{"id":13849,"date":"2025-05-22T10:32:43","date_gmt":"2025-05-22T08:32:43","guid":{"rendered":"https:\/\/www.convegnonazionaleaiic.it\/nuovo-algoritmo-automatico-per-la-quantificazione-del-volume-del-versamento-pleurico\/"},"modified":"2025-06-04T14:23:19","modified_gmt":"2025-06-04T12:23:19","slug":"nuovo-algoritmo-automatico-per-la-quantificazione-del-volume-del-versamento-pleurico","status":"publish","type":"post","link":"https:\/\/www.convegnonazionaleaiic.it\/nuovo-algoritmo-automatico-per-la-quantificazione-del-volume-del-versamento-pleurico\/","title":{"rendered":"NUOVO ALGORITMO AUTOMATICO PER LA QUANTIFICAZIONE DEL VOLUME DEL VERSAMENTO PLEURICO"},"content":{"rendered":"
\n
\n

\"\"\"\"<\/p>\n

AFFILIAZIONE<\/span><\/strong><\/p>\n

consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)<\/p>\n


\nAUTORE PRINCIPALE<\/span><\/strong><\/p>\n

Ing. Botrugno Chiara<\/p>\n

VALUTA IL CHALLENGE
\n<\/span><\/strong><\/p>\n

Registrazione obbligatoria. Una valutazione consentita<\/em><\/div>\n
\t\t
\n\t\t\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tLogin<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tRegistrazione<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

login avvenuto<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tLogout<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<\/div>\n
[ratingwidget]<\/div>\n<\/div>\n
\n

<\/a><\/p>\n

GRUPPO DI LAVORO<\/span><\/strong><\/p>\n

Ing. Botrugno Chiara<\/strong> consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
\nIng. Bottino Alberto<\/strong> universit\u00e0 del salento, dipartimento di ingegneria dell’innovazione
\nIng. Morello Rocco<\/strong> consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
\nIng. Conversano Francesco<\/strong> consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
\nDr. Pisani Paola<\/strong> consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
\nIng. Casciaro Sergio<\/strong> consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)<\/p><\/div>\n

AREA TEMATICA<\/span><\/strong><\/p>\n

Applicazioni di intelligenza artificiale in sanit\u00e0<\/div>\n

ABSTRACT<\/span><\/strong><\/p>\n

La quantificazione accurata del versamento pleurico \u00e8 cruciale per una gestione tempestiva ed efficace dei pazienti critici, specialmente in contesti di emergenza come pronto soccorso e unit\u00e0 mobili. Questo studio preliminare valuta l\u2019impiego di un algoritmo di segmentazione basato su deep learning per l\u2019analisi volumetrica del versamento pleurico da immagini ecografiche polmonari, acquisite sia in ambito ospedaliero che pre-ospedaliero.
\nDodici pazienti con versamento pleurico sintomatico sono stati sottoposti a ecografia polmonare mediante ecografo portatile (SensUS Lung, Amolab Srl) con sonda convex da 3.5 MHz, acquisendo immagini in posizione seduta e supina.
\nL\u2019algoritmo di segmentazione si basa su una ResNet modificata, addestrata su immagini ecografiche acquisite nello stesso contesto clinico e segmentate manualmente da due operatori esperti. Le segmentazioni automatiche sono state confrontate in blind con quelle manuali. Dai contorni segmentati \u00e8 stato ricostruito il volume del versamento pleurico (in cm\u00b3) mediante integrazione dell\u2019area su sequenze longitudinali e trasversali. I volumi stimati sono stati confrontati con quelli drenati tramite toracentesi, considerata gold standard. Le performance dell\u2019algoritmo di segmentazione sono state valutate con Dice Similarity Coefficient (DSC), mentre l\u2019attendibilit\u00e0 della stima del volume del versamento con Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) e coefficiente di correlazione di Pearson (r).
\nL\u2019algoritmo ha mostrato buone capacit\u00e0 di segmentazione, con un DSC medio pari a 0.76 \u00b1 0.05 rispetto agli operatori umani. L\u2019analisi inter-operatore ha mostrato una concordanza simile (DSC 0.78 \u00b1 0.04), confermando l\u2019affidabilit\u00e0 del modello. Il volume stimato ha mostrato un MAE medio di 42.4 \u00b1 19.6 cm\u00b3 e un RMSE di 45.5 cm\u00b3 rispetto al volume drenato. Il coefficiente di correlazione tra stima automatica e gold standard \u00e8 risultato elevato (r = 0.84, p < 0.001). Il tempo medio di elaborazione per paziente \u00e8 stato inferiore a 3 secondi.\nQuesto studio preliminare dimostra la fattibilit\u00e0 e robustezza dell\u2019utilizzo di algoritmi di deep learning per la segmentazione e quantificazione automatizzata del versamento pleurico a partire da ecografia polmonare. I risultati supportano la prosecuzione dello studio su scala pi\u00f9 ampia, con l\u2019obiettivo di integrare tali strumenti nella pratica clinica, migliorando la rapidit\u00e0 decisionale e riducendo l\u2019invasivit\u00e0 diagnostica.<\/div>\n

 <\/p>\n

\n\n