Metodologia per la valutazione preliminare dello stato di crescita e del rischio di rottura degli aneurismi cerebrali

La valutazione del rischio di rottura degli aneurismi intracranici rappresenta un aspetto fondamentale nella gestione clinica di questa patologia, poiché da essa dipende la scelta tra trattamento chirurgico e monitoraggio conservativo. Tuttavia, gli strumenti attualmente disponibili, basati su score clinici o su descrittori morfologici elementari, non consentono una stratificazione accurata e oggettiva del rischio. In questo scenario, la ricerca si sta orientando verso approcci in grado di fornire una valutazione più oggettiva e riproducibile del rischio di rottura aneurismatica.La presente tesi ha come obiettivo lo sviluppo di una metodologia per la valutazione del rischio di rottura degli aneurismi, con l’intento di creare un modello in grado di supportare il processo decisionale clinico e ridurre la soggettività delle valutazioni. Il lavoro si basa sull’integrazione di ricostruzioni tridimensionali dei vasi, simulazioni fluidodinamiche condotte in condizioni fisiologiche e strumenti di apprendimento automatico, analizzando in modo sistematico le interazioni tra morfologia, emodinamica e instabilità strutturale.Il dataset di riferimento comprende 275 aneurismi della biforcazione dell’arteria cerebrale media, ricostruiti da esami di diagnostica per immagini. È stato sviluppato un nuovo parametro morfologico sintetico, concepito per riassumere in un’unica misura le dimensioni globali e la configurazione del colletto aneurismatico. Il parametro ha mostrato una capacità discriminante superiore rispetto al PHASES score, con una concordanza di circa l’85% rispetto al giudizio clinico consensuale. È stata inoltre implementata una rete di segmentazione automatica basata su architettura 3D U-Net, addestrata su immagini CTA, con l’obiettivo di automatizzare la fase di estrazione delle geometrie vascolari. Il modello ha raggiunto un Dice coefficient, in linea con i valori riportati in letteratura, indicando la possibilità di integrare la segmentazione automatica nella pipeline di analisi per ridurre tempi di elaborazione e variabilità inter-operatore, migliorando al contempo la standardizzazione delle ricostruzioni geometriche.Sul piano emodinamico, sono state condotte simulazioni fluidodinamiche (CFD) sia in regime stazionario (SteadyState) che in regime pulsatile (Transient), utilizzando un modello non newtoniano del sangue e condizioni fisiologiche realistiche derivate da dati Doppler. I risultati hanno evidenziato che, pur rappresentando una semplificazione, le simulazioni stazionarie forniscono valori medi dei principali indici emodinamici (come Wall Shear Stress (WSS)) comparabili a quelli ottenuti in regime pulsatile, suggerendo che tale approccio possa essere utilizzato per analisi di tipo medio o esplorativo. Le simulazioni Transient, invece, si sono dimostrate necessarie per l’analisi di fenomeni tempo-dipendenti, come l’Oscillatory Shear Index, risultato significativamente associato allo stato di rottura insieme al WSS medio.Per indagare possibili relazioni non lineari tra aneurismi rotti e non rotti, non evidenziabili mediante analisi statistica tradizionale, è stato scelto un approccio basato su intelligenza artificiale multimodale. Il modello integra dati geometrici tridimensionali e indici fluidodinamici attraverso un’architettura composta da Graph Neural Networks e Multi-Layer Perceptron. Le prestazioni ottenute confermano la fattibilità tecnica e il potenziale dell’approccio proposto, pur limitato dalla dimensione del dataset.Nel complesso, i risultati ottenuti dimostrano che un approccio integrato basato su morfologia, emodinamica e intelligenza artificiale potrebbe costituire una base promettente per la realizzazione di strumenti predittivi più accurati e riproducibili. Nonostante le limitazioni legate alla numerosità del campione e alla natura retrospettiva dei dati, la metodologia sviluppata fornisce un workflow coerente e riproducibile che potrà essere ulteriormente perfezionato attraverso studi multicentrici, architetture di intelligenza artificiale più robuste, con l’obiettivo finale di tradurre questi strumenti in un supporto clinico personalizzato e basato su evidenze.