Scopri Come l'Intelligenza Artificiale Sta Rivoluzionando l'Interpretazione Automatica dell'Elettrocardiogramma!

L'intelligenza artificiale (IA) 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.

Oggi l’intelligenza artificiale alimenta smartwatch e dispositivi indossabili che monitorano la frequenza cardiaca, il ritmo e l’attività fisica in tempo reale.

E’ possibile l’individuazione precoce della fibrillazione atriale, il monitoraggio dell’insufficienza cardiaca tramite lo stato dei fluidi o i parametri vitali e l’avviso per ritmi cardiaci anomali.

L’ECG è ampiamente disponibile e fornisce dati grezzi e riproducibili, facili da archiviare e trasferire in formato digitale.

Come Funziona l'IA nell'Interpretazione dell'ECG?

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”).

IA ed Ecocardiografia

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.

Altre Applicazioni dell'IA in Cardiologia

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 Limiti dell'IA

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.

Nonostante alcuni algoritmi di deep learning abbiamo dimostrato in ampi studi la loro efficacia, riducendo in alcuni studi randomizzati prospettici persino la mortalità, in generale il cardiologo non ha ancora la percezione della potenzialità di tale straordinaria tecnologica.

Evoluzione dell'Interpretazione Automatica dell'ECG

L’articolo ripercorre brevemente nella sua introduzione i primi esperimenti degli ultimi anni dell’800 che hanno portato all’invenzione ufficiale e al brevetto del primo elettrocardiografo da parte di Willem Einthoven che per questo ricevette anche il premio Nobel per la medicina del 1924.

Giovanni Falsini, Direttore UOC Cardiologia Valdarno, già cardiologo interventista presso l’Azienda USL Toscana Sud-Est, Zona Operativa Arezzo. Dall’introduzione del termine da parte di Einthoven nel 1892, alle prime registrazioni su carta del 1903, all’avvento del digitale negli anni ’50, ai giorni nostri, l’ECG viene impiegato in maniera pressoché inalterata.

L’avvento dell’intelligenza artificiale (AI) applicata all’ECG e la possibilità reale di elaborare grosse quantità di dati (DEEP-Learning ECG), oltre all’introduzione di tecnologie indossabili, aprono ad una nuova era portando il “vecchio” ECG in campi ancora non completamente esplorati.

Solo 50 anni dopo, nel 1887, il fisiologo britannico Augustus Desirè Waller, presso il St.

Il termine di elettrocardiogramma fu coniato successivamente da Willem Einthoven nel 1892.

Sempre Einthoven nel 1901 realizzò il primo galvanometro in grado di registrare una traccia ECG a tre vie.

Da allora, in pochissimo tempo, gli elettrocardiografi vennero prodotti industrialmente e già nel 1909 vennero commercializzati negli Stati Uniti.

Nel 1924 W. Einthoven fu insignito del Premio Nobel per la medicina per avere inventato l’elettrocardiografo.

Fig. 1. Fino dagli inizi delle registrazioni ECG furono definiti, unitamente agli standard tecnici degli apparecchi (taratura e filtraggio del segnale elettrico), gli standard di registrazione (posizione elettrodi), la tipologia della carta (quadrettata), la velocità di scorrimento della carta.

Il secondo passaggio più significativo per l’elettrocardiogramma come noi lo conosciamo oggi è stato sicuramente quello alla configurazione a 12 derivazioni con 10 elettrodi.

Questo è lo standard che ancora oggi è considerato il più efficace e diagnosticamente significativo.

L’interpretazione dell’elettrocardiogramma da quel momento veniva effettuata dai cardiologi attraverso l’osservazione degli schemi registrati e l’idea di rendere questo procedimento automatico cominciò già a farsi strada negli anni ’50.

Il primo medico che studiò un metodo per trasferire l’ecg dal supporto analogico a quello digitale fu Hubert V.

Un progetto fondamentale per lo sviluppo dell’interpretazione automatica dell’ecg è stato quello dell’università di Glasgow, con il programma C.A.R.E. o Computer Assisted Reporting of Electrocardiograms.

Il progetto creò un sistema che convertiva l’ecg dal formato analogico a quello digitale e si trattava di un sistema più piccolo e trasportabile.

Fu possibile con questo sistema accumulare una grande quantità di elettrocardiogrammi sia in formato digitale che in formato analogico.

Negli anni ’70 la comunità europea creò un progetto di collaborazione fra gli istituti di varie nazioni con l’intento di unire le forze e le conoscenze per migliorare gli studi sull’interpretazione automatica degli elettrocardiogrammi.

Il progetto si chiamava CSE (Common Standards for Quantitative Electrocardiography).

Il comitato vantava importanti professori fra i migliori istituti cardiologici europei, inclusa una dottoressa italiana: Rosanna Degani dell’università di Padova.

Uno dei principali meriti di questo progetto fu quello di creare dei database dei segmenti QRS degli elettrocardiogrammi e dei database per le interpretazioni ecg di pazienti le cui condizioni cliniche erano già documentate.

Questi database sono ancora utilizzati ai giorni nostri come standard per verificare le interpretazioni degli ecg.

Questi database infatti hanno permesso di stabilire dei QRS standard per riconoscere patologie, aritmie, e altre condizioni cliniche che sono validi tuttora.

Il database diagnostico CSE è stato pubblicato nel 1991 con l’intento di confrontare vari programmi diagnostici con le diagnosi cliniche del database e le opinioni di un gruppo di 8 cardiologi.

Algoritmo di Glasgow

Nel 1971 fu definito un algoritmo, l’algoritmo di Glasgow, basato su una sequenza di passaggi che vanno dalla processazione automatica del segnale elettrico, basata sul riconoscimento di punti fiduciali, alla successiva analisi del ritmo, alla misurazione accurata degli intervalli definiti del tracciato.

I limiti dell’analisi automatica furono da subito riconosciuti e, nonostante il continuo miglioramento degli algoritmi ECG e delle tecnologie costruttive degli apparecchi, non sono stati ancora risolti.

Così questi limiti portano a letture errate di alcune aritmie, dei disturbi di conduzione e dei ritmi da pacemaker.

Il valore predittivo diagnostico negativo di questo algoritmo è comunque alto rendendo questi apparecchi particolarmente utili nei sistemi di emergenza come ad esempio nelle reti STEMI pur esistendo, in questo ambito, ampie variazioni nei risultati falsi positivi e falsi negativi.

Lo sviluppo dei personal computer, a partire dalla metà degli anni 70, e il successivo avvento di internet, ha permesso un nuovo passo in avanti nell’interpretazione dell’elettrocardiogramma.

Fig. 2.

Intelligenza Artificiale e Deep Learning nell'ECG

Per intelligenza artificiale si intende qualsiasi tecnologia che abilita i computer a simulare il comportamento umano.

Molte applicazioni dell’IA, alcune diventate praticamente indispensabili, stanno permeando attualmente la nostra realtà quotidiana.

Fig. (Kashou AH et al. Artificial Intelligence-Enabled ECG: a Modern Lens on an Old Technology.

In sintesi (fig. (4) da una acquisizione ECG di pochi secondi questo sistema permette di rilevare ad esempio la comparsa di FA in un lungo periodo.

Fig. 3. Schema del deep learning applicato all’ECG. (Da Konstantinos C. Siontis. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management. Nature Reviews. Cardiology.

L’interpretazione dell’ECG esperta simile e/o superiore a quella umana grazie all’IA è diventata possibile.

Secondo uno studio dell’Università Belo Horizonte (Br) e Università di Glasgow (UK) che utilizza una rete neurale di ECG (DNNs= deep neural networks) di circa 2.300.000 ECG, l’applicazione dell’IA all’ECG è risultata superiore ai medici residenti in cardiologia nel riconoscere 6 tipi di anomalie nelle registrazioni dell'ECG a 12 derivazioni, (BAV, BBD, BBS, bradicardia sinusale, tachicardia sinusale (Fibrillazione atriale), con punteggi di concordanza superiori all'80% e specificità superiori al 99% (Ribeiro, A. H. et al. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat. Commun.

Algoritmi Predittivi e Ulteriori Possibilità

Gli algoritmi predittivi al momento sviluppati consentono di definire da un ECG estemporaneo: sesso, età del paziente, la probabilità di FA silente, la probabilità di bassa Frazione di eiezione del ventricolo sinistro, la probabilità di cardiomiopatia ipertrofica.

In questo campo ci sono studi che hanno validato la metodica (Konstantinos C. Siontis. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management. Nature Reviews. Cardiology.

Sono in fase di sviluppo algoritmi predittivi anche per la probabilità di stenosi aortica e di amiloidosi.

Altre possibilità sono rappresentate da: stima dei livelli di potassiemia, la gestione della terapia antiaritmica (es monitoraggio del QT con farmaci in grado di aumentarlo) e infine la gestione della terapia “pill-in-the-poket” guidata dall’ECG nella Fibrillazione Atriale Parossistica.

Recentissimo uno studio della Mayo Clinic su Nature Medicine che documenta la capacità di identificare precocemente la disfunzione ventricolare sinistra mediante uno smartwatch con AI-ECG (Zachi I Atttai et al. Prospective evaluation of smartwatch-enabled detection of left ventricular dysfunction.

I Programmi per l’Interpretazione Automatica degli ECG: Come Funzionano

I programmi fin qui elencati utilizzano approcci diversi per arrivare alle interpretazioni automatiche degli ecg, questi due approcci possono essere racchiusi in due grandi correnti: una corrente clinica e una corrente statistica.

Un tipico esempio di differenti interpretazioni fra le due si ha nell’identificazione dell’LVH, cioè ipertrofia ventricolare sinistra.

I programmi che usano come gold standard le osservazioni cliniche dei cardiologi spesso davano come “ecg normale” un ecg che invece i programmi basati sui dati statistici davano come “LVH”.

Gli ultimi decenni sono stati sicuramente caratterizzati da uno sviluppo tecnologico importante che è andato nella direzione di una maggiore velocità nell’interpretazione automatica e a una maggiore portabilità degli strumenti.

Il prodotto più esemplificativo di queste tendenza è sicuramente l’ecg da polso, realizzato da diversi brand e ormai diventato parte della vita di molte persone.

Chiaramente gli ecg da polso, come quello dell’Apple Watch, sono stati soggetti a molti studi clinici che hanno dato risultati contrastanti.

Il Ruolo dell'Intelligenza Artificiale e del Machine Learning

Lo sviluppo tecnologico dell’interpretazione automatica degli ecg non poteva non sfruttare una delle più importanti rivoluzioni degli ultimi anni: l’intelligenza artificale e il machine learning.

Questa particolare forma di software per l’interpretazione automatica è in fase di studio e di sviluppo e siamo sicuri che nei prossimi anni diventerà parte integrante della pratica clinica.

Al momento sono stati individuati importanti caratteristiche dei software dotati di algoritmi di IA che sono in grado ad esempio di identificare la sindrome da QT lungo nascosta anche in ecg dove l’intervallo QT è minore di 450 ms.

La capacità di evolversi e immagazzinare un numero di diagnosi pressoché infinite, così come la possibilità di lavorare 24 ore su 24, sono caratteristiche che rendono l’IA per l’interpretazione automatica degli ecg una promessa di rivoluzione.