La malattia di Kawasaki (Kawasaki disease, KD), la causa più comune di cardiopatia acquisita nei bambini, può essere facilmente ignorata poiché condivide i risultati clinici con altre malattie pediatriche, portando al rischio di infarto del miocardio o morte.
La diagnosi rimane una diagnosi clinica, per la quale non esiste un test diagnostico.
Lo studio mirava a sviluppare una profonda rete neurale (Kawasaki Disease convolutional neural network, KD-CNNKD-CNN), per differenziare le immagini dei segni clinici di KD da quelle di altre malattie pediatriche. E’ stata utilizzata una combinazione innovativa di immagini crowdsourcing e download da domini pubblici su Internet
La KD-CNN ha raggiunto un’AUC mediana di 0,90 (IQR 0,10 dalla convalida incrociata di dieci volte), con una sensibilità di 0,80 (IQR 0,18) e una specificità di 0,85 (IQR 0,19) per distinguere tra bambini con e senza manifestazioni cliniche di KD.
Esistono però sia forze che limitazioni nello studio
Una limitazione principale è la dimensione del set di dati, data l’assenza di un database di immagini ben consolidato e preesistente per KD. La natura non comune della malattia ha impedito la raccolta di un volume elevato di immagini.
Inoltre, nonostante la diversità geografica dei dati, non sono state raccolte le informazioni demografiche esatte e la ripartizione della popolazione di pazienti come la razza, il che ha limitato la capacità di valutare l’associazione delle caratteristiche dei pazienti con le previsioni del modello.
Ulteriori test con dati dei pazienti ben caratterizzati aiuteranno a convalidare ulteriormente la KD-CNN durante la prossima fase di ricerca.
La KD-CNN è comunque una nuova applicazione della CNN in medicina, con il potenziale per aiutare i medici a differenziare la KD da altre malattie pediatriche fornendo il supporto per aiutare a distinguere tra i segni clinici di KD e quelli di altre malattie, riducendo così la morbilità e la mortalità della KD.
Sci Rep.2022 Jul 6;12(1):11438