Stetoscopio con IA per le Aritmie: Cosa dicono le evidenze

Più del 70% degli scompensi cardiaci viene diagnosticato dopo un ricovero non programmato, anche se metà di quei pazienti si era già presentata al medico di base con sintomi. Gli stetoscopi con intelligenza artificiale promettono di intercettarli prima, registrando in quindici secondi ECG e fonocardiogramma. Il primo trial randomizzato su larga scala, pubblicato su The Lancet nel febbraio 2026, dice però che l'algoritmo funziona e l'implementazione no. Vediamo quali tecniche stanno dietro questi dispositivi, che cosa misurano davvero e dove si rompe la catena.

Limiti dell'auscultazione cardiaca e ruolo dell'Intelligenza Artificiale

L'auscultazione resta l'esame obiettivo più praticato, ma la sua resa dipende dall'orecchio di chi ascolta. La sensibilità diagnostica riportata in letteratura per la stenosi aortica oscilla tra il 46 e l'88% a seconda dell'operatore, e uno studio comparativo su medici in formazione di Stati Uniti, Canada e Regno Unito ha rilevato che solo il 20% circa eseguiva valutazioni cardiache accurate (1).

Il problema non è solo l'addestramento. Una quota rilevante dei fenomeni acustici cardiaci cade sotto la soglia dell'udibile umana, e quello che l'orecchio percepisce non si può quantificare né archiviare. Sull'ECG la situazione non è migliore: una metanalisi del 2020 ha stimato al 54% l'accuratezza mediana dell'interpretazione medica, che sale al 67% dopo interventi formativi mirati (2).

Da qui parte l'idea che regge tutti i dispositivi di cui parliamo: trasformare un segnale biologico soggettivo in un dato numerico riproducibile, e affidarne la lettura a un modello addestrato su decine di migliaia di casi con diagnosi confermata.

Che cosa registra davvero uno stetoscopio intelligente

Il dispositivo usato nel trial britannico TRICORDER, un Eko DUO, appoggiato in posizione polmonare acquisisce quindici secondi di due segnali sincronizzati: un elettrocardiogramma a singola derivazione e un fonocardiogramma, la traccia grafica dei toni cardiaci (3). La sincronia non è un dettaglio: l'ECG fornisce il riferimento temporale che permette all'algoritmo di sapere in quale punto del ciclo cardiaco cade ogni evento acustico.

Sul versante hardware, i gruppi di ricerca lavorano su tre parametri. Il rapporto segnale-rumore nelle frequenze udibili, la capacità di catturare le frequenze inaudibili e la frequenza di campionamento. Nel Super StethoScope giapponese il suono viene digitalizzato a 8 kHz e l'ECG a 500 Hz, con il microfono validato nella banda 20-600 Hz; i due flussi vengono impacchettati insieme ogni due millisecondi (1).

Il salto rispetto al fonendoscopio elettronico di prima generazione sta qui. Non nell'amplificazione del suono, ma nella sua conservazione come dato grezzo analizzabile.

Le reti neurali convoluzionali dietro l'analisi del segnale

Il modello di riferimento è la rete neurale convoluzionale, la CNN. A differenza degli algoritmi tradizionali di interpretazione computerizzata dell'ECG, che confrontano l'onda con criteri predefiniti (durata del QRS, sopraslivellamento del tratto ST), la CNN estrae da sola le caratteristiche discriminanti dai dati che le vengono forniti (2). Nessuno le insegna che cosa cercare: impara la correlazione tra la forma d'onda e l'esito ecocardiografico.

Questo spiega perché i modelli riconoscono condizioni che sull'ECG non hanno un pattern descritto nei manuali. La disfunzione ventricolare sinistra asintomatica non produce un segno elettrocardiografico codificato, eppure l'algoritmo del Mayo Clinic, validato in modo prospettico su 3.874 pazienti, ha identificato una frazione di eiezione inferiore o uguale al 35% con sensibilità dell'82,5% e specificità dell'86,8% (2). L'ipotesi dei ricercatori è che eventi preclinici a livello cellulare, come le alterazioni dell'omeostasi del calcio e della lusitropia, lascino una firma elettrica troppo sottile per l'occhio umano.

Sul fronte acustico il passaggio obbligato è invece la trasformazione tempo-frequenza. Il suono grezzo viene convertito in spettrogramma con la trasformata di Fourier a breve termine o con la trasformata wavelet continua, così la rete lavora su un'immagine anziché su un'onda (1). È il motivo per cui architetture nate per la classificazione di immagini funzionano su un tono cardiaco.

Dal segnale alla previsione: i cinque passaggi dell'algoritmo

1. Acquisizione sincronizzata. Il dispositivo registra fonocardiogramma ed ECG nello stesso istante e li converte in digitale con campionamenti distinti.
2. Controllo di qualità del segnale. Il sistema scarta le tracce inutilizzabili. Nel trial TRICORDER solo il 77% delle registrazioni etichettate aveva qualità sufficiente per l'interpretazione (3).
3. Segmentazione del ciclo cardiaco. L'ECG marca il complesso QRS e delimita sistole e diastole, così l'algoritmo sa collocare S1, S2, un eventuale S3 o S4 e i soffi.
4. Trasformazione e inferenza. Il segnale diventa rappresentazione tempo-frequenza e la rete convoluzionale produce una probabilità per ciascuna condizione bersaglio.
5. Restituzione binaria. Il modello applica una soglia e mostra un sì o un no per scompenso, fibrillazione atriale e valvulopatia (3). La soglia viene tarata sulla prevalenza attesa e determina l'equilibrio tra falsi positivi e falsi negativi.

I biomarcatori acustici: S3, S4 e il tempo di attivazione

Prima delle reti neurali, la ricerca sui toni cardiaci aveva già prodotto indici quantitativi che oggi alimentano i modelli. L'intensità del terzo e del quarto tono si correla con la pressione telediastolica ventricolare sinistra, con la frazione di eiezione e con i livelli di peptide natriuretico (1).

Il parametro più usato è l'EMAT, il tempo di attivazione elettromeccanica: l'intervallo tra l'onda Q dell'ECG e il picco di S1 sul fonocardiogramma. Rapportato all'intervallo R-R diventa %EMAT, un biomarcatore acustico che riflette la contrattilità ventricolare. Un modello di regressione logistica costruito su questi indici predice una frazione di eiezione pari o superiore al 50% con accuratezza maggiore rispetto al modello basato sul BNP (1).

Sul versante ECG, il modello EchoNext sviluppato alla Columbia University è stato addestrato su oltre 700.000 coppie ECG-ecocardiogramma raccolte in quattordici anni da 230.000 pazienti, e nel confronto diretto ha superato i cardiologi nel riconoscimento della cardiopatia strutturale (4). Su Nature Medicine il gruppo di Pierre Elias ha descritto nel giugno 2026 un caso indice: un paziente giunto in pronto soccorso con presentazione atipica, segnalato dall'algoritmo, arrivato poi al trapianto cardiaco (5).

Le prestazioni reali: che cosa dice lo studio TRICORDER

TRICORDER ha randomizzato 205 studi di medicina generale del Servizio sanitario britannico, per un totale di oltre 1,5 milioni di assistiti, e ha raccolto 12.725 esami eseguiti da 972 professionisti (3). L'analisi intention-to-treat non ha mostrato alcun aumento delle diagnosi di scompenso: incidence rate ratio 0,94 (IC 95% 0,86-1,02).

Nell'analisi per protocol, limitata ai pazienti effettivamente esaminati con il dispositivo e appaiati per propensity score, il quadro cambia. Le diagnosi di scompenso triplicano (IRR 2,33; IC 95% 1,28-4,26), quelle di fibrillazione atriale aumentano di 3,45 volte e quelle di valvulopatia di 1,92 volte (3).

Sono numeri che vanno letti insieme alla prevalenza. In una popolazione non selezionata di medicina generale, dove lo scompenso codificato si aggira attorno all'1,4%, un valore predittivo positivo basso è un risultato atteso e non un difetto del modello. Il rapporto di verosimiglianza positivo resta accettabile (5,06 per lo scompenso, 21,69 per la fibrillazione atriale), mentre quello negativo discrimina poco (3). Gli autori ne traggono una conclusione operativa netta: il dispositivo serve a includere un sospetto dentro un percorso diagnostico, non a escluderlo.

Il dato che pesa di più, però, è un altro. A dodici mesi il 40% degli studi aveva smesso di usare lo strumento, e i professionisti che hanno risposto al questionario hanno indicato l'integrazione con la cartella clinica elettronica come priorità sopra gli incentivi economici (61% contro 52%) (3). L'algoritmo aveva ottenuto la marcatura come dispositivo medico di classe IIa. A fermarsi è stato il flusso di lavoro.

Bias dei dati e generalizzazione, i limiti degli algoritmi

La qualità del dato di addestramento determina la qualità del modello. Set di dati sbilanciati per età, sesso o etnia producono modelli che rendono meno su popolazioni diverse da quella di origine, e le caratteristiche elettrocardiografiche variano tra gruppi etnici (2). Un algoritmo validato su una coorte statunitense non è per questo trasferibile a un ambulatorio italiano senza verifica.

Restano poi due nodi tecnici. La mancata standardizzazione dei formati di acquisizione limita l'interoperabilità tra ECG a riposo, dinamici, da monitor o da dispositivi mobili (2). E l'opacità del modello mina la fiducia di chi lo usa: un output che nessuno sa spiegare viene ignorato o seguito senza filtro critico, e nessuna delle due cose è desiderabile.

Il Regolamento (UE) 2024/1689, l'AI Act, classifica ad alto rischio i sistemi di intelligenza artificiale che costituiscono componenti di sicurezza di dispositivi medici e impone una sorveglianza umana effettiva: chi li impiega deve poterne interpretare l'esito, disattenderlo e interromperne il funzionamento (6).

Linguaggio e grafiche revisionate con IA.

Bibliografia

1. Ogawa S, Namino F, Mori T, Sato G, Yamakawa T, Saito S. AI diagnosis of heart sounds differentiated with super StethoScope. J Cardiol. 2024;83(4):265-71. doi:10.1016/j.jjcc.2023.09.007
2. Muzammil MA, Javid S, Afridi AK, Siddineni R, Shahabi M, Haseeb M, et al. Artificial intelligence-enhanced electrocardiography for accurate diagnosis and management of cardiovascular diseases. J Electrocardiol. 2024;83:30-40. doi:10.1016/j.jelectrocard.2024.01.006
3. Kelshiker MA, Bächtiger P, Petri CF, Nakhare S, Mansell J, Chhatwal K, et al. Triple cardiovascular disease detection with an artificial intelligence-enabled stethoscope (TRICORDER) in the UK: a cluster-randomised controlled implementation trial. Lancet. 2026;407:704-15. doi:10.1016/S0140-6736(25)02156-7
4. Poterucha TJ, Jing L, Ricart RP, Adjei-Mosi M, Finer J, Hartzel D, et al. Detecting structural heart disease from electrocardiograms using AI. Nature. 2025;644(8075):221-30. doi:10.1038/s41586-025-09227-0
5. Hartman HS, Finer J, Hartzel D, Kelsey C, Long A, Rocha D, et al. A case of artificial intelligence-enhanced diagnostics leading to heart transplantation. Nat Med. 2026;32(7):2333-4. doi:10.1038/s41591-026-04454-y
6. Parlamento europeo e Consiglio dell'Unione europea. Regolamento (UE) 2024/1689 del 13 giugno 2024 che stabilisce regole armonizzate sull'intelligenza artificiale. Gazzetta ufficiale dell'Unione europea, serie L, 12 luglio 2024.