Lorem ipsum dolor sit amet, consectetur adipiscing elit.

Abstract

Il rigetto rappresenta una delle principali complicanze dopo trapianto cardiaco e richiede un monitoraggio continuo per garantire la sopravvivenza e la funzionalità dell’organo trapiantato. Attualmente la biopsia endomiocardica (BEM) costituisce il metodo di riferimento per la diagnosi di rigetto; tuttavia, la sua natura invasiva, la limitata sensibilità nel contesto del rigetto cronico e la variabilità inter-osservatore nell’interpretazione istopatologica ne riducono l’efficacia come strumento di sorveglianza a lungo termine. Per questi motivi, negli ultimi anni è cresciuto l’interesse verso strategie diagnostiche meno invasive, tra cui la biopsia liquida. La biopsia liquida consente di valutare in modo integrato diversi biomarcatori circolanti associati al danno d’organo e alla risposta immunitaria. Tra questi figurano il DNA libero circolante derivato dal donatore (dd-cfDNA), biomarcatori di danno cardiaco quali la troponina ad alta sensibilità, profili di espressione genica, vescicole extracellulari e RNA non codificanti circolanti, inclusi i microRNA. L’analisi combinata di questi marcatori offre l’opportunità di caratterizzare in modo più completo i processi biologici associati al rigetto e di individuare precocemente segni di danno del graft. Alla luce di queste premesse, il presente studio multicentrico osservazionale si propone di integrare dati omici e parametri clinici mediante approcci di machine learning, con l’obiettivo di sviluppare un modello multiparametrico capace di migliorare l’identificazione precoce dei pazienti a rischio di rigetto.

Pipeline