Applicazione del Deep Learning per la creazione di un modello predittivo per stratificare e sartorializzare il follow-up di pazienti sottoposti a Riparazione per via Endovascolare di Aneurismi dell’Aorta Addominale.

Introduzione. Lo scopo di questo lavoro è usare metodiche di Deep Learning per creare un modello predittivo per stratificare i pazienti sottoposti a EVAR, basato sull'elaborazione delle angio-TC pre-operatorie. Materiali e metodi. E' stata effettuata una raccolta retrospettiva dei dati relativi a 125 pazienti sottoposti a intervento di EVAR, presso la UOC di Chirurgia Vascolare dell'AOU Policlinico "G. Martino" di Messina. I criteri di inclusione sono stati i seguenti: disponibilità di una angio-TC pre-operatoria con una "slice thickness ≤ 3 mm; che si fosse trattato di un EVAR standard; il completamento di almento 24 mesi di follow-up. Abbiamo utilizzato le angio-TC pre-operatorie per ottenere delle ricostruzioni 3D sotto forma di nuvole di punti le quali sono state fornite come dati di input ad una Rete Neurale Convoluzionale multi-layer. A quest'ultima è stato richiesto di identificare gli item forniti secondo 4 classificatori: C1, relativo al setting pre-operatorio di aneurisma rotto; C2, relativo al riscontro di endoleak di tipo II al follow-up; C3, relativo al riscontro di endoleak di tipo I o III e a re-interventi di correzione di endoleak durante il follow-up; C4, relativo allo shrinkage della sacca residua. Risultati. Sono stati inclusi 125 pazienti. Durante il follow-up, sono stati riscontrati 8 casi di endoleak di tipo I, 3 casi di endoleak di tipo III e 33 casi di endoleak di tipo II. 12 pazienti sono stati sottoposti a re-intervento per correzione di endoleak. In 65 casi, è stato riscontrato shrinkage della sacca residua, durante il follow-up. La Rete Neurale ha mostrato il 70% di accuratezza, precisione, sensibilità e specificità per la predizione dello shrinkage della sacca. Conclusioni. I risultati ottenuti appaiono stimolanti. L'uso di nuvole di punti per rappresentare gli aneurismi può evitare la perdita di importanti caratteristiche geometriche. Sarà necessario comunque un numero maggiore di casi, per superare i limiti che lo studio presenta.