Al San Raffaele un modello interpretabile usa otto parametri clinici per anticipare la prognosi e orientare cure e controlli personalizzati
LA NOTIZIA IN BREVE – Un modello di intelligenza artificiale sviluppato al San Raffaele riesce a stimare, prima dell’intervento, quali pazienti con tumore del rene presentano il rischio più elevato. Il sistema utilizza otto parametri clinici già disponibili: dimensione della massa, coinvolgimento dei linfonodi, emoglobina, piastrine, funzionalità renale, età, indice di massa corporea e condizioni generali. Lo studio, pubblicato su Nature Communications, ha analizzato 2.536 pazienti trattati al San Raffaele e ha validato i risultati su altri 580 casi dell’ospedale Careggi di Firenze. Il modello ha ottenuto prestazioni superiori rispetto ai principali strumenti prognostici oggi disponibili.
L’algoritmo segue i principi della Explainable AI e mostra il peso di ogni variabile nella stima finale. In questo modo il medico può comprendere come nasce il risultato e usarlo per costruire controlli e strategie terapeutiche più aderenti al profilo individuale.
Se vuoi andare oltre alla sintesi della nostra notizia leggi qui di seguito l’approfondimento:
L’APPROFONDIMENTO – Un’intelligenza artificiale sviluppata al San Raffaele stima, prima dell’intervento, il rischio di mortalità legato al tumore del rene. Il modello analizza otto parametri già disponibili nella pratica clinica: dimensione della massa, interessamento dei linfonodi, emoglobina, piastrine, funzionalità renale, età, indice di massa corporea e condizioni generali del paziente.
Lo studio, pubblicato su Nature Communications, ha utilizzato i dati di 2.536 persone trattate al San Raffaele e ha validato l’algoritmo su altri 580 pazienti dell’ospedale Careggi di Firenze. Il sistema ha mostrato prestazioni superiori rispetto ai principali modelli prognostici disponibili.
L’algoritmo segue i criteri della Explainable AI: indica quanto incide ogni variabile sulla previsione e consente allo specialista di interpretare il risultato. La stima può aiutare a individuare i pazienti con malattia più aggressiva, calibrare la sorveglianza dopo la chirurgia e orientare le successive decisioni terapeutiche.
Indice
- 1 Perché tumori simili possono avere evoluzioni molto diverse?
- 2 Otto dati clinici costruiscono una previsione individuale
- 3 Una casistica di oltre 3.100 pazienti
- 4 Cosa significa “intelligenza artificiale spiegabile”?
- 5 Come può cambiare la sorveglianza dopo l’operazione?
- 6 Quale ruolo può avere nelle terapie successive alla chirurgia?
- 7 S-RACE trasforma le cartelle cliniche in conoscenza
- 8 L’AI ha fatto emergere due nuovi predittori
- 9 Trent’anni di esperienza clinica alimentano il modello
- 10 Un’applicazione web per estendere la validazione
Perché tumori simili possono avere evoluzioni molto diverse?
Il carcinoma a cellule renali rappresenta la forma più frequente di tumore maligno del rene. Quando la malattia resta localizzata, la chirurgia costituisce il trattamento principale e punta a rimuovere la massa salvaguardando, quando le condizioni lo consentono, la parte sana dell’organo.
L’intervento risolve molti casi, ma il decorso successivo varia profondamente da persona a persona. Circa un paziente su tre può sviluppare una recidiva o una progressione della malattia, anche quando il quadro iniziale appare simile a quello di pazienti con una prognosi più favorevole.
Le dimensioni del tumore forniscono un’informazione importante, ma raccontano soltanto una parte del quadro. Anche lo stato dei linfonodi, i valori ematici, la funzionalità del rene e le condizioni generali dell’organismo contribuiscono a definire la probabilità di evoluzione.
Questa variabilità pone una delle questioni centrali dell’urologia oncologica: capire già prima dell’operazione quali pazienti concentrano il rischio maggiore. Una risposta più precisa può influenzare la pianificazione dell’intervento, la frequenza degli esami successivi e la valutazione di eventuali trattamenti dopo la chirurgia. Può inoltre migliorare il dialogo con il paziente, offrendo una rappresentazione più aderente alla sua situazione clinica.
Leggi di più
Otto dati clinici costruiscono una previsione individuale
Il gruppo dell’Università Vita-Salute San Raffaele e dell’IRCCS Ospedale San Raffaele, insieme all’Istituto di Ricerca Urologica, all’Unità di Chirurgia Robotica Urologica e Trapianto Renale, all’Università di Firenze e all’Azienda ospedaliero-universitaria Careggi, ha sviluppato un modello capace di integrare informazioni già raccolte durante il percorso preoperatorio.
Il sistema utilizza parametri semplici e disponibili nella normale attività clinica. La dimensione della massa e l’eventuale interessamento dei linfonodi descrivono l’estensione del tumore. Emoglobina e conta piastrinica possono riflettere la risposta dell’organismo e alcuni processi sistemici associati alla malattia.
La funzionalità renale misura la capacità dell’organo, mentre età, indice di massa corporea e performance status definiscono meglio le condizioni complessive del paziente.
L’algoritmo analizza contemporaneamente questi elementi, assegna a ciascuno un peso e calcola una stima individuale. Il risultato supera la lettura isolata dei singoli valori e restituisce una valutazione che tiene conto delle loro interazioni.
«Nella pratica clinica osserviamo ogni giorno pazienti che, pur con tumori apparentemente simili, possono avere prognosi molto diverse», spiega Alessandro Larcher, urologo dell’Unità operativa di Urologia dell’IRCCS Ospedale San Raffaele.
Lo strumento aggiunge un dato quantitativo alla valutazione dello specialista. Il medico continua a integrare esami, immagini diagnostiche, caratteristiche della persona e preferenze individuali, mentre l’intelligenza artificiale mette in relazione una quantità di informazioni difficilmente elaborabile con la stessa rapidità attraverso la sola osservazione.
Leggi di più
Una casistica di oltre 3.100 pazienti
La qualità di un modello prognostico dipende dalla quantità e dall’affidabilità dei dati utilizzati. Il gruppo di ricerca ha sviluppato l’algoritmo su una coorte di 2.536 pazienti sottoposti a trattamento al San Raffaele.
Successivamente, i ricercatori hanno verificato il sistema su 580 pazienti dell’ospedale Careggi di Firenze. La popolazione complessiva supera così le 3.100 persone.
Secondo gli autori, il lavoro rappresenta la più ampia ricerca condotta finora tra i modelli prognostici per il tumore del rene che utilizzano esclusivamente variabili disponibili prima dell’intervento.
La validazione su un centro diverso rafforza il risultato. Un algoritmo può infatti funzionare molto bene sui dati dell’ospedale nel quale nasce e perdere accuratezza quando incontra popolazioni differenti. Differenze anagrafiche, cliniche e organizzative possono modificare le prestazioni.
Il test condotto a Firenze ha mostrato la capacità del modello di mantenere un’elevata affidabilità anche al di fuori del San Raffaele. Il confronto con gli strumenti prognostici di riferimento ha inoltre evidenziato prestazioni migliori, creando le basi per ulteriori verifiche su scala multicentrica.
Leggi di più
Cosa significa “intelligenza artificiale spiegabile”?
Molti algoritmi complessi elaborano grandi quantità di dati e restituiscono un risultato senza mostrare in modo chiaro il percorso che li ha condotti alla previsione. In medicina, questa opacità limita la fiducia degli specialisti e rende più difficile integrare il risultato nelle decisioni cliniche.
Il modello sviluppato al San Raffaele segue invece i principi della Explainable AI, l’intelligenza artificiale spiegabile. Il sistema indica quanto ogni parametro contribuisce alla stima finale.
Lo specialista può quindi osservare, per esempio, il peso assunto dalla dimensione del tumore, dal livello di emoglobina, dalla funzionalità renale o dalle condizioni generali del paziente. Tale caratteristica permette al medico di confrontare il risultato con la propria valutazione, individuare eventuali incongruenze e comprendere quali elementi hanno inciso maggiormente sulla previsione.
La trasparenza trasforma l’algoritmo da semplice calcolatore a strumento clinico interrogabile. Il medico può verificare il ragionamento statistico, discuterlo con gli altri specialisti e spiegare al paziente perché il sistema ha attribuito un determinato livello di rischio.
La spiegabilità assume quindi un valore scientifico, clinico ed etico. Favorisce la verifica indipendente, rende più chiara la responsabilità delle decisioni e riduce la distanza tra chi sviluppa la tecnologia e chi la utilizza in corsia.
Leggi di più
Come può cambiare la sorveglianza dopo l’operazione?
Dopo la chirurgia, i pazienti seguono controlli periodici per individuare tempestivamente eventuali segni di ripresa della malattia. Frequenza e intensità della sorveglianza dipendono oggi da parametri clinici e anatomopatologici che acquistano piena disponibilità soprattutto dopo l’intervento.
Una stima attendibile già nella fase preoperatoria può anticipare parte di questa valutazione. I pazienti con un profilo di rischio più elevato potrebbero accedere prima a un confronto multidisciplinare, programmare controlli più ravvicinati e ricevere una valutazione tempestiva delle opzioni terapeutiche successive.
Chi presenta un rischio contenuto può invece seguire un percorso proporzionato alle proprie caratteristiche, evitando un carico eccessivo di esami e visite.
La personalizzazione riguarda anche la comunicazione. Una previsione costruita sui dati individuali consente allo specialista di spiegare con maggiore precisione il significato dell’intervento, le probabilità di evoluzione e la ragione delle scelte successive.
Il modello esprime una probabilità e richiede sempre l’interpretazione clinica. Il valore nasce dall’incontro tra previsione matematica ed esperienza medica, non dall’automatismo della risposta.
Quale ruolo può avere nelle terapie successive alla chirurgia?
L’oncologia renale ha ampliato negli ultimi anni le possibilità terapeutiche per alcuni pazienti con rischio elevato di recidiva. Trattamenti sistemici e strategie di sorveglianza più intense richiedono però una selezione accurata dei candidati. Un sistema capace di stimare il rischio prima dell’operazione può contribuire a costruire questa valutazione fin dalle prime fasi del percorso. L’équipe può discutere in anticipo le possibili strategie, raccogliere gli elementi necessari e preparare un piano più coerente con il profilo individuale.
La stima può inoltre favorire l’inclusione dei pazienti in studi clinici dedicati a specifiche categorie di rischio. In questo modo, l’intelligenza artificiale può sostenere sia la pratica assistenziale sia lo sviluppo di nuove terapie. L’obiettivo riguarda una migliore distribuzione delle risorse: più attenzione per chi presenta una probabilità maggiore di evoluzione e percorsi proporzionati per chi mostra caratteristiche favorevoli.
S-RACE trasforma le cartelle cliniche in conoscenza
Il modello nasce all’interno di S-RACE, la piattaforma sviluppata dall’Università Vita-Salute San Raffaele e dall’IRCCS Ospedale San Raffaele per trasformare i dati della pratica quotidiana in strumenti per la ricerca e l’assistenza.
Ogni ospedale raccoglie enormi quantità di informazioni: referti, analisi del sangue, immagini, parametri clinici, dettagli sugli interventi e dati relativi al decorso. Questo patrimonio prende il nome di Real World Data, dati prodotti dalla medicina reale.
I ricercatori devono organizzare le informazioni, controllarne la qualità, correggere eventuali incongruenze e renderle confrontabili. S-RACE utilizza una pipeline automatizzata che seleziona, ordina e prepara i dati per l’analisi. Il processo riduce il lungo lavoro manuale che spesso precede lo sviluppo di un modello medico.
«La nostra piattaforma ci consente di integrare grandi quantità di dati clinici raccolti nella pratica quotidiana, sviluppando modelli accurati, trasparenti e comprensibili», afferma Alberto Traverso, responsabile scientifico del gruppo di Data Science S-RACE e del Centro di eccellenza per l’intelligenza artificiale.
Il gruppo ha confrontato la pipeline con la selezione manuale svolta da un clinico esperto. I due metodi hanno raggiunto prestazioni sovrapponibili nella preparazione del materiale. Il risultato suggerisce che l’automazione può affiancare gli specialisti, accelerare la ricerca e consentire l’analisi di casistiche sempre più ampie.
L’AI ha fatto emergere due nuovi predittori
La pipeline automatizzata ha individuato due variabili aggiuntive rispetto ai sei predittori presenti nel dataset selezionato manualmente.
Questo risultato apre una prospettiva che va oltre la stima del rischio. I modelli tradizionali partono spesso da fattori già riconosciuti dalla letteratura scientifica e dall’esperienza clinica. L’intelligenza artificiale può invece esplorare l’intero insieme dei dati e rilevare relazioni meno evidenti.
Le due variabili richiederanno ulteriori studi per chiarire il loro significato biologico e misurare il contributo effettivo alla prognosi. La loro individuazione mostra però come l’algoritmo possa indicare ai ricercatori nuovi segnali da approfondire.
L’AI assume così un doppio ruolo: calcola una previsione e genera nuove domande scientifiche.
L’approccio può favorire la scoperta di biomarcatori, migliorare la comprensione dei meccanismi che influenzano l’evoluzione del tumore e aggiornare nel tempo gli strumenti utilizzati dagli urologi.
Trent’anni di esperienza clinica alimentano il modello
Il progetto valorizza un patrimonio costruito attraverso oltre trent’anni di attività clinica. Collegare i dati raccolti prima della chirurgia con l’evoluzione della malattia permette di individuare schemi ricorrenti all’interno di migliaia di storie individuali.
«Sviluppare modelli di questo tipo significa valorizzare il patrimonio di dati clinici raccolto in oltre trent’anni di attività, trasformandolo in conoscenza utile a migliorare la presa in carico dei pazienti», sottolinea Andrea Salonia, direttore dell’Istituto di Ricerca Urologica – URI e ordinario di Urologia all’Università Vita-Salute San Raffaele.
Il lavoro ha coinvolto urologi, radiologi, data scientist, bioinformatici ed esperti di intelligenza artificiale. Ogni disciplina ha contribuito a una fase specifica: formulazione della domanda clinica, selezione delle informazioni, sviluppo matematico, verifica dei risultati e interpretazione medica.
La qualità del modello nasce proprio dall’integrazione tra competenze tecnologiche e conoscenza della malattia. Un algoritmo accurato richiede dati solidi, domande cliniche pertinenti e controlli costanti sulle modalità di utilizzo.
Un’applicazione web per estendere la validazione
I ricercatori hanno reso il modello disponibile attraverso un’applicazione web dedicata alla ricerca. Lo strumento permetterà ad altri centri di sperimentarne l’impiego e di confrontarne le prestazioni su pazienti con caratteristiche diverse.
La diffusione del modello può accelerare la validazione multicentrica, passaggio necessario prima di una possibile integrazione nella pratica assistenziale. Gli studi successivi dovranno misurare la stabilità dell’algoritmo su popolazioni più ampie, verificare l’impatto sulle decisioni cliniche e valutare il beneficio concreto per i pazienti.
«L’intelligenza artificiale può produrre un reale valore per la medicina solo se sviluppata secondo criteri di trasparenza, robustezza e verificabilità», spiega Carlo Tacchetti, ordinario di Anatomia umana e direttore del Programma strategico di Intelligenza artificiale dell’Università Vita-Salute San Raffaele.
Il modello sul tumore renale rappresenta il primo di una serie di strumenti sviluppati attraverso S-RACE. Il programma comprende progetti dedicati a patologie oncologiche, cardiovascolari, neurologiche e metaboliche. Tre modelli hanno già concluso la fase di sviluppo e attendono la pubblicazione scientifica.
Il Ministero dell’Università e della Ricerca ha finanziato lo studio attraverso il progetto D34Health – Digital Driven Diagnostics, Prognostics and Therapeutics for Sustainable Healthcare.
Note per i lettori
Le informazioni contenute in questo articolo hanno scopo puramente informativo e divulgativo. Non costituiscono in alcun modo parere medico o prescrizione. Prima di intraprendere qualsiasi terapia o integrazione, è necessario consultare il proprio medico curante.
L’immagine usata per questo articolo è stata creata grazie all’utilizzo di un sistema di Intelligenza Artificiale
