Artificial intelligence-powered Support System fOr asCendIng AorTa anEurysms - Finanziato dall’Unione europea – Next Generation EU

Il problema L'aneurisma dell'aorta toracica ascendente (ATAA) rappresenta una malattia pericolosa per la vita, associata a bassi tassi di sopravvivenza in caso di complicazioni come rottura o dissezione [1]. Attualmente, la gestione clinica è basata sulla valutazione del rischio di complicanze aTAA sul monitoraggio rigoroso delle dimensioni dell’aneurisma. Si consiglia il trattamento elettivo di prevenzione quando il diametro massimo dell'ATAA raggiunge la dimensione critica (55 mm) [1]. Tuttavia circa il 60% dei pazienti presenta complicanze prima che venga raggiunta questa dimensione [2]. Pertanto, l'ATAA il diametro massimo non è un fattore predittivo affidabile e non riflette il rischio correlato all'ATAA. La sfida La necessità di un approccio affidabile per integrare il criterio del diametro nella valutazione del rischio di complicanze e nell'ottimizzazione del timing della riparazione elettiva motiva la ricerca attuale su nuovi criteri di stratificazione del rischio per gli ATAA basati su (i) l'identificazione di biomarcatori circolanti e tissutali [3,4] e (ii) biomeccanica computazionale [5]. L'identificazione di biomarcatori legati all'esordio ed alla prognosi sfavorevole dell'ATAA ha attualmente portato a identificare 37 geni con varianti genetiche o mutazioni associate all'ATAA, tuttavia queste mutazioni sono sufficienti a spiegare solo il 30% circa degli ATAA familiari non sindromici [6]. Per quanto riguradano gli indicatori biomeccanici sono stati proposti dei modelli basati sulla modellazione computazionale della fluidodinamica sanguigna e della meccanica delle pareti, ma la loro applicabilità clinica è ostacolata dall'elevato costo computazionale, complessità/ipotesi/idealizzazioni del modello e competenza tecnica da parte dell'utente finale. Inoltre, spesso è difficile fare interagire informazioni provenienti da diverse fonti che vanno dal livello molecolare a quello organico. Una sfida importante quindi risiede nell’unire meccanismi molecolari, cellulari, della biomeccanica e funzionali della fisiopatologia aortica che stanno alla base della natura multifattoriale di questa malattia. La soluzione Il progetto ASSOCIATE integrerà informazioni demografiche, parametri clinici e di imaging, dati sui biomarcatori, dati biomeccanici funzionalità di modellazione e forma morfologica dell'ATAA per costruire modelli predittivi robusti. Sfruttando metodi di intelligenza artificiale, miriamo a (i) prevedere il rischio di eventi avversi come rottura e dissezione e (ii) stimare la traiettoria di crescita dell'ATAA. ASSOCIATE è condotto in collaborazione tra Politecnico di Torino, Università di Palermo e Università di Torino. I partecipanti garantiscono la raccolta di dati medici eterogenei da diversi casi ATAA dando vita a un archivio senza precedenti (circa 600+ casi ATAA). Questo progetto genererà nuove conoscenze sulla comprensione meccanicistica degli ATAA, allo stesso tempo gettando le basi per una tecnologia del “paziente digitale” attraverso la quale i medici raccoglieranno i frutti di un nuovo paradigma della medicina predittiva e personalizzata basata su dati multidisciplinari e intelligenza artificiale. Il risultato di questo progetto sbloccherà livelli di accuratezza senza precedenti nell’identificazione dei pazienti ad alto rischio o ad alto costo, facilitando un processo più efficace e cura efficiente.