Analizzando immagini ecografiche e dati clinici, questo strumento mira a superare le attuali difficoltà diagnostiche, che impediscono a molti pazienti di accedere tempestivamente alle cure necessarie
[In pillole] La sintesi per chi va di fretta:
Un nuovo sistema di intelligenza artificiale, sviluppato da Weill Cornell Medicine, può identificare l'insufficienza cardiaca avanzata analizzando comuni ecografie con l'85% di accuratezza. Questo strumento promette di superare i limiti dei test tradizionali, democratizzando la diagnosi e offrendo a più pazienti un accesso rapido a cure specialistiche, colmando un vuoto nel sistema sanitario.
L’intelligenza artificiale che impara a riconoscere l’insufficienza cardiaca
Un nuovo sistema di intelligenza artificiale è in grado di identificare i pazienti con insufficienza cardiaca in stadio avanzato analizzando le immagini di un comune esame ecografico del cuore. La notizia, pubblicata sulla rivista npj Digital Medicine, non è solo un progresso tecnologico, ma potrebbe modificare profondamente il modo in cui questa condizione viene diagnosticata, evitando che migliaia di pazienti sfuggano a una valutazione accurata della loro malattia.
Sviluppato grazie a una collaborazione tra Weill Cornell Medicine, Cornell Tech, la Columbia University e il NewYork-Presbyterian, il modello ha dimostrato un’accuratezza di circa l’85% nell’individuare i pazienti ad alto rischio, una performance descritta come superiore a qualsiasi altro metodo non invasivo finora riportato.
Il punto non è tanto la percentuale di successo, per quanto notevole, ma il problema che questo strumento si propone di risolvere. Oggi, la diagnosi di insufficienza cardiaca avanzata si basa su un esame chiamato test da sforzo cardiopolmonare (CPET), una procedura complessa che misura il consumo massimo di ossigeno di una persona (il cosiddetto picco VO2).
Questo test, però, non è un esame di routine: richiede attrezzature specifiche, personale altamente qualificato e protocolli che la maggior parte degli ospedali territoriali semplicemente non possiede. Di conseguenza, la sua disponibilità è limitata quasi esclusivamente ai grandi centri medici universitari, lasciando un’ampia fetta di popolazione senza una valutazione precisa della gravità della propria condizione.
Per molti pazienti, il percorso per arrivare a una diagnosi corretta e accedere a cure avanzate può durare mesi o, in alcuni casi, non iniziare mai. È una falla silenziosa nel sistema sanitario, un vuoto diagnostico che questo nuovo approccio basato sull’intelligenza artificiale promette di colmare.
Ma come fa un software a “vedere” ciò che a un occhio umano, anche esperto, può sfuggire?
Come funziona, in pratica
Il successo di questo sistema non risiede in un’unica intuizione, ma nella sua capacità di elaborare simultaneamente diverse tipologie di dati. I ricercatori, guidati da Fei Wang della Weill Cornell Medicine, hanno sviluppato un modello di apprendimento automatico multi-modale.
In termini più semplici, significa che l’algoritmo non si limita a guardare una fotografia statica, ma analizza un insieme complesso di informazioni: le immagini ecografiche standard del cuore in movimento, le immagini delle forme d’onda che mostrano la dinamica delle valvole cardiache e il flusso sanguigno, e persino i dati provenienti dalle cartelle cliniche elettroniche dei pazienti.
È l’integrazione di queste diverse fonti che gli permette di riconoscere schemi e correlazioni invisibili all’analisi umana.
Per “addestrare” il modello, il team ha utilizzato i dati anonimizzati di mille pazienti con insufficienza cardiaca del NewYork-Presbyterian/Columbia University Irving Medical Center. Successivamente, per verificare che il sistema funzionasse anche al di fuori del suo ambiente di “allenamento”, lo ha testato su un gruppo completamente nuovo di 127 pazienti provenienti da altre tre sedi del NewYork-Presbyterian.
– Leggi anche: Mind Robotics raccoglie 500 milioni di dollari per i robot industriali del futuro
I risultati di questa validazione esterna sono stati particolarmente incoraggianti: l’algoritmo ha ottenuto un punteggio (tecnicamente un AUROC) di 0.870, leggermente superiore a quello ottenuto durante la fase di addestramento. Come descritto su The Brighter Side, questo è un fatto piuttosto insolito e suggerisce che il modello è robusto e capace di generalizzare le sue capacità a contesti clinici differenti, un ostacolo che spesso limita l’applicazione pratica di queste tecnologie.
La promessa è quella di uno strumento che non necessita di nuovi esami, ma che valorizza i dati già disponibili, raccolti durante controlli di routine.
Eppure, questo modello non è un caso isolato, ma si inserisce in una corrente di innovazione molto più ampia e diversificata.
Un pezzo di un puzzle più grande
L’idea di applicare l’intelligenza artificiale alla gestione dell’insufficienza cardiaca sta evolvendo rapidamente su più fronti. Durante il recente summit THT 2026, ad esempio, sono stati presentati diversi progetti che mostrano come queste tecnologie si stiano integrando in tutte le fasi della cura, dalla prevenzione al trattamento.
Un esempio è EchoNext, un modello di deep learning addestrato su ecocardiogrammi ed elettrocardiogrammi (ECG) provenienti da otto sedi del NewYork-Presbyterian. Il suo scopo è rilevare malattie cardiache strutturali a partire da un semplice ECG a 12 derivazioni, indirizzando i pazienti a un esame ecografico di approfondimento.
Durante uno studio di implementazione, i ricercatori hanno scoperto un dato significativo: quasi la metà (il 45%) dei pazienti identificati come ad alto rischio da EchoNext non avrebbe ricevuto un ecocardiogramma secondo le normali pratiche cliniche. Questo dimostra il potenziale dell’IA come una sorta di “rete di sicurezza” per intercettare casi che altrimenti passerebbero inosservati.
Altri gruppi di ricerca si stanno spingendo ancora oltre, passando dalla diagnosi alla previsione. I ricercatori del MIT, per esempio, hanno sviluppato PULSE-HF, un modello di deep learning in grado di prevedere la traiettoria della malattia di un paziente con insufficienza cardiaca fino a un anno in anticipo, analizzando le sottili variazioni nei tracciati ECG nel tempo.
Questo rappresenta un cambio di prospettiva: non si tratta più solo di identificare una condizione esistente, ma di anticipare il suo peggioramento, offrendo ai medici la possibilità di intervenire in modo proattivo.
L’idea, per il modello della Weill Cornell, è quella di integrarlo direttamente nei sistemi di imaging degli ospedali. In questo modo, l’algoritmo potrebbe funzionare automaticamente in background, generando una stima del rischio ogni volta che viene eseguito un ecocardiogramma e segnalando i risultati sospetti ai medici. Integrare un algoritmo in un flusso clinico esistente non è un problema puramente accademico: richiede ingegneria, compatibilità con i sistemi legacy e un design pensato per chi lo usa ogni giorno. È il tipo di sfida che si affronta quando si sviluppa un’intelligenza artificiale su misura per un contesto specifico, anziché adattare soluzioni generiche a processi che generici non sono
Un clinico che riceve un avviso di rischio elevato potrebbe quindi indirizzare il paziente a un test da sforzo cardiopolmonare per una conferma formale, accelerando drasticamente l’accesso a cure specialistiche. Il team di ricerca ha già avviato la pianificazione degli studi clinici necessari per ottenere l’approvazione della Food and Drug Administration (FDA) statunitense.
La promessa è quella di una democratizzazione della diagnosi, svincolandola dalla dipendenza da test complessi e disponibili solo in pochi centri.
Tuttavia, questa transizione solleva anche delle domande.
L’adozione su larga scala di questi sistemi renderà gli ospedali dipendenti da algoritmi proprietari sviluppati da poche grandi istituzioni o aziende tecnologiche?
Chi garantirà la trasparenza e l’equità di questi algoritmi, assicurandosi che funzionino allo stesso modo su popolazioni di pazienti diverse per etnia e background socioeconomico?
Il rischio è che, nel tentativo di risolvere una disparità di accesso, se ne creino di nuove, basate sul possesso e sul controllo della tecnologia.
La direzione sembra comunque tracciata: un progressivo spostamento da un sistema di diagnosi reattivo, che interviene su pazienti già sintomatici, a un modello proattivo, capace di identificare i segnali di rischio precocemente, utilizzando dati di routine e analisi potenziate dall’intelligenza artificiale.
