Negli ultimi anni, l’intelligenza artificiale (IA), e in particolare le sue branche di machine learning e deep learning, stanno rivoluzionando la cardiologia, offrendo nuove opportunità per migliorare diagnosi, stratificazione del rischio e trattamento dei pazienti con malattie cardiovascolari.
Uno degli strumenti più adatti per l’applicazione dell’IA è l’elettrocardiogramma, grazie alla sua natura non invasiva, al basso costo e alla diffusione capillare. Uno studio seminale condotto dalla Mayo Clinic ha sfruttato un database di mezzo milione di ECG digitali accoppiati ad ecocardiogrammi per addestrare un modello di IA in grado di identificare pazienti con bassa frazione di eiezione (FE) <40%. Utilizzando 10.000 ECG per il training, il modello ha raggiunto una AUC di 0.933, dimostrando alta accuratezza. Sebbene nessun algoritmo sia infallibile, questa tecnologia consente di identificare precocemente pazienti a rischio, migliorando la stratificazione e la gestione clinica.
Nel contesto dello STEMI, la rapidità del trattamento è cruciale. Lo studio ARISE, condotto da Chin Lin e collaboratori, ha sfruttato un modello di deep learning su ECG Philips analizzando 43.000 visite di pronto soccorso, supervisionate da 20 cardiologi. Il modello ha identificato con una probabilità del 99.9% i pazienti con STEMI e arterie coronarie occluse o non occluse evidenziate angiograficamente. Questa capacità ha permesso di guadagnare in media 14 minuti sul tempo “door-to-balloon”, parametro chiave per la sopravvivenza. Ridurre questo intervallo significa migliorare significativamente la prognosi nei pazienti con infarto.
Tradizionalmente, la classificazione del quadro ischemico si basa sulla distinzione STEMI vs NSTEMI. Tuttavia, studi recenti, tra cui quelli di Emanuele Barbato e Robert Herman, propongono un nuovo paradigma: la distinzione tra Occlusion Myocardial Infarction (OMI) e Non-Occlusion Myocardial Infarction (NOMI). Un algoritmo basato su IA ha mostrato una forte capacità di identificare OMI, con una AUC di 0.938, superando la precisione del giudizio umano standard. Questo cambiamento di paradigma potrebbe ottimizzare la selezione dei pazienti candidati all’angioplastica primaria e migliorare gli esiti clinici.
Un tema di grande attualità e impatto clinico riguarda la capacità dell’IA di supportare la decisione clinica già in fase di triage del pronto soccorso. Un articolo pubblicato su Nature Medicine nel 2024 ha descritto il primo studio randomizzato e prospettico sull’uso dell’ECG analizzato da IA al triage per identificare pazienti a rischio cardiovascolare. I risultati sono sorprendenti: la strategia basata su IA ha determinato una riduzione del 13% della mortalità generale e un significativo calo della mortalità cardiovascolare (HR 0.07). Inoltre, è stata osservata una riduzione anche della mortalità non cardiovascolare, suggerendo che l’identificazione precoce del rischio permette interventi tempestivi e multidisciplinari con benefici globali.
Un altro campo di applicazione dell’IA è l’ecocardiografia, che rappresenta il terreno ideale grazie alla sua ampia disponibilità, al basso costo e alla natura digitale delle immagini. Gli algoritmi di deep learning sono stati inizialmente impiegati per assistere nella fase di acquisizione, identificando automaticamente le strutture cardiache e aiutando nel training degli operatori meno esperti. Uno dei campi di applicazione più rilevanti è la misurazione automatica dei volumi ventricolari, in particolare del ventricolo sinistro. Già nel 2014, uno studio pionieristico aveva dimostrato che era possibile ottenere calcoli affidabili di volumi e funzione ventricolare in meno di 30 secondi. Oggi, le piattaforme di ecocardiografia basate su IA forniscono in tempo reale volumi, massa ventricolare, stroke volume e curve funzionali, migliorando significativamente il workflow clinico. L’attenzione si è spostata anche su camere tradizionalmente più complesse da valutare, come l’atrio sinistro, di grande rilevanza prognostica, e il ventricolo destro, per il quale sono ora disponibili parametri derivati da immagini 3D come il TAPSE e lo strain. Mentre negli anni 2000 l’elaborazione del 3D richiedeva fino a 7 minuti, oggi l’IA consente di ottenere dati completi in meno di 10 secondi. L’IA contribuisce anche alla diagnosi precoce. Utilizzando immagini standard, è possibile identificare pattern compatibili con patologie complesse come la cardiomiopatia ipertrofica o l’amiloidosi. Alcuni algoritmi riescono persino a stimare un “calcium score ecocardiografico”. In ambito prognostico, l’ecocardiografia basata su IA può essere integrata con dati clinici ed elettrocardiografici per sviluppare modelli predittivi in grado di stimare rischio di eventi avversi, mortalità e progressione di malattia. In questo scenario emergente si afferma il concetto di IA collaborativa, in cui la tecnologia supporta – e non sostituisce – il clinico, offrendo anche nuove possibilità nel campo della telemedicina.
La TC cardiaca produce una quantità massiva di dati, rendendola particolarmente adatta all’analisi tramite IA. Le applicazioni spaziano dalla valutazione anatomica alla funzionalità coronarica. Un esempio è lo studio di Pontone et al., che ha mostrato l’efficacia di un algoritmo di deep learning nello stimare la perfusione miocardica, con una performance (AUC) pari a 0.84. Ulteriori sviluppi riguardano la stima non invasiva della FFR (Fractional Flow Reserve), attraverso modelli matematici alimentati da immagini TC che simulano dinamiche emodinamiche complesse senza necessità di stress farmacologico o invasività. Questi strumenti sono promettenti per lo screening precoce della malattia coronarica, migliorando la selezione dei pazienti candidabili a coronarografia o rivascolarizzazione.
La risonanza magnetica cardiaca è un’altra tecnica in cui l’IA può essere molto utile. Una prima area di applicazione è l’acquisizione delle immagini, che in risonanza è spesso disturbata da artefatti legati al gating ECG. L’IA è in grado di pulire in tempo reale i segnali spuri, migliorando la qualità delle immagini anche in condizioni subottimali, ad esempio attraverso la rimozione degli artefatti con tecniche deep learning. Tra gli sviluppi più significativi vi è la possibilità di automatizzare la prescrizione dei piani di acquisizione: recenti modelli di deep learning sono capaci di impostare i piani in autonomia, senza l’intervento del tecnico, migliorando l’efficienza e la standardizzazione. La segmentazione automatica dei ventricoli sinistro e destro e il calcolo dei volumi e della massa sono ora processi che richiedono pochi secondi, con alta accuratezza e riproducibilità. Inoltre, la risonanza cardiaca potenziata da IA sta trovando impiego nella modellazione computazionale: per esempio, nello studio del rimodellamento aortico post-operatorio, gli algoritmi consentono di simulare il carico di parete in base al tipo di intervento subito, anticipando possibili complicanze. Con tecniche di fluidodinamica computazionale è stato anche simulato il flusso miocardico in assenza di stress test, aprendo nuovi scenari diagnostici non invasivi.
L’IA sta trasformando anche il mondo del publishing scientifico, intervenendo in diverse fasi: dalla scrittura alla revisione ed alla diffusione degli articoli. Al 15 maggio 2025, oltre 6.800 articoli su PubMed trattano l’uso dell’AI in questo contesto, evidenziando un cambiamento in atto. L’IA supporta gli autori nel generare ipotesi, migliorare la chiarezza del testo, integrare dati complessi e individuare la rivista più adatta per la pubblicazione. Testate giornalistiche come il Washington Post utilizzano da tempo l’AI per l’elaborazione dei contenuti, e ora questa tecnologia si sta diffondendo anche nella scrittura scientifica. Tuttavia, secondo le linee guida dell’International Committee of Medical Journal Editors (ICMJE) 2023, l’uso dell’IA deve essere sempre dichiarato. Le riviste scientifiche mostrano posizioni diverse: Science limita l’uso dell’IA, mentre il New England Journal of Medicine e JACC hanno mostrato posizioni più aperte, richiedendo trasparenza sull’uso delle tecnologie. Oltre alla scrittura, l’IA aiuta gli editori nella verifica di plagio, manipolazioni di immagini, e nella selezione dei revisori, supportando un processo di peer review sempre più complesso. Infine, contribuisce anche al post-pubblicazione, migliorando la diffusione e la comprensibilità degli studi.
