Notizie
Virus Shamonda. In Francia il primo caso al mondo di infezione umana. Ecdc monitora la situazione
Per la prima volta al mondo è stata segnalata un’infezione umana da virus Shamonda (SHAV), un agente patogeno […]
Polmonite acquisita in comunità in forma grave, sviluppato modello multimodale di previsione
Un team guidato da Lianting Hu e Ying Li, del Wuhan Maternal and Child Healthcare Hospital, ha proposto un modello multimodale potenzialmente utile per migliorare la previsione della polmonite acquisita in comunità (CAP) grave nei bambini. Il modello proposto, che integra dati radiografici del torace e dati clinici, fornisce le basi per futuri strumenti basati sull’intelligenza artificiale a supporto della diagnosi precoce e dell’intervento mirato, riducendo potenzialmente la mortalità associata alla polmonite acquisita in comunità in età pediatrica. Il modello è stato descritto su BMC Pediatrics.
La CAP è una delle principali cause di morbilità e mortalità infantile, soprattutto nei paesi a basso reddito. Nella forma grave, la CAP è associata a un elevato rischio di mortalità, pertanto la diagnosi precoce e l’intervento tempestivo sono fondamentali. Nonostante i progressi nell’applicazione dell’intelligenza artificiale per la previsione delle malattie, la maggior parte dei modelli si è concentrata sugli adulti, con scarsa attenzione alla popolazione pediatrica e all’integrazione di radiografie del torace e test di laboratorio. I ricercatori hanno voluto sviluppare un modello predittivo per la CAP grave nei bambini integrando dati da radiografie del torace, esami di laboratorio e informazioni demografiche. Il team ha creato una coorte retrospettiva di 3.964 pazienti pediatrici con CAP, sui quali è stato sviluppato un modello predittivo per la CAP grave. L’approccio, quindi, è stato valutato per determinarne il metodo ottimale per la previsione della CAP grave nei bambini.
Il modello unimodale con le migliori prestazioni, basato esclusivamente su radiografie del torace, ha raggiunto un PR-AUC del 16,33 ± 1,98% e un ROC-AUC del 78,28 ± 1,48%. Grazie alla fusione multimodale, il modello di fusione ottimale ha migliorato in modo significativo le prestazioni, raggiungendo un PR-AUC del 46,68 ± 4,50% e un ROC-AUC del 92,91 ± 0,64%. Inoltre, le aree radiografiche individuate dal modello hanno mostrato una sostanziale sovrapposizione con le aree di lesione annotate dai radiologi.
Fonte: BMC Pediatrics 2026
https://link.springer.com/article/10.1186/s12887-026-06953-w
