Lo sviluppo di un software di intelligenza artificiale che sfrutta più tecniche AI approfondisce e rende più esaustiva la ricerca di laboratorio sulla contrattilità del miocardio e la gestione dei livelli di calcio per il suo corretto funzionamento.
Il World Heart Report 2023, a cura della World Heart Federation di Ginevra, conferma, purtroppo, un dato drammaticamente noto: le malattie cardiovascolari rimangono al primo posto, nel mondo, come causa di mortalità, per uomini e donne.
Il quadro globale delineato dal Report è quello di oltre mezzo miliardo di persone colpite da tali patologie, con circa 60 milioni di nuovi casi ogni anno. Il picco del 2021, quando si registrarono 20,5 milioni di decessi, fu l’equivalente di quasi un terzo di tutti i decessi mondiali e di una media di 56.000 persone al giorno, una ogni 1,5 secondi.
Questi dati lasciano intuire quanto sia determinante lo studio continuo, sempre aggiornato e approfondito, della funzione cardiaca, delle patologie che ne causano il declino, degli elementi di malattie genetiche o multifattoriali a suo carico e della risposta ai farmaci in corso di sperimentazione.
Takeaway
Metodologie di studio in vitro della funzione cardiaca
Ad oggi, la ricerca sulla funzione del cuore umano si svolge in laboratorio, grazie alla cosiddetta “modellizzazione cardiaca in vitro”, vale a dire analizzando le immagini cliniche di modelli unidimensionali del miocardio (ad esempio, cellule del tessuto muscolare cardiaco isolate, derivate da cellule staminali umane); modelli bidimensionali (singoli strati di tessuto muscolare cardiaco o piccoli gruppi di tessuto, sempre derivati da cellule staminali umane); tessuti contrattili multicellulari tridimensionali, in vitro o “in vivo” (cioè non in provetta), tra cui sferoidi cardiaci (aggregati cellulari in 3D che replicano le caratteristiche del cuore), tessuti cardiaci ingegnerizzati, cuori di animali e cuori umani donati alla scienza post-mortem.
Il focus verte, in particolare, su due elementi portanti della funzione cardiaca: la contrattilità (la capacità del cuore di contrarsi) e la gestione dei livelli di calcio [fonte: “In Vitro Methods to Model Cardiac Mechanobiology in Health and Disease” – National Library of Medicine, 2021].
Riguardo, nello specifico, al calcio, Il Giornale Italiano di Cardiologia ricorda come questo sia un minerale dal ruolo strategico nella contrazione del miocardio, ma sottolinea che la formazione di suoi depositi nelle arterie (calcificazioni) è un fenomeno correlato a danni vascolari spesso gravi e letali e, ad oggi, «rappresenta ancora una sfida per i cardiologi interventisti». Da qui, l’importanza e l’esigenza di valutare in vitro, insieme alla dinamica delle contrazioni, la gestione delle quantità di calcio nel sangue.
Studio in vitro della funzione cardiaca: i limiti
A proposito dell’analisi della funzione del cuore per mezzo di modelli cardiaci in vitro, in “BeatProfiler: Multimodal In Vitro Analysis of Cardiac Function Enables Machine Learning Classification of Diseases and Drugs” (IEEE Open Journal of Engineering in Medicine and Biology, 5 aprile 2024), gli autori – ricercatori presso il Department of Biomedical Engineering della Columbia University, a New York – precisano che questa viene eseguita «estraendotracce di contrazioni cardiache e di segnali di calcio da una serie di video dei modelli in vitro, in campo chiaro e a contrasto, utilizzando coloranti sensibili agli ioni». Dopo una prima valutazione, di tali tracce, però:
«… per estrapolare da esse quelle metriche in grado di riflettere i cambiamenti osservati nelle funzioni dei modelli in vitro – conseguenti all’induzione di una data patologia o all’esposizione a un determinato farmaco – i video relativi alla contrattilità e ai livelli di calcio devono essere elaborati in modo puntuale»
Ed è su questo passaggio che il team della Columbia University è piuttosto critico, sostenendo che, attualmente,manca un unico strumento, standardizzato e accessibile a tutti, capace di un’elaborazione accurata di dati di imaging clinico, sia in campo chiaro che fluorescente, provenienti da una pluralità di modelli in vitro del miocardio (e non da uno solo o da alcuni di essi) che, come abbiamo visto, vanno dai più semplici modelli unidimensionali a quelli bidimensionali, fino ai più elaborati tessuti tridimensionali, compresi modelli ingegnerizzati, animali e umani.
«Spesso vengono impiegati programmi esterni come ImageJ o MATLAB, che richiedono l’immissione manuale dei parametri, ostacolando l’analisi ad alto rendimento. Molti metodi, poi, sono sensibili al rumore e agli artefatti, impedendo un’analisi accurata nei video a basso segnale» commentano i ricercatori. Inoltre, lamentano il fatto che, ai nostri giorni, «non esiste un unico software che sia in grado di analizzare, contemporaneamente, sia le immagini riguardanti le funzioni contrattili che quelle sulla gestione dei livelli di calcio».
Tra quelli precedenti sul tema, come esempio di non-pluralità dei modelli del miocardio presi in considerazione, il gruppo di lavoro cita uno studio giapponese del 2014 – “Image-based evaluation of contraction-relaxation kinetics of human-induced pluripotent stem cell-derived cardiomyocytes: Correlation and complementarity with extracellular electrophysiology”, National Library of Medicine – che, prendendo in esame esclusivamente la funzione contrattile nei modelli unidimensionali del cuore, riduce il livello di esaustività e di autorevolezza della ricerca.
E quattro anni dopo, uno studio congiunto che ha coinvolto Atenei inglesi e olandesi – “MUSCLEMOTION: A Versatile Open Software Tool to Quantify Cardiomyocyte and Cardiac Muscle Contraction In Vitro and In Vivo”, National Library of Medicine, 2018 – pur col merito di aver presentato un unico metodo open source che automatizza l’elaborazione delle immagini sulla funzione cardiaca osservata in più modelli del miocardio in vitro, si è focalizzato unicamente sull’analisi della contrazione del cuore, ignorando la gestione dei livelli di calcio nel suo normale funzionamento.
L’approccio fondato sull’apprendimento automatico
In tema di automatizzazione dell’elaborazione dei dati video sulla funzione cardiaca osservata in più modelli del miocardio in vitro, in passato numerosi lavori si sono serviti di tecniche di machine learning per classificare le risposte contrattili del cuore a seconda dei diversi livelli di calcio presenti nel sangue, sia da parte di cellule del muscolo cardiaco sane che da parte di cellule malate.
Tuttavia, di questi studi, è stato posto in evidenza – fanno notare gli ingegneri biomedici dell’Ateneo di New York – che gli approcci utilizzati si sono limitati ad algoritmi addestrati con set di dati relativi a parametri predefiniti sulla funzionalità del miocardio.
Si tratta – incalzano gli autori – di parametri sufficienti nell’ambito di compiti di elaborazione semplici, ad esempio qualora la classificazione riguardi dati video inerenti a patologie già note, dalle caratteristiche ben precise e di facile diagnosi.
Ma quando si tratta di elaborare dati di imaging clinico più complessi, riferiti, ad esempio, a patologie meno conosciute e più subdole o al feedback cardiaco nei confronti di determinate tipologie di farmaci cardiovascolari in sperimentazione, tali parametri non sono efficaci, perché selezionati sulla base di dataset poco estesi e troppo circoscritti.
È il deep learning (sottoinsieme del machine learning) che, invece – secondo i ricercatori – rispetto all’apprendimento automatico, potrebbe superare questo limite, anche se «al momento è stato impiegato solo nell’ambito di classificazioni binarie di modelli cardiaci in vitro derivati da cellule staminali».
Tecniche AI per la classificazione delle risposte ai farmaci cardiovascolari
Con l’obiettivo di andare oltre la classificazione dei dati limitata a due gruppi (binaria) e oltre l’adozione di modelli cardiaci in vitro unidimensionali e bidimensionali, tipiche dei lavori precedenti in materia di elaborazione dei dati video sulla funzione cardiaca, gli autori dello studio newyorkese citato in precedenza – pubblicato sull’Open Journal of Engineering in Medicine and Biology il 5 aprile 2024 – hanno sviluppato un software di intelligenza artificiale (BeatProfiler) basato su algoritmi di machine learning e su algoritmi di deep learning per l’elaborazione rapida di grandi set di dati video in tema di contrattilità del miocardio e di gestione dei livelli di calcio, provenienti da modelli cardiaci in vitro unidimensionali, bidimensionali e tridimensionali, inclusi modelli ingegnerizzati, animali e umani.
Il software AI – open source, in modo che possa essere utilizzato direttamente e gratuitamente da qualsiasi laboratorio – è stato testato dai ricercatori in una prova di classificazione delle risposte del cuore a quattro farmaci cardiovascolari normalmente in commercio (Chinidina, antiaritmico; Propranololo, betabloccante; E-4031, antiaritmico sperimentale; Verapamil, vasodilatatore), in base ai loro meccanismi di azione sui modelli cardiaci in vitro, nei quali era stata precedentemente indotta una cardiomiopatia restrittiva, responsabile di unacondizione di rigidità delle pareti del cuore, tale da ostacolarne la corretta contrazione e il riempimento.
L’ampia mole di dati concernenti la patologia restrittiva del miocardio e la modellizzazione cardiaca in vitro sono stati tratti da uno studio precedente, a cura dello stesso team della Columbia University di New York [“Engineered cardiac tissue model of restrictive cardiomyopathy for drug discovery” – Cell Reports Medicine, 2023], proprio sulla messa a punto di un modello di tessuto cardiaco ingegnerizzato, finalizzato allo studio di nuovi farmaci per la cardiomiopatia restrittiva. Questi dati sono stati utilizzati per l’addestramento degli algoritmi di apprendimento automatico, deputati all’elaborazione dei dati di imaging clinico ricavati dai modelli cardiaci in vitro, per il test sull’identificazione e la classificazione della malattia (in questo caso, la cardiomiopatia restrittiva).
Per quanto riguarda, invece, i dati con i quali sono stati allenati gli algoritmi di deep learning per la classificazione delle risposte ai quattro farmaci cardiovascolari selezionati per il test, il set finale ha visto 12.428 tipologie di battiti del miocardio in risposta alla Chinidina, 10.759 tipologie di battiti in risposta al Propranololo, 12.383 tipologie di battiti in risposta all’E-4031 e 11.696 tipologie di battiti in risposta al Verapamil.
Gli autori ricordano che, in sede di esperimento, sono stati prescelti quindici video clinici da esaminare(cinque per ogni modello cardiaco in vitro: monostrati, tessuti ingegenrizzati e sferoidi cardiaci) per ciascuna modalità contrattile e di livello di calcio e che i farmaci sono stati dispensati in ciascun tessuto un’ora prima dell’acquisizione video, avvenuta attraverso una fotocamera sCMOS collegata a un microscopio.
Lo studio ha previsto un’analisi comparativa, condotta confrontando i risultati del test con quelli ottenuti da un gruppo di modelli cardiaci di controllo, ai quali non era stato somministrato alcun farmaco. Analisi che ha evidenziato, da parte del software AI del team di ingegneri biomedici, una rilevazione dei segnali video di contrazione e dei livelli di calcio più accurata (anche nei casi di basso segnale), una riduzione dei falsi positivie un aumento della velocità di analisi da 7 a 50 volte.
Nel dettaglio, le caratteristiche che il software ha estratto dai video, hanno classificato la funzione cardiaca in presenza di cardiomiopatia restrittiva con una precisione del 98%.
Glimpses of Futures
Il lavoro illustrato convalida il ruolo delle tecniche di intelligenza artificiale a supporto dello studio in vitro – completo e approfondito – della funzione cardiaca e della risposta ai farmaci cardiovascolari da parte di più modelli del cuore, aprendo a scenari inimmaginabili fino a una decina di anni fa, quando la ricerca sul tema era ferma all’analisi dei semplici modelli cardiaci unidimensionali, insufficienti a comprendere la vastità della fisiologia del cuore umano e la complessità dei fattori che ne causano il declino.
Proviamo ora ad anticipare possibili scenari futuri, analizzando, grazie alla matrice STEPS, gli impatti che l’evoluzione delle tecniche di elaborazione di grandi set di dati video sulla contrattilità del miocardio e i livelli di calcio nei vasi che lo irrorano -provenienti da modelli cardiaci in vitro unidimensionali, bidimensionali e tridimensionali, inclusi modelli ingegnerizzati, animali e umani – potrebbe avere su più fronti.
S – SOCIAL: contribuire all’avanzamento degli studi in vitro sulla biologia cardiaca – come promette di fare il software AI open source descritto – in futuro, si tradurrebbe, per i ricercatori, in una più rapida identificazione e classificazione delle patologie ai danni del cuore e in una più puntuale valutazione circa l’efficacia di potenziali terapie farmacologiche, col fine ultimo di supportare i cardiologi nel fare prevenzione mediante diagnosi sempre più precoci e accurate e nell’impostare terapie sempre più specifiche e mirate, che è «l’obiettivo primario della ricerca scientifica e della medicina pratica», come contenuto nel documento stilato dalla “Consulta delle Società Scientifiche per la Riduzione del Rischio Cardiovascolare”. A loro volta, una maggiore tempestività e una più elevata precisione diagnostica conducono all’individuazione del minimo danno al sistema cardiovascolare, del più piccolo segno di declino, consentendo di quantificare immediatamente il rischio per l’organo. E questo ha un impatto positivo sotto il profilo sociale e clinico-terapeutico, perché offre l’opportunità di un intervento immediato ai pazienti, nell’ottica di un approccio teso a migliorare l’assistenza medico-sanitaria per chi è affetto da patologie responsabili, solo nel nostro Paese, del 35,8% di tutti i decessi e di più di 900mila ricoveri ospedalieri ogni anno [fonte: “Cardiomyopathies Matter. Una roadmap per migliorare la diagnosi e l’assistenza dei pazienti con cardiomiopatia in Italia”].
T – TECHNOLOGICAL: in futuro, le tecniche di intelligenza artificiale impiegate dal team della Columbia University per l’elaborazione di grandi set di dati video sulla contrattilità del miocardio e i livelli di calcio, provenienti da molteplici modelli cardiaci in vitro, dovranno essere perfezionate. Per poter estenderne e generalizzarne l’impiego a un’ampia varietà di patologie cardiovascolari, oltre che alla classificazione degli effetti sul miocardio da parte di altre classi di farmaci, gli algoritmi di machine learning e di deep learning andranno potenziati. L’obiettivo a lungo termine è adattare il software AI sviluppato al contesto farmaceutico del Paese di riferimento, per accelerare i test di tutti quei farmaci cardiologici candidati contemporaneamente. «Un limite del nostro studio è che abbiamo testato la classificazione di un insieme ristretto di farmaci come banco di prova. Un insieme più ampio di farmaci dovrebbe, invece, essere aggiunto al set di dati, per convalidare la generalizzabilità del modello di deep learning negli studi futuri» fanno sapere gli autori, i quali stanno già lavorando per espandere le capacità del proprio sistema AI a nuove applicazioni nella ricerca sulla funzione cardiaca in vitro, tra cui l’analisi dello spettro completo di quei disturbi che incidono sulle dinamiche di pompaggio del sangue da parte di atri e ventricoli.
E – ECONOMIC: The European House – Ambrosetti (TEHA) a proposito di malattie cardio, cerebro e vascolari – in Italia, prima causa di morte, di ricovero ospedaliero e i tra i principali motivi di invalidità – a marzo 2023 ne rimarcava l’importante impatto economico sul nostro sistema sanitario, «pari a circa 19-24 miliardi di euro, di cui 14-16 miliardi di costi sanitari diretti (80% costi di ospedalizzazione) e 5-8 miliardi di costi indiretti, sanitari e non, dovuti alla perdita di produttività del paziente e del caregiver in età lavorativa e alle spese previdenziali e assistenziali». In questo quadro per nulla rassicurante, un possibile scenario futuro in cui l’analisi in vitro automatizzata della funzione cardiaca e della risposta ai farmaci cardiovascolari – mediante un software di intelligenza artificiale open source, disponibile direttamente e in modo gratuito a qualsiasi laboratorio di ricerca – può concretamente abilitare diagnosi sempre più precoci e accurate dei disturbi ai danni del cuore, contribuirebbe a una riduzione, nel lungo periodo, di tutti quegli effetti socialmente negativi dovuti a patologie cardio, cerebro e vascolari diagnosticate già in stato avanzato e, conseguentemente, l’abbattimento dei costi dell’assistenza sanitaria.
P – POLITICAL: per una futura prevenzione su basi solide, fondata su una diagnostica cardiologica tempestiva, immediatamente seguita da una quantificazione del rischio cardiaco e da un intervento immediato sui pazienti – come auspicato dagli sviluppatori del software AI illustrato – c’è, però, urgente bisogno di un “piano”. Lo ha fatto presente sempre The European House – Ambrosetti (TEHA) quando, a dicembre 2023, ha proposto la creazione di un tavolo di lavoro da parte del Ministero della Salute, volto a definire un Piano Nazionale per le malattie cardio, cerebro e vascolari, «troppo a lungo ai margini dell’agenda della sanità: ad oggi, sono l’unico gruppo di patologie ad alto impatto che non è mai stato oggetto di un Piano Nazionale dedicato, al contrario di altri Paesi europei». In particolare, gli analisti di TEHA rilevano come, in Italia, «l’accesso all’innovazione tecnologica e farmacologica abbia permesso, tra il 1990 e il 2020, una riduzione del tasso di mortalità per queste patologie». Ma oggi il nostro Paese presenta ancora alcune criticità rilevanti, che vanno risolte se intendiamo, in futuro, beneficiare dei progressi degli studi in vitro sulla funzione cardiaca, grazie all’intelligenza artificiale.
S – SUSTAINABILITY: la prevenzione delle malattie cardiovascolari attraverso una diagnostica tempestiva e un intervento immediato sui pazienti, oltre che strutturata e organizzata da un Piano Nazionale, deve essere equa. L’avanzamento degli studi in vitro sulla biologia cardiaca, forieri di una più rapida identificazione e classificazione delle patologie del miocardio, sono nulli in presenza di limitazioni dell’accesso alle cure. A tale riguardo, anovembre 2023, è partito il progetto UE di durata quadriennale denominato JACARDI (acronimo di Joint Action on CARdiovascular diseases and DIabetes), in tema di malattie cardiovascolari e diabete, per il quale la Commissione europea ha stanziato ben 53 milioni di euro, nominando il nostro Istituto Superiore di Sanità (ISS) coordinatore e capofila europeo. Peculiarità dell’iniziativa, l’attenzione nel fare fronte alle sfide sanitarie (presenti e future) poste dalle due patologie in maniera inclusiva, «con un focus specifico sui determinanti sociali della salute, sulle diversità culturali ed etniche riferite ai pazienti e sulla promozione dell’equità, anche dal punto di vista del genere», identificando le principali dimensioni sociali delle disuguaglianze nelle due malattie.
