Il limite della frazione di eiezione
La morte cardiaca improvvisa (MCI) è il decesso inatteso per cause cardiache, spesso dovuto a un'aritmia ventricolare maligna, che sopraggiunge entro un'ora dall'esordio dei sintomi. Nel mondo si stima colpisca circa 4,5 milioni di persone l'anno, circa 60.000 delle quali in Italia (1). In teoria è una morte prevenibile. Dal 1980 il defibrillatore cardioverter impiantabile (ICD) è in grado di riconoscere e interrompere le aritmie fatali (2). Il problema è selezionare i pazienti giusti.
Oggi la scelta ruota attorno a un solo parametro ecocardiografico, la frazione di eiezione ventricolare sinistra (FEVS). Ma questo biomarcatore ha due debolezze note: la maggior parte di chi muore di MCI non ha una FEVS ridotta (3) e, all'opposto, circa due terzi dei defibrillatori impiantati per FEVS ridotta non erogano mai uno shock salvavita (4). Troppi falsi negativi e troppi falsi positivi.
Un algoritmo addestrato su oltre 119.000 ECG
Il gruppo guidato da Ziad Obermeyer (University of California, Berkeley) ha affrontato il problema con il deep learning, collegando tutti gli ECG di una regione svedese ai certificati di morte e addestrando una rete neurale a stimare, da un tracciato standard a 12 derivazioni, il rischio di MCI nell'anno successivo (4). Nel campione di validazione ,oltre 119.000 ECG di quasi 36.000 pazienti sotto gli 80 anni, il modello ha raggiunto un'accuratezza (AUC) di 0,872 e ha isolato un gruppo ad alto rischio (2,2% del campione) con un tasso di MCI del 7,0% l'anno, superiore a quello dei pazienti con FEVS ridotta (4,6%).
I numeri dello studio
| Indicatore | Valore |
|---|---|
| Accuratezza del modello (AUC, Svezia) | 0,872 |
| Gruppo ad alto rischio individuato | 2,2% del campione |
| Rischio annuo di MCI nel gruppo ad alto rischio | 7,0% |
| Rischio annuo con FEVS ridotta (≤35%) | 4,6% |
| Alto rischio ECG non segnalato dalla FEVS | 86,1% |
| Riduzione di mortalità con ICD (alto rischio ECG) | 54,4% |
| Validazione USA / Taiwan (AUC) | 0,822 / 0,767 |
I pazienti invisibili all'ecocardiogramma
Il dato più rilevante per la pratica è la scarsa sovrapposizione tra i due strumenti: l'86,1% dei pazienti ad alto rischio secondo il modello non era segnalato dalla FEVS. L'ECG letto dall'intelligenza artificiale non riscopre pazienti già noti, ma ne individua di nuovi. Perfino tra chi ha una FEVS normale, dove oggi non esiste alcuna stratificazione del rischio, il modello identifica un sottogruppo al 6,4% l'anno. ECG e frazione di eiezione, quindi, si completano più che sostituirsi.
Affiancando al modello un sistema generativo, i ricercatori hanno reso visibile il biomarcatore: un impastamento (slurring) della parte terminale dell'onda R nella derivazione aVL, con deviazione assiale sinistra, mai descritto prima e ricondotto a una fibrosi miocardica diffusa. Il modello ha retto anche la validazione esterna su ECG statunitensi (AUC 0,822 per le aritmie ventricolari) e su un registro ospedaliero di Taiwan (AUC 0,767), senza alcun riaddestramento (4).
Cosa cambia per l'assistenza infermieristica
Il messaggio per la corsia è diretto. L'ECG è l'esame cardiologico più diffuso e standardizzato, e nella gran parte dei casi è l'infermiere a eseguirlo. Sarà esattamente il tracciato che il modello legge. Poiché il biomarcatore è sottile e riguarda la morfologia di singole derivazioni (aVL) e l'asse elettrico, il corretto posizionamento degli elettrodi e un tracciato tecnicamente pulito diventano condizioni indispensabili all'affidabilità di qualunque analisi automatica. La qualità del dato dipende quindi dalla competenza tecnica dell'infermiere.
Lo studio riporta il caso di una donna di 75 anni con stordimento e tachicardia ventricolare ed ecocardiogramma normale, deceduta per MCI prima dell'impianto programmato dell'ICD: un suo ECG di routine l'avrebbe già segnalata come ad alto rischio (4). È un richiamo a valorizzare i sintomi sentinella,sincope, lipotimia, cardiopalmo,anche quando gli esami di primo livello appaiono rassicuranti. In prospettiva, strumenti simili potrebbero indirizzare al cardiologo o a un monitoraggio prolungato i pazienti individuati da un ECG eseguito per altri motivi.
Cautele e prospettive
I risultati sono promettenti, ma vanno letti con misura: il beneficio di mortalità osservato nei portatori di ICD (54,4% in meno rispetto all'atteso) deriva da dati osservazionali e richiederà studi randomizzati (4). Del resto un precedente modello di intelligenza artificiale su ECG aveva già dato risultati incoraggianti senza tradursi subito nella pratica (5). Le linee guida europee ESC 2022 continuano a basare l'indicazione all'ICD soprattutto sulla FEVS ridotta e sullo scompenso (6): il modello, per ora, resta uno strumento di ricerca che non sostituisce né la valutazione cardiologica né il giudizio clinico.
Bibliografia
- Fazion C. Morte cardiaca improvvisa: la prevenzione è possibile [Internet]. Milano: Fondazione Umberto Veronesi Magazine; 5 aprile 2022 [aggiornato 19 febbraio 2024; consultato 1 luglio 2026].
- Al-Khatib SM, Stevenson WG, Ackerman MJ, et al. 2017 AHA/ACC/HRS guideline for management of patients with ventricular arrhythmias and the prevention of sudden cardiac death. J Am C
- Stecker EC, Vickers C, Waltz J, et al. Population-based analysis of sudden cardiac death with and without left ventricular systolic dysfunction. J Am Coll Cardiol. 2006;47(6):1161-1166. doi:10.1016/j.jacc.2005.11.045
- Obermeyer Z, Schubert A, Ross J, Mullainathan S, Lingman M. An ECG biomarker for sudden cardiac death discovered with deep learning. Nature. 2026. doi:10.1038/s41586-026-10674-6
- Holmström L, Chugh H, Nakamura K, et al. An ECG-based artificial intelligence model for assessment of sudden cardiac death risk. Commun Med. 2024;4(1):17. doi:10.1038/s43856-024-00451-9
- Zeppenfeld K, Tfelt-Hansen J, de Riva M, et al. 2022 ESC Guidelines for the management of patients with ventricular arrhythmias and the prevention of sudden cardiac death. Eur Heart J. 2022;43(40):3997-4126. doi:10.1093/eurheartj/ehac262