La salute cardiovascolare nell’era dell’intelligenza artificiale

Sempre più utilizzata e al centro di dibattiti in tutto il mondo, l’intelligenza artificiale (AI, dall’inglese artificial intelligence) si propone anche in ambito medico e, naturalmente, in Cardiologia. Una tecnologia considerata da alcuni osservatori molto promettente nel trasformare la complessità dell’informazione biomedica in strumenti utili per la diagnosi, la prognosi, la clinica e favorire nuove scoperte. Nello stesso tempo l’AI può contare sulla crescente disponibilità dei Big data, insieme ai sistemi di monitoraggio da remoto e altre preziose tecnologie, per trovare soluzioni inedite e centrare l’obiettivo più ambizioso: rendere disponibile nel mondo reale pratiche di medicina di precisione sempre più evolute. Gli studi finora effettuati sono davvero molto numerosi e un recente documento pubblicato sulla prestigiosa rivista Nature riassume i vantaggi che possono derivare dall’applicazione dell’AI sul fronte del contrasto alle malattie cardiovascolari (1).

 

 

I quattro fronti dell’AI

1. Per la medicina predittiva misurando precocemente il rischio di sviluppare le malattie in tempo per prendere opportuni provvedimenti.
2. Per migliorare le capacità diagnostiche e l’identificazione dei diversi fenotipi della stessa patologia, ad esempio dello scompenso cardiaco.
3. Per prendere decisioni terapeutiche sempre migliori e personalizzate.
4. Per integrarsi con le possibilità offerte dalle tecnologie per coltivare il monitoraggio da remoto, gli alert intelligenti, le interazioni tra medico e paziente: opzioni utili per il management e la prevenzione delle persone che soffrono di malattie croniche.

AI contro le malattie che colpiscono le coronarie

Vediamo un esempio pratico. Le malattie cardiovascolari sono caratterizzate da una sostanziale eterogeneità a partire dal background genetico e dal fenotipo clinico che complica in molti casi la comprensione della malattia o del rischio cui siamo esposti. Una sfida per ottenere strategie diagnostiche e terapeutiche uniformi di cui si sente un grande bisogno(2).

La coronaropatia (CAD, Coronary Artery Disease) è tipicamente una malattia da valutare con precisione tenendo presente un gran numero di dati per migliorare l’identificazione del fenotipo, la stratificazione del rischio, le decisioni terapeutiche o preventive favorendo un controllo sistematico e continuo. In quest’ambito alcuni studi indicano interessanti performance dell’AI.

• Pensiamo all’imaging TAC senza mezzo di contrasto per rilevare il dato relativo al calcio coronarico (CAC), lo stesso parametro raccolto dallo studio CVrisk-IT. Gli algoritmi potrebbero rilasciare automaticamente lo score della presenza di calcio e addirittura ricostruire a tre dimensioni l’intero albero circolatorio coronarico(3-4). Con l’imaging, secondo uno studio scozzese, si possono anche caratterizzare le placche aterosclerotiche presenti e valutare meglio il rischio di incorrere in un infarto miocardico(5). Si potrebbe in questo modo ridurre anche la necessità di ricorrere a pratiche imaging invasive. Un’altra possibilità riguarda l’impiego dell’imaging ecografico, ad esempio praticato sulle arterie carotidi per rilevare la presenza di eventuali lesioni aterosclerotiche (come nello studio CVrisk-IT).
• Per la predizione del rischio. Oltre ai fattori di rischio tradizionali si possono utilizzare variabili genetiche o multi-omiche. Ad esempio, il Polygenic Risk Score (PRS), anch’esso al centro dello studio CVrisk-IT. Questi dati, così come le scienze multi-omiche potrebbero essere utilizzate grazie all’AI per avere una più precisa definizione del rischio personale. Sono veramente tanti i dati da tenere in considerazione, tra cui quelli derivanti dalle scienze omiche (trascrittomica, metabolomica, genomica, proteomica) e dalla valutazione dell’assetto del microbioma, cioè l’insieme del DNA/RNA dei microrganismi che popolano il nostro corpo.
• Guide al trattamento (Clinical decision making). L’AI, scrivono gli autori su Nature, può provvedere a raccomandazioni terapeutiche personalizzate, per decidere se è il caso o meno di procedere a strategie di rivascolarizzazione o per ottimizzare il management farmacologico(6-7). Si parla di decision-support system come quello proposto recentemente: in questo caso una guida supportata dall’AI, basata sui dati genotipici, per dettare la durata della terapia antipiastrinica duale dopo un intervento percutaneo coronarico. Oppure per evitare sanguinamenti nelle persone che hanno sofferto di una sindrome coronarica acuta con una possibile de-escalation della terapia quando non necessaria(8-9). Lavori in corso anche in prevenzione secondaria.

Sono solo alcuni esempi internazionali riportati dallo studio di Nature, firmato da autori cinesi attivi nei centri medici di Pechino, e riguardanti la medicina cardiovascolare di precisione.

Le tecnologie che possono fare la differenza

La sperimentazione si svolge su più livelli tecnologici tra cui quella dei device portatili che registrano segnali fisiologici in real-time, come l’elettrocardiogramma, i livelli di attività fisica e le metriche del sonno. Dati che potrebbero essere molti utili per i medici insieme ai dati genetici (PRS), alle biobanche (come BBDcardio della Rete Cardiologica IRCCS), alle informazioni omiche, alle cartelle cliniche elettroniche e ai dati degli studi clinici.

“I sistemi diagnostici e di classificazione – ricordano gli autori – dipendono largamente da singoli indicatori clinici che non solo ostacolano la precisione della diagnosi e la stratificazione del rischio ma limitano anche l’efficacia degli interventi medici individualizzati”(10). L’AI potrebbe governare il grande numero di dati appresi su più versanti trasformando il tutto in un vero progresso per incrementare la salute cardiovascolare della popolazione. Anche per realizzare interventi precoci mirati alla prevenzione di eventi come infarti e ictus.

 

Progressi in corso e nodi da sciogliere

Non mancano certamente i nodi ancora da sciogliere superando barriere quali le carenze regolatorie, i bias degli algoritmi, le questioni relative all’interoperabilità dei vari sistemi in azione, la protezione della privacy e la sicurezza della condivisione dei dati. Nel frattempo si lavora intensamente, non solo sull’uso dell’AI per la CAD ma anche, come riportato dallo studio di Nature, per lo scompenso cardiaco, l’ipertensione, la fibrillazione atriale.

 

Riferimenti

1. Xu, Q., et al. Precision cardiovascular medicine with big data and AI. npj Digit. Med. (2026). https://doi.org/10.1038/s41746-026-02538-0
2. Wang RS et al. Multiomics Network Medicine Approaches to Precision Medicine and Therapeutics in Cardiovascular Diseases. Arterioscler Thromb Vasc Biol 2023 Apr;43(4):493-503. doi: 10.1161/ATVBAHA.122.318731
3. Eng D et al. Automated coronary calcium scoring using deep learning with multicenter external validation. npj Digit. Med. 4, 88 (2021). https://doi.org/10.1038/s41746-021-00460-1
4. Li Y et al. Automatic coronary artery segmentation and diagnosis of stenosis by deep learning based on computed tomographic coronary angiography. Eur Radiol 2022 Sep;32(9):6037-6045. doi: 10.1007/s00330-022-08761-z
5. Williams MC et al. Low-Attenuation Noncalcified Plaque on Coronary Computed Tomography Angiography Predicts Myocardial Infarction: Results From the Multicenter SCOT-HEART Trial (Scottish Computed Tomography of the HEART). Circulation 2020 May 5;141(18):1452-1462. doi: 10.1161/CIRCULATIONAHA.119.044720
6. Sardar P et al. Impact of Artificial Intelligence on Interventional Cardiology: From Decision-Making Aid to Advanced Interventional Procedure Assistance. JACC Cardiovasc Interv 2019 Jul 22;12(14):1293-1303. doi: 10.1016/j.jcin.2019.04.048
7. Ghasemi, P et al. Personalized decision making for coronary artery disease treatment using offline reinforcement learning. npj Digit. Med. 8, 99 (2025). https://doi.org/10.1038/s41746-025-01498-1
8. Li F et al. Dynamic Prognosis Prediction for Patients on DAPT After Drug-Eluting Stent Implantation: Model Development and Validation. J Am Heart Assoc 2024 Feb 6;13(3):e029900. doi: 10.1161/JAHA.123.029900
9. Van den Broek WWA et al. Cost-effectiveness of implementing a genotype-guided de-escalation strategy in patients with acute coronary syndrome. Eur Heart J Cardiovasc Pharmacother 2025 May 2;11(3):230-240. doi: 10.1093/ehjcvp/pvae087
10. Maiorino E, Loscalzo J. Phenomics and Robust Multiomics Data for Cardiovascular Disease Subtyping. Arterioscler Thromb Vasc Biol 2023 Jul;43(7):1111-1123. doi: 10.1161/ATVBAHA.122.318892