La ricerca ha esaminato l’impiego di un approccio computazionale supportato dall’intelligenza artificiale per espandere e analizzare un campione clinico limitato, sempre mantenendo un collegamento con i dati reali. Partendo da 123 soggetti asintomatici reali, è stato creato un dataset sintetico biologicamente plausibile di 10.000 casi, utile per stabilizzare l’analisi di specifiche correlazioni anatomiche della colonna vertebrale.
Un aspetto cruciale non è solo la generazione di dati sintetici, ma la dimostrazione che le correlazioni identificate nel campione amplificato restavano confermabili sui dati reali mediante procedure statistiche indipendenti.
La ricerca nasce dall’esigenza di studiare l’allineamento spinopelvico in soggetti asintomatici, un elemento fondamentale per comprendere l’equilibrio sagittale fisiologico e definire valori di riferimento utili nella valutazione delle deformità spinali.
Tuttavia, la disponibilità di dati su individui sani è limitata da vincoli etici, logistici e concernenti l’esposizione radiologica: non è semplice, né sempre opportuno, sottoporre persone sane a radiografie al solo scopo di ampliare un campione di ricerca. In questo contesto, la generazione controllata di dati sintetici può rappresentare una valida strategia per esplorare le relazioni anatomiche senza perdere il legame con i dati reali.
Utilizzando 123 soggetti asintomatici reali, è stato elaborato un dataset sintetico contenente 10.000 configurazioni anatomiche biologicamente plausibili. Le correlazioni scoperte nel campione amplificato sono poi state verificate sui 123 casi reali attraverso il bootstrap statistico, una tecnica che consente di testare la robustezza dei risultati tornando ripetutamente ai dati originali.
Per lo studio sono state analizzate radiografie in posizione eretta dell’intera colonna vertebrale, registrando caratteristiche demografiche e vari parametri spinopelvici, come l’incidenza pelvica (PI), inclinazione pelvica (PT), pendenza sacrale (SS), lordosi lombare (LL), cifosi toracica (TK) e misure di allineamento cervicale. Sul piano metodologico è stato adottato un approccio di campionamento gaussiano probabilistico, supportato da vincoli anatomici e biologici.
Le correlazioni identificate nel dataset sintetico sono state successivamente confermate rispetto ai dati misurati sui soggetti reali. Il risultato è un approccio fattibile e riproducibile per studiare le relazioni spinopelviche in campioni clinici di dimensioni limitate. Questa sinergia permette di identificare correlazioni biologicamente plausibili e può contribuire a ridurre la necessità di ulteriori studi di imaging su soggetti sani.
La metodologia impiegata può inoltre servire come strumento esplorativo nella ricerca sulla colonna vertebrale e in altri ambiti caratterizzati da dataset piccoli. Il flusso di lavoro bidirezionale ha permesso di convalidare sui dati reali le correlazioni emergenti dal dataset sintetico, minimizzando il rischio che i risultati siano frutto del caso o della limitata grandezza del campione.
In conclusione, lo studio non intende sostituire i dati clinici con dati artificiali, ma dimostra come un metodo computazionale assistito dall’intelligenza artificiale possa essere utilizzato per formulare ipotesi, testarle sui dati reali e mantenere la plausibilità biologica. Gli autori di questa ricerca sono: IRCCS Ospedale Galeazzi-Sant’Ambrogio, Milano, Domenico Compagnone, Riccardo Cecchinato, Pedro Berjano e Claudio Lamartina. Marco Giacalone, LUMSA Santa Silvia, Palermo.
[email protected]
