L’intelligenza artificiale a caccia dei disturbi del ritmo cardiaco

Un programma di intelligenza artificiale sviluppato dai ricercatori dello Smidt Heart Institute e del Cedars-Sinai sarebbe in grado di rilevare un tipo di ritmo cardiaco anormale che può passare inosservato durante le visite mediche. I risultati dello studio, pubblicati su npj Digital Medicine, suggeriscono che un giorno l’intelligenza artificiale potrebbe essere utilizzata per analizzare le immagini di un comune ecocardiogramma scoprendo problemi altrimenti invisibili.

“Siamo stati in grado di dimostrare che un algoritmo di deep learning che abbiamo sviluppato potrebbe essere applicato agli ecocardiogrammi per identificare i pazienti con un disturbo nascosto del ritmo cardiaco anomalo chiamato fibrillazione atriale”, spiega Neal Yuan. “La fibrillazione atriale può andare e venire, quindi potrebbe non essere presente durante una visita dal medico. Questo algoritmo di intelligenza artificiale identifica i pazienti che potrebbero avere fibrillazione atriale anche quando non è presente durante il loro studio sull’ecocardiogramma.”

Il team ha formato un programma per studiare più di 100.000 video di ecocardiogrammi di pazienti con fibrillazione atriale. L’IA distingueva tra ecocardiogrammi che mostravano un cuore in ritmo sinusale (un periodo di battito cardiaco normale) ed ecocardiogrammi che mostravano invece un cuore in ritmo cardiaco irregolare. A quel punto era in grado di prevedere prevedeva quali pazienti in ritmo sinusale avessero manifestato o avrebbero sviluppato fibrillazione atriale entro 90 giorni.

Il modello che valuta le immagini ha funzionato meglio della stima del rischio basata su fattori di rischio noti.

“Il fatto che questo programma abbia previsto quali pazienti presentavano fibrillazione atriale attiva o nascosta potrebbe avere immense applicazioni cliniche”, ha affermato Christine M. Albert dello Smidt Heart Institute e autrice dello studio. “Essere in grado di identificare i pazienti con fibrillazione atriale nascosta potrebbe permetterci di trattarli prima che subiscano un grave evento cardiovascolare”.

Fonti

Yuan N et al. Deep learning evaluation of echocardiograms to identify occult atrial fibrillation. NPJ Digit Med 2024;7(1):96.