluzione delle aree più calde, talatra no; ben riflettendoci, alcune aree “calde” contenevano già microaneurismi presenti ma non diagnosticati. Il campo fotografico più ricco di informazioni si è dimostrato quello centrale.
Conclusioni e commento editoriale: La stratificazione del follow-up nei pazienti senza RD si è finora basata sui fattori di rischio clinici, sulla dilatazione arteriolare, e su turnover dei microaneurismi e spessore maculare centrale quale predittori di edema maculare; i più sofisticati hanno utilizzato l’ERG multifocale.
Con originale ed innovativa scienza, gli Autori affermano che l’algoritmo ha una capacità di previsione migliore quando…già ci sono piccoli microaneurismi al primo controllo! La giustificazione della mancata esclusione dallo studio è che questa tipologia di lesioni può sfuggire nella pratica clinica quotidiana (ma, possiamo stare tranquilli, non sfugge all’intelligenza artificiale, che può bacchettare i refertatori ed indurli a stare più attenti!).
La seconda grande rivelazione è che qualche volta la mappa termica può anticipare successive lesioni e qualche volta no: probabilmente, ci sono lesioni non solo sub-cliniche, ma anche sub-intelligenti, e questo è un altro limite dello studio.
Ennesima scoperta rivoluzionaria è stata che la combinazione di campi più importante è stata quella di nasale + temporale…per qualche motivo spiegato dall’IA? No: fondamentalmente perché la loro sovrapposizione restituisce il campo centrale, che è quello più importante di tutti…
Prima di spegnere (in attesa di dati più convincenti) lo schermo su questo universo parallelo che ragiona da solo su pixel senza apparente bisogno di consulenti (oculista, diabetologo, o comunque ciascuno di quelli che oggi nobilmente si chiamano stakeholders), anche perché esso viaggia nella direzione opposta a quella del nostro Club, dove si parla e ci si confronta, si ascolta e si suggerisce (soprattutto ai Pazienti), sorge spontanea la domanda: ma non è che ci vogliamo tenere ancora per un po’ l’Intelligenza Naturale (IN, che è anche un bell’acronimo...)?

A cura di Roberto Perilli, Paolo Fornengo e Massimo Porta per il Gruppo di Studio Complicanze Oculari del Diabete

Bora A, Balasubramanian S, Babenko B, Virmani S, Venugopalan S, Mitani A, de Oliveira Marinho G, Cuadros J, Ruamviboonsuk P, Corrado GS, Peng L, Webster DR, Varadarajan AV, Hammel N, Liu Y, Bavishi P. Predicting the risk of developing diabetic retinopathy using deep learning. The Lancet Digital Health 2021;3(1):E10-E19. DOI: doi.org/10.1016/S2589-7500(20)30250-8