AI for predicting cerebral embolization risk and characterizing embolic patterns during endovascular aortic arch repair
ProjectINTRODUZIONE: Il trattamento endovascolare delle patologie dell’arco aortico ha conosciuto una progressiva espansione grazie allo sviluppo di endoprotesi fenestrate e ramificate. Tuttavia, l’embolizzazione cerebrale rappresenta ancora una delle principali criticità della procedura e può manifestarsi con uno spettro variabile di eventi, dallo stroke clinicamente evidente fino a lesioni ischemiche cerebrali subcliniche rilevabili mediante risonanza magnetica con sequenze pesate in diffusione (DW-MRI). Il rischio embolico individuale deriva verosimilmente da una complessa interazione tra morfologia dell’arco aortico, burden aterosclerotico e trombotico, anatomia dei tronchi sovra-aortici, caratteristiche cliniche del paziente e manipolazione endovascolare intraoperatoria.
OBIETTIVO: Sviluppare e validare un modello multimodale basato sull’intelligenza artificiale per la predizione del rischio di embolizzazione cerebrale nei pazienti sottoposti a trattamento endovascolare dell’arco aortico, valutandone la correlazione con le lesioni ischemiche documentate mediante DW-MRI, gli outcome neurologici clinici, eventuali biomarcatori sierologici di danno neuronale acuto e le strategie preventive potenzialmente attuabili.
METODI: I dati clinici, anatomici, radiologici, procedurali e biologici saranno integrati all’interno di un modello predittivo multimodale. L’angio-TC preoperatoria sarà analizzata per caratterizzare la morfologia dell’arco aortico e dei tronchi sovra-aortici, il burden ateromasico, la presenza e distribuzione di trombo murale e calcificazioni, le caratteristiche delle placche, le angolazioni vascolari e le zone di ancoraggio. Tecniche di intelligenza artificiale e machine learning saranno utilizzate per identificare fenotipi di imaging e combinazioni di variabili clinico-anatomiche associate a un aumentato rischio di embolizzazione cerebrale. La valutazione neurologica sarà integrata con l’esecuzione peri-procedurale di DW-MRI cerebrale, allo scopo di identificare e quantificare oggettivamente nuove lesioni ischemiche. Saranno analizzati il numero, il volume complessivo e la distribuzione anatomica delle nuove lesioni, consentendo di utilizzare il burden ischemico alla DW-MRI come misura oggettiva dell’embolizzazione cerebrale, anche in assenza di manifestazioni neurologiche clinicamente evidenti. Un sottostudio esplorativo potrà inoltre prevedere il dosaggio peri-procedurale di biomarcatori circolanti di danno neuronale e gliale acuto, quali neurofilament light chain (NfL), glial fibrillary acidic protein (GFAP) e altri potenziali marcatori, valutandone le variazioni rispetto al basale e la correlazione con il burden ischemico alla DW-MRI e con gli outcome neurologici clinici. Nel modello saranno inoltre integrate variabili procedurali, tra cui configurazione dell’endoprotesi, modalità e durata della manipolazione di cateteri e guide, cateterizzazione dei tronchi sovra-aortici, durata della procedura ed estensione della strumentazione dell’arco aortico. Particolare attenzione sarà rivolta all’identificazione dei fattori di rischio potenzialmente modificabili e alla valutazione delle possibili strategie di prevenzione, comprendenti l’ottimizzazione della pianificazione procedurale, la riduzione delle manipolazioni dell’arco, la scelta degli accessi e dei dispositivi, l’ottimizzazione della gestione antitrombotica e anticoagulante e l’impiego selettivo di sistemi di protezione cerebrale nei pazienti identificati come ad alto rischio.
ENDOPOINT: L’endpoint primario sarà rappresentato dal danno embolico cerebrale peri-procedurale, definito mediante comparsa di nuove lesioni ischemiche alla DW-MRI e/o eventi neurologici clinicamente manifesti. Gli endpoint secondari ed esplorativi comprenderanno numero e volume delle nuove lesioni DW-MRI, stroke e altri eventi neurologici transitori o permanenti, outcome funzionali e neurocognitivi, variazioni peri-procedurali dei biomarcatori di danno neuronale e correlazione tra parametri anatomici, imaging cerebrale, biomarcatori e manifestazioni cliniche. L’integrazione di caratteristiche anatomiche derivate dall’angio-TC, variabili procedurali, DW-MRI, valutazione neurologica e biomarcatori circolanti potrebbe consentire una caratterizzazione più completa del fenotipo embolico cerebrale associato al trattamento endovascolare dell’arco aortico. Il modello basato sull’IA potrebbe permettere una stima individualizzata del rischio, identificare i principali determinanti anatomici e procedurali dell’embolizzazione e riconoscere i pazienti che potrebbero beneficiare maggiormente di strategie preventive dedicate.
CONCLUSIONI: Un approccio multimodale basato sull’intelligenza artificiale, che integri angio-TC preoperatoria, caratteristiche procedurali, DW-MRI cerebrale, outcome neurologici e biomarcatori di danno neuronale acuto, potrebbe migliorare la predizione e la caratterizzazione dell’embolizzazione cerebrale dopo trattamento endovascolare dell’arco aortico. Oltre alla predizione dello stroke clinicamente manifesto, tale strategia consentirebbe di quantificare il danno ischemico subclinico e potrebbe costituire la base per lo sviluppo di strategie preventive personalizzate e di un approccio endovascolare dell’arco aortico adattato al profilo di rischio del singolo paziente.
OBIETTIVO: Sviluppare e validare un modello multimodale basato sull’intelligenza artificiale per la predizione del rischio di embolizzazione cerebrale nei pazienti sottoposti a trattamento endovascolare dell’arco aortico, valutandone la correlazione con le lesioni ischemiche documentate mediante DW-MRI, gli outcome neurologici clinici, eventuali biomarcatori sierologici di danno neuronale acuto e le strategie preventive potenzialmente attuabili.
METODI: I dati clinici, anatomici, radiologici, procedurali e biologici saranno integrati all’interno di un modello predittivo multimodale. L’angio-TC preoperatoria sarà analizzata per caratterizzare la morfologia dell’arco aortico e dei tronchi sovra-aortici, il burden ateromasico, la presenza e distribuzione di trombo murale e calcificazioni, le caratteristiche delle placche, le angolazioni vascolari e le zone di ancoraggio. Tecniche di intelligenza artificiale e machine learning saranno utilizzate per identificare fenotipi di imaging e combinazioni di variabili clinico-anatomiche associate a un aumentato rischio di embolizzazione cerebrale. La valutazione neurologica sarà integrata con l’esecuzione peri-procedurale di DW-MRI cerebrale, allo scopo di identificare e quantificare oggettivamente nuove lesioni ischemiche. Saranno analizzati il numero, il volume complessivo e la distribuzione anatomica delle nuove lesioni, consentendo di utilizzare il burden ischemico alla DW-MRI come misura oggettiva dell’embolizzazione cerebrale, anche in assenza di manifestazioni neurologiche clinicamente evidenti. Un sottostudio esplorativo potrà inoltre prevedere il dosaggio peri-procedurale di biomarcatori circolanti di danno neuronale e gliale acuto, quali neurofilament light chain (NfL), glial fibrillary acidic protein (GFAP) e altri potenziali marcatori, valutandone le variazioni rispetto al basale e la correlazione con il burden ischemico alla DW-MRI e con gli outcome neurologici clinici. Nel modello saranno inoltre integrate variabili procedurali, tra cui configurazione dell’endoprotesi, modalità e durata della manipolazione di cateteri e guide, cateterizzazione dei tronchi sovra-aortici, durata della procedura ed estensione della strumentazione dell’arco aortico. Particolare attenzione sarà rivolta all’identificazione dei fattori di rischio potenzialmente modificabili e alla valutazione delle possibili strategie di prevenzione, comprendenti l’ottimizzazione della pianificazione procedurale, la riduzione delle manipolazioni dell’arco, la scelta degli accessi e dei dispositivi, l’ottimizzazione della gestione antitrombotica e anticoagulante e l’impiego selettivo di sistemi di protezione cerebrale nei pazienti identificati come ad alto rischio.
ENDOPOINT: L’endpoint primario sarà rappresentato dal danno embolico cerebrale peri-procedurale, definito mediante comparsa di nuove lesioni ischemiche alla DW-MRI e/o eventi neurologici clinicamente manifesti. Gli endpoint secondari ed esplorativi comprenderanno numero e volume delle nuove lesioni DW-MRI, stroke e altri eventi neurologici transitori o permanenti, outcome funzionali e neurocognitivi, variazioni peri-procedurali dei biomarcatori di danno neuronale e correlazione tra parametri anatomici, imaging cerebrale, biomarcatori e manifestazioni cliniche. L’integrazione di caratteristiche anatomiche derivate dall’angio-TC, variabili procedurali, DW-MRI, valutazione neurologica e biomarcatori circolanti potrebbe consentire una caratterizzazione più completa del fenotipo embolico cerebrale associato al trattamento endovascolare dell’arco aortico. Il modello basato sull’IA potrebbe permettere una stima individualizzata del rischio, identificare i principali determinanti anatomici e procedurali dell’embolizzazione e riconoscere i pazienti che potrebbero beneficiare maggiormente di strategie preventive dedicate.
CONCLUSIONI: Un approccio multimodale basato sull’intelligenza artificiale, che integri angio-TC preoperatoria, caratteristiche procedurali, DW-MRI cerebrale, outcome neurologici e biomarcatori di danno neuronale acuto, potrebbe migliorare la predizione e la caratterizzazione dell’embolizzazione cerebrale dopo trattamento endovascolare dell’arco aortico. Oltre alla predizione dello stroke clinicamente manifesto, tale strategia consentirebbe di quantificare il danno ischemico subclinico e potrebbe costituire la base per lo sviluppo di strategie preventive personalizzate e di un approccio endovascolare dell’arco aortico adattato al profilo di rischio del singolo paziente.