Intelligenza artificiale e salute del cuore, scoperto un segnale elettrico invisibile che precede la morte cardiaca improvvisa

La morte cardiaca improvvisa è una delle minacce più imprevedibili e drammatiche della medicina moderna. Può colpire senza alcun preavviso persone apparentemente sane, giovani atleti nel pieno dell’attività o individui senza alcuna storia clinica di cardiopatia. Per decenni, i medici si sono scontrati con l’impossibilità di individuare con precisione chi fosse realmente a rischio, pur disponendo di tecnologie potenzialmente salvavita.

Ora, un team di ricercatori guidato dall’Università della California, Berkeley ha scoperto che le tracce di questi eventi fatali si nascondono in uno degli esami più semplici, economici e diffusi al mondo: l’elettrocardiogramma (ECG) di routine. Attraverso l’uso dell’intelligenza artificiale, gli scienziati sono riusciti a isolare un biomarcatore elettrico invisibile all’occhio umano, in grado di identificare i soggetti a rischio prima che sia troppo tardi. La ricerca, pubblicata sulla prestigiosa rivista Nature, apre scenari del tutto inediti per la medicina preventiva.

Il dramma della morte cardiaca improvvisa e le barriere della diagnosi

Ogni anno centinaia di migliaia di persone muoiono a causa di un arresto cardiaco improvviso. A differenza dell’infarto miocardico, che si verifica quando un vaso sanguigno che nutre il cuore si ostruisce bloccando il flusso di sangue, l’arresto cardiaco è un problema elettrico. I segnali che coordinano il battito cardiaco diventano improvvisamente caotici, provocando aritmie letali come la fibrillazione ventricolare o la tachicardia ventricolare. Il cuore smette di pompare sangue in modo efficace e, senza un intervento tempestivo entro pochissimi minuti, sopraggiunge il decesso. Sebbene la rianimazione cardiopolmonare e l’uso del defibrillatore possano salvare alcune vite, circa il 90% dei soggetti colpita al di fuori di un ambiente ospedaliero purtroppo non sopravvive.

Oggi esiste una terapia salvavita estremamente efficace: il defibrillatore automatico impiantabile (ICD). Questo piccolo dispositivo elettronico, posizionato sotto la pelle, monitora costantemente il ritmo cardiaco e, se rileva un’aritmia pericolosa, eroga una scossa elettrica immediata per ripristinare il battito normale.

Il vero ostacolo è capire a chi impiantare il defibrillatore. Fino a oggi, l’unico parametro guida utilizzato su larga scala nella pratica clinica è stata la frazione di eiezione del ventricolo sinistro (LVEF), misurata tramite ecocardiogramma. Questo valore calcola la percentuale di sangue pompata dal cuore a ogni contrazione. Tuttavia, la frazione di eiezione presenta due gravi limiti:

1. Manca la maggior parte delle vittime: la maggior parte delle persone che muore per arresto cardiaco improvviso ha una frazione di eiezione normale o non è mai stata sottoposta a un’ecografia cardiaca.

2. Genera falsi allarmi: circa due terzi dei defibrillatori impiantati a pazienti considerati ad alto rischio sulla base della sola frazione di eiezione ridotta non erogano mai una scossa salvavita nel corso della vita del paziente.

Come l’intelligenza artificiale ha setacciato oltre 440.000 tracciati cardiaci

Per superare questo vicolo cieco, i ricercatori hanno adottato un approccio innovativo sfruttando il deep learning. Gli scienziati hanno raccolto tutti i 441.614 elettrocardiogrammi effettuati tra il 2010 e il 2016 nella regione svedese di Halland, collegando ogni tracciato alle cartelle cliniche elettroniche e ai certificati di morte nazionali.

Attraverso questo enorme volume di dati, il modello di intelligenza artificiale è stato addestrato a confrontare i tracciati di individui sani, di pazienti con patologie cardiache note e di persone che sono successivamente decedute per morte cardiaca improvvisa nei 12 mesi successivi all’esame.

Per garantire l’assoluta affidabilità scientifica della scoperta ed evitare che l’algoritmo trovasse “scorciatoie” legate solo alla popolazione svedese, il modello è stato testato a zero-shot (ossia senza alcuna modifica o riaddestramento) su due database geograficamente e strutturalmente differenti:

• Stati Uniti: l’algoritmo ha analizzato 251.858 ECG provenienti dal sistema sanitario Sharp HealthCare a San Diego.

• Taiwan: l’algoritmo è stato valutato sul registro dell’ospedale universitario di Taipei, analizzando i tracciati di pazienti giunti in pronto soccorso in arresto cardiaco e confrontandoli con un gruppo di controllo.

I risultati hanno confermato l’estrema precisione del modello in tutte le popolazioni studiate, dimostrando una spiccata capacità di distinguere i decessi dovuti ad aritmie cardiache letali da quelli causati da altre patologie (come ictus o insufficienza respiratoria).

Un’accuratezza superiore rispetto alla diagnostica tradizionale

I dati emersi dallo studio mettono in luce la superiorità del modello basato sull’intelligenza artificiale rispetto alle tecniche tradizionali:

• Tasso di rischio identificato: l’IA ha individuato un gruppo ad alto rischio (pari a circa il 2,2% della popolazione analizzata) con un tasso annuo di morte cardiaca improvvisa del 7,0%. A titolo di confronto, i pazienti considerati ad alto rischio secondo i criteri convenzionali della frazione di eiezione ridotta presentavano un tasso di mortalità annua nettamente inferiore, pari al 4,6%.

• Nuovi pazienti salvabili: l’aspetto più sorprendente è che l’86,1% dei pazienti ad alto rischio identificati dall’intelligenza artificiale non sarebbe mai stato segnalato dai criteri clinici attuali basati sulla frazione di eiezione.

• Riduzione della mortalità: analizzando i dati svedesi, i ricercatori hanno osservato che i pazienti ad alto rischio secondo l’ECG che avevano già un defibrillatore impiantato mostravano una riduzione della mortalità del 54,4% rispetto a quanto atteso, confermando che l’algoritmo individua proprio quei decessi che un defibrillatore è in grado di prevenire.

Dalle previsioni dell’algoritmo alla prevenzione sul campo

Come spiegato dal professor Ziad Obermeyer, docente all’Università della California, Berkeley e autore principale dello studio, l’obiettivo non è sostituire i medici, ma dotarli di strumenti di screening a costo quasi azzerato. Poiché l’ECG è un test economico, rapido e già ampiamente standardizzato in tutto il mondo, l’applicazione di questo algoritmo alle banche dati ospedaliere potrebbe consentire di individuare automaticamente i soggetti vulnerabili durante le visite di routine.

I ricercatori stanno già collaborando con i sistemi sanitari in Svezia, Taiwan e Stati Uniti per integrare l’algoritmo. I pazienti contrassegnati ad alto rischio potranno essere contattati, sottoposti a monitoraggio cardiaco continuo tramite dispositivi indossabili e valutati per l’impianto preventivo di un defibrillatore.

Approfondimenti tecnici dal documento di ricerca Nature

Per comprendere appieno il funzionamento dell’algoritmo e le basi fisiologiche della scoperta, di seguito vengono analizzati in dettaglio gli aspetti matematici, architetturali e bioelettrici estratti direttamente dallo studio pubblicato su Nature.

Architettura della rete neurale e parametri del modello

L’algoritmo di deep learning è basato su una rete neurale residuale profonda (ResNet) appositamente adattata all’analisi di segnali elettrici ad alta dimensione.

• Struttura di rete: il modello è composto da 64 layer distribuiti in 32 blocchi residuali. Ogni blocco residuale include 2 strati convoluzionali dotati di 128 filtri e un kernel di dimensione 16.

• Frequenza di campionamento e input: i tracciati ECG a 12 derivazioni sono stati campionati a 500 Hz. I tracciati provenienti dal dataset statunitense registrati a 250 Hz sono stati convertiti a 500 Hz tramite interpolazione lineare.

• Apprendimento multi-task: la rete neurale è stata addestrata con un obiettivo di apprendimento multi-task articolato su tre livelli:

  1. Predizione della morte cardiaca improvvisa a vari intervalli temporali sull’intero campione.

  2. Classificazione della morte cardiaca improvvisa rispetto ad altre cause di mortalità nei soggetti deceduti entro un anno.

  3. Stima della presenza di una frazione di eiezione ridotta ($LVEF \le 35\%$) nel sottogruppo di pazienti sottoposti a ecocardiogramma.

• Calibrazione: i punteggi di rischio prodotti dalla rete neurale sono stati calibrati tramite regressione logistica sui pazienti svedesi di età inferiore a 80 anni.

Visualizzazione del biomarcatore tramite modelli generativi

Un limite noto delle reti neurali profonde è la difficoltà di interpretare le motivazioni cliniche alla base di una predizione. Per scoprire quale “forma” del tracciato fosse associata al rischio, i ricercatori hanno abbinato il modello predittivo a un Autoencoder Variazionale (VAE) generativo con uno spazio latente a 512 dimensioni.

Il processo di morfogenesi del segnale ha seguito questi passaggi:

1. Segmentazione delle singole battute cardiache sui tracciati ECG a 12 derivazioni.

2. Mappatura del vettore latente di un battito Reale a basso rischio all’interno del VAE.

3. Calcolo del gradiente di rischio stimato dal modello predittivo nello spazio latente.

4. Perturbazione iterativa del vettore latente lungo la direzione del gradiente di rischio massimo per 2.000 passaggi (o fino al raggiungimento del 90° percentile di rischio).

5. Decodifica del vettore latente modificato per ricostruire un battito cardiaco sintetico ad alto rischio controfattuale.

Caratteristiche morfologiche e derivate matematiche del biomarcatore

Il confronto tra i battiti reali a basso rischio e i battiti sintetici ad alto rischio ha rivelato un biomarcatore elettrico inedito, localizzato in modo particolare nella derivazione aVL.

Mentre i tracciati a basso rischio presentano un’onda S negativa affilata dopo il picco dell’onda R, la forma d’onda ad alto rischio mostra una slanciatura (slurring) visibile lungo la fase di discesa del complesso QRS.

Per quantificare matematicamente questo fenomeno senza dipendere dalla rete neurale, i ricercatori hanno calcolato la prima differenza assoluta e la seconda differenza assoluta della tensione del segnale nell’intervallo compreso tra il picco dell’onda R e la fine del complesso QRS:

• Prima differenza di ampiezza: definita come la variazione di ampiezza istantanea nel tempo tra campioni consecutivi:

• Seconda differenza di ampiezza: definita come il tasso di variazione della prima differenza, che misura la curvatura del segnale:

La somma cumulativa di tali differenze, divisa per la durata totale dell’intervallo, genera un valore medio. Nei soggetti ad alto rischio, la presenza della slanciatura riduce sia la prima che la seconda derivata discreta del segnale lungo la fase terminale della depolarizzazione. Nelle analisi di regressione, questi parametri matematici hanno mostrato un’associazione negativa forte e statisticamente significativa con la morte cardiaca improvvisa, fornendo un segnale predittivo indipendente equivalente in magnitudo alla deviazione assiale sinistra.

Meccanismo elettrofisiologico ed evidenze di risonanza magnetica

Dal punto di vista elettrofisiologico, la discesa slanciata nella fase finale del complesso QRS indica che il vettore elettrico di depolarizzazione diventa progressivamente più ortogonale o disorganizzato rispetto all’elettrodo della derivazione.

I ricercatori hanno formulato un’ipotesi basata sulla dispersione dell’onda elettrica:

• La presenza di ostacoli microscopici al flusso elettrico nel miocardio provoca continue ramificazioni e deviazioni del fronte d’onda durante la depolarizzazione.

• Poiché la derivazione aVL ha l’elettrodo positivo orientato verso la base del cuore, essa è nella posizione ideale per registrare le fasi più tardive della conduzione.

Per individuare la causa fisica di questi ostacoli, gli scienziati hanno analizzato un sottogruppo di pazienti sottoposti a risonanza magnetica cardiaca (cMRI) con contrasto al gadolinio. La revisione in cieco ha mostrato che i pazienti classificati nel 10% a maggior rischio dall’IA presentavano una prevalenza significativamente più elevata di fibrosi miocardica diffusa nel ventricolo sinistro.

La fibrosi comporta il deposito di tessuto collageno elettricamente inerte tra le cellule cardiache. Questo isolamento elettrico microscopico ostacola la conduzione omogenea dell’impulso, fornendo la spiegazione fisiopatologica che lega la forma dell’ECG, l’instabilità elettrica e il rischio di arresto cardiaco improvviso.

Traduzione abstract. La disponibilità dello studio completo, in accesso libero o riservato, è verificabile tramite il link del DOI nel box sotto se disponibile.

Abstract

In teoria, la morte cardiaca improvvisa è prevenibile con i defibrillatori. Tuttavia, ogni anno molti pazienti muoiono senza defibrillatore perché i medici non riescono a prevederne il rischio¹. L’unico biomarcatore predittivo ampiamente utilizzato, la frazione di eiezione ventricolare sinistra (FEVS), non rileva la maggior parte delle morti cardiache improvvise² e segnala molti pazienti a basso rischio per l’impianto di defibrillatori inutili che non si attivano mai³,⁴. In questo studio applichiamo il deep learning a un dataset che collega tutti gli elettrocardiogrammi (ECG) di una regione svedese ai certificati di morte. Il modello risultante isola un gruppo ad alto rischio (2,2% del campione) con un tasso annuo di morte cardiaca improvvisa del 7,0%, superiore a quello dei pazienti con FEVS ridotta (1,9% del campione; tasso annuo del 4,6%). In particolare, l’86,1% dei pazienti ad alto rischio del modello non è stato segnalato dalla FEVS. I pazienti ad alto rischio secondo l’ECG con defibrillatore impiantato avevano il 54,4% di probabilità in meno di morire rispetto a quanto previsto, suggerendo un beneficio in termini di mortalità. Abbiamo validato esternamente il modello in un sistema sanitario statunitense, dove predice le aritmie ventricolari che causano la morte improvvisa; e in un registro ospedaliero taiwanese, dove predice specificamente futuri arresti cardiaci aritmici. Per visualizzare la morfologia dell’onda “scoperta” dal modello predittivo, l’abbiamo abbinata a un modello generativo dell’onda ECG. Insieme, rivelano un biomarcatore facilmente visibile e in grado di predire in modo affidabile la morte cardiaca improvvisa, ma che, a nostra conoscenza, non era mai stato descritto prima. Collegando la forma del biomarcatore ai principi fondamentali dell’elettrofisiologia, formuliamo e testiamo preliminarmente una nuova ipotesi sul meccanismo della morte cardiaca improvvisa.

by