L’efficacia dell’impianto cocleare nel favorire lo sviluppo del linguaggio nei bambini con ipoacusia severa-profonda è ormai riconosciuta. Rimane tuttavia un’elevata variabilità individuale degli outcome del parlato, rispetto ai coetanei con udito normale, che i parametri clinici tradizionali come l’età al momento dell’impianto cocleare o l’udito residuo non riescono a prevedere in modo efficace.
D’altra parte, una previsione accurata dello sviluppo del linguaggio parlato a livello individuale prima dell’impianto cocleare consentirebbe sia un approccio personalizzato per ridurre la variabilità dei risultati sia un counselling mirato per i genitori e una pianificazione più adeguata della terapia dopo l’impianto.
Diversi studi hanno valutato l’efficacia dei modelli di IA basati sul machine learning addestrati sui parametri della risonanza magnetica cerebrale pre-intervento nel prevedere gli outcome relativi al linguaggio parlato nei bambini dopo l’impianto cocleare, rilevando una buona accuratezza, ma anche difficoltà di applicazione a dataset eterogenei a causa delle molte variabili correlate ai protocolli di esecuzione dell’imaging e ai parametri di misurazione degli esiti.
Uno studio diagnostico
Al fine di cercare di ottenere previsioni sempre più affidabili, uno studio diagnostico multicentrico internazionale ha valutato l’utilizzo dell’intelligenza artificiale, applicata alla risonanza magnetica cerebrale pre-impianto cocleare, per prevedere il miglioramento dello sviluppo del linguaggio parlato dopo l’intervento, confrontando la performance dei modelli di machine learning tradizionale, che ha mostrato difficoltà nell’integrare set di dati eterogenei – come quelli provenienti da più centri dislocati in Paesi diversi e su popolazioni eterogenee – con quella di algoritmi di deep transfer learning, basati sull’utilizzo di reti neurali, in grado di integrare le caratteristiche anatomiche cerebrali con le variabili cliniche.
Nello studio sono stati inclusi 278 bambini che avevano ricevuto un impianto cocleare per ipoacusia neurosensoriale bilaterale tra il 2009 e il 2022. I partecipanti sono stati seguiti in tre centri, rispettivamente negli Stati Uniti, in Australia e in Cina, e provenivano da famiglie madrelingua inglese, spagnola e cantonese.
La popolazione analizzata era omogenea dal punto di vista della distribuzione di genere e l’età media al momento dell’impianto era 25,7 mesi.
Prima dell’impianto cocleare, tutti i partecipanti sono stati sottoposti a risonanza magnetica strutturale tridimensionale. I dati relativi agli outcome sono stati raccolti per un periodo compreso tra 1 e 3 anni post-impianto.
I modelli sono stati addestrati per prevedere gli esiti relativi al linguaggio parlato, distinguendo tra alto e basso miglioramento.
Modelli predittivi a confronto
I risultati dello studio hanno dimostrato un significativo vantaggio degli algoritmi di deep transfer learning rispetto ai modelli di machine learning tradizionale in tutti i parametri di outcome considerati.
In particolare, i modelli di deep transfer learning basati sull’attenzione bilineare hanno raggiunto un’accuratezza pari a 92,39%, una sensibilità del 91,22% e una specificità del 93,56%, con un’area sotto la curva pari a 0,98, ed hanno superato significativamente entrambi i modelli di base. Il modello che utilizzava solo misure cliniche ha mostrato un’utilità predittiva limitata, con un’accuratezza del 53,57% e un’AUC di 0,52, indicando una performance prossima al casuale. Il modello che utilizzava solo caratteristiche neurali ha ottenuto risultati migliori rispetto al modello clinico, con un’accuratezza dell’86,79% e un’AUC di 0,92, ma è rimasto sostanzialmente inferiore al modello di fusione
Per quanto riguarda i modelli di machine learning tradizionali, le prestazioni sono risultate inferiori, con accuratezza massima del 62,14% e un’area sotto la curva di 0,62.
I dati raccolti nel corso del tempo indicano un incremento significativo delle competenze linguistiche dopo l’impianto cocleare, in particolare nei primi 18 mesi; questo vale per tutti i bambini, indipendentemente dalla lingua parlata.
Come interpretare i risultati
Questo studio diagnostico ha dimostrato la solidità di un approccio IA basato sul deep transfer learning nel prevedere il miglioramento del linguaggio parlato nei bambini dopo l’impianto cocleare. Inoltre, il modello ha permesso una previsione preoperatoria più accurata utilizzando tecniche che integrano dati provenienti da più fonti per migliorare le prestazioni.
L’integrazione tra dati clinici e di imaging cerebrale rappresenta un potenziale strumento efficace per personalizzare il counselling pre-chirurgico e pianificare interventi riabilitativi mirati nei bambini più a rischio di uno scarso miglioramento delle abilità linguistiche.
Lo studio, inoltre, supporta la fattibilità dello sviluppo di un unico modello di deep transfer learning accurato per la previsione dell’esito post-impianto cocleare, da utilizzare in tutti i centri e per tutte le lingue.
