La premessa: informazioni su ISLH
Fondata nel 1992, l’International Society for Laboratory Hematology (ISLH) è una società di spicco che si prefigge come missione di promuovere la formazione internazionale, tracciare nuove direzioni e guidare l’innovazione nel campo dell’ematologia di laboratorio. La rivista ufficiale dell’ISLH, “The International Journal of Laboratory Hematology”, è la principale rivista di ematologia. Nel 2005, il dott. Berend Houwen, fondatore dell’ISLH, ha guidato la definizione dei 41 criteri di intervento dell’ISLH in seguito all’analisi differenziale automatica dell’esame emocromocitometrico e della conta leucocitaria. Queste regole sono diventate gli standard e le linee guida per l’ematologia di laboratorio, migliorando notevolmente l’accuratezza e l’affidabilità dei risultati delle analisi.
Tecnologie avanzate per l’ematologia per le sfide delle analisi di laboratorio
ISLH 2023, XXXVI International Symposium on Technical Innovations in Laboratory Hematology (XXXVI Simposio internazionale sulle innovazioni tecnologiche in ematologia di laboratorio), si è tenuto a New Orleans, negli Stati Uniti, dall’11 al 13 maggio 2023. Scienziati, medici, aziende IVD e rappresentanti delle autorità di regolamentazione si sono riuniti per discutere le ultime tendenze e le applicazioni innovative nell’analisi ematologica di laboratorio.
Durante l’evento Mindray è stata invitata a dimostrare agli esperti mondiali le sue innovazioni tecnologiche all’avanguardia e come le soluzioni Mindray possano aiutare ad affrontare le sfide dell’analisi ematologica.
In modo particolare sono stati presentati i risultati preliminari due importanti studi, ancora in essere, condotti nei principali Ospedali Universitari cinesi.
Di seguito un breve cenno sulle risultanze:
Modello di rete neurale artificiale basato sui parametri delle cellule ematiche: screening delle patologie ematologiche maligne da campioni di sangue periferico
La diagnosi delle patologie ematologiche maligne spesso comporta esami complessi e lunghi come analisi morfologiche, immunologiche, citogenetiche, nonché di biologia molecolare. Tuttavia, uno screening precoce e tempestivo delle patologie ematologiche maligne è essenziale per ottenere trattamenti efficaci.
In questo studio sono stati realizzati otto modelli di apprendimento automatico per lo screening delle patologie ematologiche maligne utilizzando i parametri morfologici del sangue e delle cellule ematiche raccolti da 1693 pazienti in diversi ospedali terziari in Cina e sono state convalidate le prestazioni di base e l’efficacia di rilevamento clinico di ciascun modello. Il modello di rete neurale artificiale (ANN) è risultato eccellente, con una precisione, sensibilità e specificità di riconoscimento rispettivamente dell’85,0%, 84,0% e 86,0% per il set di convalida. Il modello ANN è in grado di individuare efficacemente i pazienti con patologie ematologiche maligne a partire da campioni di sangue periferico, contribuendo a un trattamento precoce delle patologie ematologiche maligne, soprattutto negli ospedali primari dove le misure di trattamento non sono ben definite.
Ospedali che collaborano: Ospedale di Nanfang della Southern Medical University, Ospedale della Cina occidentale dell’Università di Sichuan, Ospedale Tongji affiliato alla facoltà di medicina Tongji dell’Università di scienza e tecnologia di Huazhong e Primo ospedale affiliato dell’Univesità di Soochow
Co-autori: Dehua Sun, Yongjian He, Zhigang Mao, Chi Zhang, Ziyong Sun, Dandan Liu e Jun He
Revisione AI: regole di analisi degli strisci di sangue basate su grafici a dispersione
Ogni laboratorio di analisi ematologiche dovrebbe stabilire le proprie regole di analisi degli strisci di sangue adatte alle proprie condizioni specifiche al fine di ridurre il più possibile il tasso di revisione senza incidere sulla qualità dei referti.
Questo studio si propone di utilizzare algoritmi di intelligenza artificiale per produrre automaticamente una serie di regole di analisi degli strisci di sangue basate su grafici a dispersione, in base alle caratteristiche dei dati inclusi nello studio. I risultati hanno indicato che, rispetto al gruppo di consenso, il gruppo AI presenta una diminuzione significativa del tasso di revisione dello striscio e del tasso di falsi positivi e un leggero aumento del tasso di falsi negativi. Ulteriori analisi hanno rivelato che lo studio ha consentito di identificare anche campioni di soggetti affetti da patologie ematologiche maligne. Il vantaggio del gruppo AI risiede nella capacità di aumentare la specificità dello screening dei campioni anomali in base alla distribuzione dei dati del laboratorio stesso. Questo, a sua volta, migliora la qualità e l’efficienza delle analisi ematologiche cliniche.
Ospedali che collaborano: Primo ospedale affiliato dell’Università Sun Yat-sen, Foshan First People’s Hospital e l’Ospedale Zhongda dell’Università del Sud-Est
Co-autori: Shihong Zhang, Xiaohe Zheng, Jing Lin, Guofang Shu e Rong Ding