Trapianto di rene, individuare reazioni di rigetto tramite machine learning

Il trapianto di rene è quello maggiormente eseguito in Italia e all’estero. Come riportato dal Centro Nazionale Trapianti, sono stati effettuati 2.051 trapianti di rene nel 2021, oltre la metà del totale (3.778), con un aumento del 7.6% rispetto all’anno precedente. Come per ogni altro trapianto, il rischio da ridurre al massimo è sempre quello del rigetto: uno dei modi utilizzato, è sottoporre il rene trapiantato a biopsia protocollare per valutare segni di un rigetto sub-clinico in corso.

Questa biopsia viene di norma effettuata nei primi 3 mesi dopo il trapianto e, comunque, mai dopo un anno. Non tutti, tra gli specialisti, sono convinti dell’utilità di questo intervento, che comunque mette il paziente a rischio di complicanze: bisogna ricordare che si tratta di persone immunodepresse. Occorre quindi sempre ponderare bene il rapporto rischio/beneficio per ogni singolo paziente. Un altro strumento utilizzato è la classificazione di Banff, ideata per inquadrare le lesioni istologiche del parenchima renale: sviluppato nel 1991 in Canada, questo strumento viene aggiornato ogni due anni.

Ci sono però dei problemi, in primis l’eterogeneità dell’interpretazione alla base del sistema. La clinica cerca strumenti che siano obiettivi e chiari nel dare le proprie valutazioni. Forse l’intelligenza artificiale potrebbe aumentare la certezza della lettura dei campioni istologici. Ecco, allora, che un team di ricerca europeo ha realizzato un modello di machine learning capace di identificare la presenza di lesioni istologiche e darne spiegazione in modo non dissimile dalla classificazione di Banff. Ma andiamo con ordine.
Gli autori, in parte francesi, belgi e tedeschi, sono partiti da due dataset di grandi dimensioni, rispettivamente 631 e 304 casi, per allenare un sistema di classificazione di gradiente estremo dei campioni istologici. Importante sottolineare che le diagnosi di riferimento non sono state eseguite seguendo le regole di Banff, ma basandosi sulla collaborazione di un isto-patologo esperto che esegue la prima lettura, seguito da un nefrologo esperto di trapianti. Il tutto alla luce del contesto clinico.

Lo strumento così allenato è stato validato con ulteriori dataset, tre in particolare – uno di 3.744, uno di 598 e l’ultimo di 360 casi – dimostrando rispettivamente una curva ROC e l’aria a questa sottesa di: 0.97, 0.97 e 0.95 per la reazione mediata da anticorpi; 0.94, 0.94 e 0.91 per la reazione mediata dalle T-cell; superiore a 0.96 per tutti i campioni per quanto riguarda la presenza di fibrosi interstiziale-atrofia tubolare.

Il modello prevede anche un classificatore per determinare, con un’accuratezza del 95%, se la reazione mediata da anticorpi è cronicizzata o meno. I risultati dello studio suggeriscono quindi la bontà di questo sistema di intelligenza artificiale che è comunque ancora passabile di migliorie, come sottolineato dai ricercatori nel loro abstract. Lo studio è pubblicato sull’American Journal of Transplantation. Vi hanno partecipato l’Università di Limoges e il Dipartimento di Farmacologia, Tossicologia e Farmacovigilanza dell’ospedale a essa associato, l’Università di Parigi e l’Ospedale Necker della stessa città, varie Unità della Scuola di Medicina di Hannover, in Germania, e l’Ospedale Universitario di Leuven, in Belgio.

(Lo studio: Labriffe M, Woillard JB, Gwinner W, Braesen JH, Anglicheau D, Rabant M, Koshy P, Naesens M, Marquet P. Machine learning-supported interpretation of kidney graft elementary lesions in combination with clinical data. Am J Transplant. 2022 Sep 5. doi: 10.1111/ajt.17192. Epub ahead of print. PMID: 36062389)

Stefania Somaré

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here