L'intelligenza artificiale sta per trasformare gli smartwatch da semplici rilevatori di aritmie cardiache a strumenti diagnostici per patologie strutturali del cuore, tradizionalmente individuabili solo con ecografie specializzate. Un team di ricercatori della Yale School of Medicine ha dimostrato per la prima volta che un algoritmo di deep learning può diagnosticare difetti fisici della struttura cardiaca utilizzando esclusivamente i sensori ECG a singola derivazione integrati nei dispositivi indossabili consumer. I risultati, presentati alle Scientific Sessions 2025 dell'American Heart Association, aprono prospettive inedite per lo screening cardiovascolare su larga scala, sfruttando device già in possesso di milioni di persone.
Il modello sviluppato dal cardiovascular data science lab di Yale è stato addestrato su un dataset di oltre 266.000 elettrocardiogrammi completi raccolti da 110.000 pazienti tra il 2015 e il 2023. L'approccio innovativo ha previsto l'isolamento di una singola derivazione ECG che replica il segnale captabile da un Apple Watch o dispositivi simili, utilizzando questi dati per addestrare una rete neurale capace di predire tre tipologie di cardiopatie strutturali: bassa frazione di eiezione ventricolare sinistra, valvulopatia sinistra severa e ipertrofia ventricolare sinistra grave. La sfida tecnica principale consisteva nel colmare il divario tra le 12 derivazioni standard degli elettrocardiografi ospedalieri e la singola derivazione disponibile nei wearable.
La validazione del sistema è avvenuta in più fasi, coinvolgendo inizialmente oltre 44.000 adulti distribuiti tra quattro ospedali comunitari e 3.000 partecipanti a uno studio epidemiologico in Brasile. Successivamente, in uno studio prospettico condotto su 600 pazienti sottoposti a ecocardiografia, è stata misurata la performance diagnostica reale: ogni paziente ha effettuato una registrazione ECG di 30 secondi tramite smartwatch prima della procedura ultrasonografica. I risultati hanno mostrato un'accuratezza dell'88% utilizzando la singola derivazione dello smartwatch, rispetto al 92% ottenuto con l'ECG ospedaliero a 12 derivazioni, con una sensibilità dell'86% e una specificità dell'87%.
L'elemento chiave per raggiungere questa performance in condizioni reali è stata l'introduzione di rumore artificiale durante la fase di training del modello. Questa tecnica di data augmentation ha reso l'algoritmo più robusto nell'analizzare segnali ECG catturati in contesti non controllati, tipici dell'utilizzo quotidiano degli smartwatch, dove interferenze elettromagnetiche, movimenti e posizionamento non ottimale del sensore degradano la qualità del segnale rispetto all'ambiente ospedaliero. "Un ECG a singola derivazione, da solo, è limitato e non può sostituire un test a 12 derivazioni disponibile in contesti sanitari. Tuttavia, con l'AI, diventa sufficientemente potente per screenare importanti condizioni cardiache", ha spiegato Rohan Khera, direttore del cardiovascular data science lab e senior author dello studio.
La rilevanza clinica di questo breakthrough risiede nel fatto che le cardiopatie strutturali vengono normalmente individuate mediante ecocardiografia, un esame di imaging ultrasonico avanzato che richiede attrezzature specializzate e personale formato, non disponibili per screening di routine su vasta scala. Al contrario, gli smartwatch sono già utilizzati da milioni di persone principalmente per rilevare disturbi del ritmo cardiaco come la fibrillazione atriale, ma finora la loro capacità diagnostica si fermava alle aritmie, senza poter individuare alterazioni anatomiche del muscolo cardiaco o delle valvole. "Abbiamo esplorato se gli stessi smartwatch che le persone indossano ogni giorno potessero aiutare a trovare queste cardiopatie strutturali nascoste prima che progrediscano verso complicazioni serie o eventi cardiaci", ha dichiarato Arya Aminorroaya, residente in medicina interna al Yale New Haven Hospital e research affiliate alla Yale School of Medicine.
Nonostante i risultati promettenti, il modello presenta ancora limiti significativi che richiedono ulteriori validazioni. Nello studio prospettico, solo il cinque percento dei pazienti ha ricevuto conferma di cardiopatia strutturale durante l'ecografia: 15 presentavano bassa frazione di eiezione ventricolare sinistra, cinque valvulopatia sinistra severa e appena un paziente ipertrofia ventricolare sinistra grave. Questi numeri relativamente ridotti, sebbene sufficienti per una proof-of-concept, evidenziano la necessità di testare l'algoritmo su popolazioni più ampie e diversificate prima di un'implementazione clinica su larga scala.
Dal punto di vista dell'ecosistema AI sanitario europeo, questa ricerca si inserisce in un contesto regolamentare delicato: l'AI Act dell'Unione Europea classifica i sistemi di intelligenza artificiale per la diagnosi medica come ad alto rischio, richiedendo standard stringenti di trasparenza, accuracy e validazione clinica. Qualsiasi deployment commerciale di algoritmi diagnostici su dispositivi consumer dovrà navigare non solo i requisiti della certificazione CE per dispositivi medici, ma anche dimostrare l'assenza di bias algoritmici che potrebbero penalizzare sottogruppi demografici specifici, considerando che i dataset di training sono stati raccolti in contesto statunitense.
Le implicazioni pratiche per sviluppatori e aziende tech sono notevoli: questa ricerca dimostra che l'hardware già presente negli smartwatch può essere valorizzato attraverso software di deep learning per funzionalità diagnostiche avanzate, senza necessità di nuovi sensori. Tuttavia, la strada verso l'integrazione clinica passa attraverso partnership con istituzioni sanitarie e validazioni prospettiche multicentriche. "Pianifichiamo di valutare lo strumento AI in contesti più ampi ed esplorare come potrebbe essere integrato in programmi di screening cardiologico comunitari per valutarne il potenziale impatto sul miglioramento della prevenzione", ha anticipato Aminorroaya, lasciando intravedere sviluppi che potrebbero democratizzare l'accesso allo screening cardiovascolare nei prossimi anni, soprattutto in regioni con carenza di strutture diagnostiche specializzate.