L'integrazione dell'intelligenza artificiale (IA) nell'interpretazione dell'elettrocardiogramma (ECG) sta rivoluzionando la diagnosi delle sindromi coronariche acute (ACS). Tradizionalmente, l'ECG è uno strumento fondamentale per identificare anomalie cardiache, ma la sua interpretazione può essere complessa e soggetta a variabilità tra i clinici. L'IA offre la possibilità di analizzare grandi quantità di dati ECG in modo rapido e preciso, migliorando l'accuratezza diagnostica e supportando le decisioni cliniche.
L'intelligenza artificiale viene utilizzata in cardiologia nella diagnostica cardiovascolare. Gli algoritmi di intelligenza artificiale, in particolare quelli che utilizzano l'apprendimento automatico (ML) e l'apprendimento profondo (DL), possono analizzare immagini (come ecocardiogrammi, risonanze magnetiche, scansioni TC) ed elettrocardiogrammi (ECG) con elevata precisione. L’intelligenza artificiale è in grado di rilevare aritmie, come la fibrillazione atriale, con prestazioni paragonabili o migliori di quelle dei cardiologi.
AI-ECG e Infarto Miocardico Acuto: Lo Studio ROMIAE
Algoritmi di intelligenza artificiale applicati all’analisi dei dati ottenuti dall’elettrocardiogramma (artificial intelligence-enhanced electrocardiogram, AI-ECG) hanno mostrato un’accuratezza diagnostica comparabile a quella del HEART score nella rilevazione dell’infarto miocardico acuto (AMI).
ROMIAE (Rule-Out Myocardial Infarction using Artificial intelligence Electrocardiogram analysis), un ampio studio multicentrico prospettico pubblicato sull’European Heart Journal e coordinato da Min Sung Lee del Sejong General Hospital (Bucheon, Republic of Korea), ha coinvolto oltre 8.000 pazienti adulti - che si sono presentati in Pronto soccorso con un sospetto clinico di infarto miocardico acuto - valutati in 18 dipartimenti di emergenza coreani tra marzo 2022 e ottobre 2023.
Il protocollo convenzionale per i pazienti che si presentano nei Pronto soccorso con segnali di infarto miocardico acuto prevede un ECG immediato, con un tempo target di dieci minuti dall’arrivo: l’interpretazione di questo esame da parte di uno specialista è fondamentale per la stratificazione precoce del rischio di infarto miocardico con sopraslivellamento del tratto ST e disindromi coronariche acute senza sopraslivellamento del tratto ST (SCA-NSTE). Tuttavia, secondo gli autori, in pratica clinica non sempre è possibile un’analisi tempestiva e precisa dei risultati dell’ECG.
Per questo motivo i ricercatori hanno ipotizzato che l’AI-ECG, un modello a basso costo e facilmente implementabile, potrebbe risultare vantaggioso rispetto alla pratica. Questo studio prevedeva il confronto dell’AI-ECG al momento del ricovero in Pronto soccorso con strumenti consolidati di stratificazione del rischio - i punteggi HEART e GRACE - e con valutazioni cliniche che tengono conto delle manifestazioni ECG iniziali e della presentazione del paziente.
La coorte analizzata comprendeva 8.493 pazienti (età media 62 anni, 62,5% uomini), di cui 1.586 (18,6%) con infarto miocardico acuto confermato. L’endpoint primario era la diagnosi di infarto miocardico acuto durante il ricovero; quello secondario, la comparsa di eventi cardiovascolari maggiori (MACE) entro 30 giorni.
L’area sotto la curva ROC (AUROC) - la misura di attendibilità del test - per l’AI-ECG è stata pari a 0,878 (IC al 95%, 0,868-0,888), comparabile al punteggio HEART (0,877; IC al 95%, 0,869-0,886) e superiore al punteggio GRACE 2.0, al livello di troponina ad alta sensibilità e al Physician AMI acore. Per la previsione di eventi avversi cardiaci maggiori (MACE) a 30 giorni, l’AI-ECG (AUROC 0,866; IC al 95%, 0,856-0,877) ha mostrato una performance comparabile al punteggio HEART (0,858; IC al 95%, 0,848-0,868).
Particolarmente rilevante, secondo Lee e colleghi, la capacità dell’AI-ECG di escludere precocemente l’infarto miocardico acuto: il 99,6% dei casi a basso rischio sono stati identificati correttamente. L’algoritmo ha consentito di stratificare in modo più accurato anche i soggetti con infarto non-ST-elevato: per questa sottopopolazione l’AI-ECG ha mostrato un AUROC di 0,814 (contro 0,799 per il HEART score). E l’integrazione tra AI-ECG e HEART score ha fornito i dati di efficacia migliori: i due score coordinati hanno migliorato la stratificazione del rischio e la discriminazione dell’infarto miocardico acuto, con un miglioramento netto della riclassificazione del 19,6% (IC al 95%, 17,38-21,89) rispetto al solo punteggio HEART.
Secondo Lee e colleghi, ROMIAE è il primo studio osservazionale prospettico multicentrico a validare un modello di AI-ECG per il rilevamento dell’infarto miocardico acuto, mostrando che l’AI-ECG ha superato gli strumenti di stratificazione del rischio esistenti, e l’assenza di necessità di dati demografici o clinici estende il potenziale di impiego anche alla fase pre-ospedaliera. Ma lo studio non è privo di limitazioni: la mancanza di validazione internazionale, l’assenza di dati a lungo termine e il mancato confronto diretto tra strategie diagnostiche nell’impatto sulla pratica clinica.
Vantaggi dell'IA nell'interpretazione dell'ECG
L'adozione dell'IA nell'analisi dell'ECG presenta diversi vantaggi. In primo luogo, permette una valutazione più oggettiva e coerente delle anomalie ECG, riducendo la variabilità inter-clinica. Inoltre, l'IA può identificare pattern ischemici sottili che potrebbero sfuggire all'occhio umano, migliorando la sensibilità diagnostica. Ad esempio, un modello di deep learning ha mostrato un'area sotto la curva (AUC) di 0,976 nella rilevazione dello STEMI, superando le performance dei cardiologi esperti.
AI-ECG per la rilevazione della bassa frazione di eiezione
Un recente studio pubblicato sulla rivista Canadian Journal of Cardiology ha sviluppato un algoritmo basato sull’intelligenza artificiale (AI-ECG) per identificare i pazienti con bassa frazione di eiezione ventricolare sinistra (LVEF) e prevedere i valori di LVEF. L’algoritmo utilizza i dati dell’elettrocardiogramma (ECG) come input per generare la probabilità che il paziente soffra di una bassa frazione di eiezione e stimare il valore di LVEF.
È stato condotto uno studio di follow-up a 5 anni su un gruppo di individui che inizialmente avevano valori normali di LVEF. I risultati hanno mostrato che l’algoritmo ha ottenuto un’area sotto la curva (AUC) di 0.965 per il rilevamento di LVEF ≤ 50%, con un’accuratezza del 92.8%, una sensibilità dell’88.8% e una specificità del 92.9%. Per la regressione di LVEF, il metodo ha mostrato un errore assoluto medio (MAE) di 5.28 (95% CI: 5.23 - 5.33) nel set di test. Durante la validazione esterna, l’algoritmo ha ottenuto un valore AUC di 0.848 e un valore MAE di 9.56. I pazienti con risultati falsi positivi avevano una probabilità significativamente maggiore di sviluppare una bassa frazione di eiezione rispetto ai pazienti che avevano ricevuto risultati veri negativi (26.2% vs.
Deep learning e sindromi coronariche acute
Recentemente, sono stati sviluppati modelli di apprendimento profondo (deep learning) capaci di rilevare l'infarto miocardico acuto (IMA) analizzando i dati dell'ECG.
Uno studio ha utilizzato quasi 200mila ECG provenienti da due coorti internazionali di pazienti con ACS senza sopraslivellamento del segmento ST (NSTE-ACS) per addestrare un modello di deep learning. Questo modello ha dimostrato una capacità superiore nell'identificare i pazienti che necessitavano di rivascolarizzazione rispetto all'interpretazione clinica tradizionale e ai test convenzionali di troponina T ad alta sensibilità (hs-TnT). In particolare, l'area sotto la curva (AUROC) per il modello IA è stata di 0,91, confrontata con 0,65 per l'interpretazione clinica e 0,71 per il test hs-TnT.
Come funziona l'AI nell'interpretazione dell'ECG
L’ECG è ampiamente disponibile e fornisce dati grezzi e riproducibili, facili da archiviare e trasferire in formato digitale. L’applicazione di AI oggi più avanzata riguarda l’interpretazione dell’ECG che utilizza non regole fisse (if-then) ma modelli statistici/neuronali, ha una capacità di apprendimento e un’accuratezza alta anche su casi rari o ambigui.
Usa reti neurali o modelli di deep learning, impara da enormi quantità di tracciati (es. milioni di ECG), scopre pattern nascosti che sfuggono ai clinici e agli algoritmi classici. Il modello analizza l’intero tracciato o segmenti (raw data), estrae automaticamente caratteristiche (feature learning), associa pattern a diagnosi (es. fibrillazione atriale, insufficienza cardiaca silente, ecc.) e fornisce output probabilistici (es. “probabilità 87% di FA”).
AI e la diagnostica con ultrasuoni
L’altra grande applicazione dell’IA è la diagnostica con ultrasuoni. L’intelligenza artificiale (IA) in ecocardiografia migliora l’accuratezza e la rapidità dell’acquisizione e interpretazione delle immagini, supportando la diagnosi precoce e standardizzando i referti. Tra i vantaggi vi sono la riduzione della variabilità inter-operatoria e il supporto decisionale clinico.
Infine, i molti ospedali si sta sperimentando la possibilità di effettuare con l’AI la lettera di dimissione e la gestione post-ospedaliera dei pazienti.
Sfide e considerazioni nell'implementazione clinica
Nonostante i promettenti risultati, l'implementazione clinica dell'IA nell'interpretazione dell'ECG presenta alcune sfide. È essenziale garantire che i modelli siano addestrati su dati rappresentativi della popolazione target e che siano validati esternamente per assicurarne l'affidabilità. Inoltre, la trasparenza degli algoritmi è cruciale per comprendere le decisioni prese dall'IA e per instaurare fiducia tra i clinici. Un'altra considerazione riguarda l'integrazione di questi strumenti nei flussi di lavoro esistenti, assicurando che migliorino l'efficienza senza sovraccaricare il personale sanitario.
Inoltre, i problemi legati all’AI riguardano la privacy e l’etica dei dati, le distorsioni negli algoritmi di IA dovute a dati di addestramento non rappresentativi, all’approvazione delle agenzie regolatorie (CE e FDA) ed infine la necessità di validazione clinica.
Prospettive future
L'uso dell'IA nell'interpretazione dell'ECG rappresenta una frontiera emergente nella cardiologia. Con ulteriori ricerche e sviluppo, questi strumenti potrebbero diventare parte integrante della pratica clinica, supportando i medici nella diagnosi precoce dell'IMA e nella decisione tempestiva delle strategie di rivascolarizzazione. La collaborazione tra ingegneri, data scientist e clinici sarà fondamentale per affinare questi modelli e garantirne l'efficacia e la sicurezza nell'ambiente clinico.
Esempio di confronto tra IA e specialisti
GPT-4 “outperformed” sia l’urgentista sia il cardiologo nella interpretazione corretta di elettrocardiogrammi “quotidiani” di vita di pronto soccorso. Nella sottocategoria di elettrocardiogrammi “more challenging” chatGPT era performante come i cardiologi, entrambi superando in accuratezza gli specialisti urgentisti.
Una evidenza: se pensiamo ad un esame di cardiologia elettrocardiografica i voti con sui usciamo sarebbero i seguenti: Urgentista 23 - Cardiologo 24 - AI 27. In sintesi: si poteva fare meglio un pò per tutti, no?
Collaborazione Uomo-Macchina
Dopo 10 anni, L’intelligenza artificiale non è una sfida fra noi ed il pc. E’ una sfida per cambiare il nostro modo di lavorare: collaborazione, anche nei confronti dei nuovi mezzi che possono aiutare a migliorarci e migliorare il nostro lavoro. Quindi non contro ma per. Non contro ma insieme. Come sempre nella vita
Conclusioni
In conclusione, l’intelligenza artificiale avrà nei prossimi anni un ruolo dirompente nella pratica clinica.
In conclusione, l’algoritmo AI-ECG è in grado di identificare con alta precisione la bassa frazione di eiezione nei pazienti.
Bibliografia
- Lee MS, Shin TG, Lee Y, et al. Artificial intelligence applied to electrocardiogram to rule out acute myocardial infarction: the ROMIAE multicentre study.
- Günay S et al. “Comparison of emergency medicine specialist, cardiologist, and chat-GPT in electrocardiography assessment”. Am J Emerg Med . 2024 Jun:80:51-60
- Gunay S et al The accuracy of Gemini, GPT-4, and GPT-4o in ECG analysis: A comparison with cardiologists and emergency medicine specialists - Comparative Study Am J Emerg Med 2024 Oct:84:68-73. doi: 10.1016/j.ajem.2024.07.043. Epub 2024 Jul 30.
- Liu, W.-C., et al. (2021). A deep learning algorithm for detecting acute myocardial infarction. European Journal of Imaging Research, 2(1), 1-8.
- Al-Zaiti SS, Besomi L, Bouzid Z, et al. Machine learning for ECG diagnosis and risk stratification of occlusion myocardial infarction. Nat Med. 2023;29(7):1804-1813. doi:10.1038/s41591-023-02396-3.
- Liu WC, Lin CS, Tsai CS, et al. A deep learning algorithm for detecting acute myocardial infarction. EuroIntervention. 2021;17(9):765-773. doi:10.4244/EIJ-D-20-01155.
- Makimoto H, Hockmann M, Lin T, et al. Performance of a convolutional neural network derived from an ECG database in recognizing myocardial infarction. Sci Rep. 2020;10:8445. doi:10.1038/s41598-020-65105-x.
- Hilgendorf L, Petursson P, Gupta V, et al. Predicting troponin biomarker elevation from electrocardiograms using a deep neural network. Open Heart. 2024;11(2):e002937. doi:10.1136/openhrt-2024-002937.