Un approccio di apprendimento automatico all'utilizzo degli ultrasuoni per la...
**Contesto:** Una valutazione accurata della composizione corporea del bambino, in particolare della massa grassa e priva di grassi, è fondamentale per ...
Fabrizio Devito — Infermiere
Fonte: Pilot and feasibility studies (2026) · PMID: 41937219
Autori: Ranger Bryan J, Albert Marisa, Kim Ji In
Titolo originale: A machine learning approach to using ultrasound for body composition and nutritional status assessment in newborns: a pilot study protocol.
Abstract
Contesto: Una valutazione accurata della composizione corporea del bambino, in particolare della massa grassa e priva di grassi, è fondamentale per valutare la crescita e lo stato nutrizionale. I metodi esistenti, come la pletismografia a spostamento d’aria e l’assorbimetria a raggi X a doppia energia, sono costosi, richiedono strutture specializzate e richiedono personale qualificato. L’ecografia offre un’alternativa promettente come strumento portatile e a basso costo in grado di distinguere il tessuto adiposo dal muscolo scheletrico. Tuttavia, la sua fattibilità per un uso diffuso in diversi contesti clinici rimane incerta. Questo studio pilota mira a valutare la fattibilità, l’accettabilità e l’affidabilità di un protocollo di scansione ad ultrasuoni per misurare la composizione corporea nei neonati, stabilendo al contempo una base per l’analisi abilitata all’intelligenza artificiale (AI) per consentire la stima della composizione di tutto il corpo dalle immagini ad ultrasuoni.
Metodi: recluteremo 50 neonati (20 prematuri e 30 a termine) da due siti: Brigham and Women’s Hospital (Boston, MA, USA) e Jimma Medical Center (Jimma, Etiopia). La fattibilità sarà valutata attraverso metriche come i tassi di reclutamento, il completamento della scansione e la durata della sessione. L’accettabilità sarà misurata utilizzando il feedback del medico e l’affidabilità sarà valutata utilizzando coefficienti di correlazione intra-classe (ICC) per l’acquisizione di immagini ecografiche. Verrà sviluppato un database completo di immagini ecografiche e metriche della composizione corporea corrispondenti, costituendo la base per la formazione di modelli di intelligenza artificiale. Saranno sviluppati modelli preliminari di apprendimento automatico (ML), comprese le reti neurali convoluzionali (CNN), per prevedere la composizione corporea. L’accuratezza di questi modelli sarà valutata utilizzando metriche come l’errore quadratico medio (RMSE), l’errore percentuale assoluto medio (MAPE), l’errore assoluto medio (MAE) e l’errore quadratico medio (MSE).
Discussione: Questo studio determinerà la fattibilità dell’integrazione della valutazione della composizione corporea basata sugli ultrasuoni nei flussi di lavoro clinici neonatali come potenziale applicazione futura. Valuteremo l’aderenza al protocollo, l’affidabilità della scansione e l’accettabilità clinica e familiare per guidare un’ulteriore ottimizzazione del protocollo. I risultati informeranno la progettazione di uno studio su larga scala e contribuiranno a perfezionare i modelli di intelligenza artificiale per uso clinico. In definitiva, questo approccio mira a migliorare l’accessibilità, l’accuratezza e l’efficienza delle valutazioni della composizione corporea, in particolare in contesti con poche risorse, dove potrebbe consentire agli operatori sanitari in prima linea di eseguire queste valutazioni senza una formazione specializzata, migliorando l’assistenza ai neonati vulnerabili.
Fabrizio Devito
Commenti