Disfunzione sistolica sinistra: la diagnosi con un ECG “intelligente”

L'uso dell'ECG per la diagnosi di LVSD si è progressivamente perfezionato, passando dall'identificazione di semplici anomalie sull'ECG allo sviluppo di algoritmi di intelligenza artificiale (IA). L'IA applicata all'ECG ha potenziato le capacità di un test vecchio di oltre un secolo per identificare malattie cardiache occulte e imminenti, un’opportunità che potrebbe avere rilevanti implicazioni per la ricerca (clinica e di base) e la pratica clinica.

L’intelligenza artificiale offre ai Medici di Medicina Generale (MMG) un enorme potenziale per trasformare l'assistenza primaria. L'efficacia delle applicazioni di IA nel migliorare i risultati clinici dipende dal suo grado di implementazione nella pratica. Ad oggi, pochi studi hanno esaminato le caratteristiche dei MMG che impiegano strumenti di intelligenza artificiale rispetto a chi è più titubante ad utilizzarli.

ECG e Intelligenza artificiale

Studi clinici pragmatici hanno recentemente valutato le capacità di strumenti di supporto decisionale clinico basati su un ECG alimentato da IA per la diagnosi precoce di ridotta frazione di eiezione (rEF).

Un algoritmo applicato all'ECG nell'insufficienza cardiaca (HF) con rEF ha dimostrato prestazioni elevate nel discriminare LVSD in pazienti con scompenso cardiaco acuto (2). I parametri ECG nel gruppo a rEF, messi a confronto con quelli del gruppo a EF conservata hanno evidenziato: una frequenza cardiaca più elevata con una durata del QRS e un intervallo QTc più lunghi, nonché un allargamento del QRS, un prolungamento dell'intervallo QTc e un'onda Q più prominenti. I due gruppi non differivano nell'intervallo PR, nel prolungamento PR o nell'asse. Il blocco di branca sinistra e il ritardo di conduzione intraventricolare erano le cause più comuni di allargamento del QRS e la differenza tra i due gruppi era significativa (p = 0,001) (2)

Lo studio EAGLE (3) ha valutato gli ECG ottenuti in 22.641 soggetti adulti (N = 11.573 interventi per IA-ECG; N = 11.068 controlli con ECG standard) senza precedente scompenso cardiaco. L'intervento ha aumentato la diagnosi di rEF nella coorte complessiva (2,1% vs 1,6% rispettivamente nel braccio di intervento vs controllo vs, odds ratio (OR) 1,32 (1,01-1,61), P = 0,007) e tra coloro che sono stati identificati con un'alta probabilità di rEF (ovvero IA-ECG positivo, 6% della coorte complessiva) 14,5% nel braccio di controllo contro 19,5% nel braccio di intervento, OR 1,43 (1,08–1,91), P = 0,01. Quindi è evidente come  l’algoritmo di IA su ECG può consentire una diagnosi precoce di rEF in pazienti osservati nel contesto di cure primarie di routine (3). Inoltre IA-ECG ha aumentato l'identificazione della LVSD di oltre il 30% e ha migliorato la resa degli ecocardiogrammi che sono stati prescritti dai MMG.

Intelligenza Artificiale nella pratica clinica

Per comprendere meglio l’accettazione dell'IA in ambito clinico, uno studio (4) ha ripreso i dati di EAGLE (3) confrontando le caratteristiche dei medici. Nel braccio di intervento, è stato fatto il confronto tra i medici che  avevano maggiori o minori probabilità di rispondere alla raccomandazione suggerita da IA, stratificandoli in quartili. Successivamente si è cercato di identificare le caratteristiche dei medici associate all'adozione dello strumento di IA-ECG ed è stata confrontata l'efficacia di ciascun gruppo nel rilevamento di una rEF.

I MMG (28,0%) erano più propensi degli Internisti (15,6%; P = 0,010) ad adottare un sistema di IA-ECG in un numero elevato di pazienti, ma meno propensi a prendersene cura. I medici più propensi ad accettare l’indicazione di IA-ECG positivo, avevano il doppio di probabilità di identificare una rEF rispetto a quelli meno propensi. Dei 100 ecocardiogrammi richiesti dai medici più propensi all’indicazione IA-ECG, 43 hanno mostrato un rEF < 50%.

I medici che hanno risposto all’indicazione del IA-ECG e che hanno ordinato un ecocardiogramma avevano una probabilità significativamente maggiore di identificare la LVSD nei loro pazienti (33,9% vs 16,3%, P<.001). Un dato rilevante viste le prove sperimentali e le numerose linee guida che mostrano risultati migliori, ridotta morbilità e ridotta mortalità con il trattamento precoce della disfunzione ventricolare.

Dati da smartwatch per la diagnosi

Gli algoritmi di intelligenza artificiale si sono sviluppati per rilevare una varietà di condizioni su ECG a 12 derivazioni, ma possono essere modificati ed estrapolati alle registrazioni ECG con strumenti indossabili dalle persone. L'identificazione della LVSD utilizzando un ECG a derivazione singola di uno smartwatch è stata testata in uno studio su 2.454 pazienti   che hanno inviato 125.610 ECG su una piattaforma dati in un periodo di sei mesi (5). In 421 partecipanti è stato acquisito un tracciato ECG in ritmo sinusale seguito entro 30 giorni da un ecocardiogramma; in questa coorte 16 individui (3,8%) avevano una EF ≤ 40%. Quindi l'algoritmo di IA ha rilevato pazienti con rEF con un'area sotto la curva di 0,885 (IC 95% 0,823-0,946) e 0,881 (0,815-0,947), rispettivamente utilizzando la previsione media all'interno di una finestra di 30 giorni o l'ECG più vicino rispetto all’ecocardiogramma che ha determinato la EF, indicando che gli ECG acquisibili direttamente dai pazienti, in ambienti non clinici e con dispositivi indossabili (es. smartwatch), possono essere utili per identificare i casi con LVSD (5).

Un ulteriore tassello che va a comporre uno scenario con potenzialità enormi di produrre dati clinici, anche considerando il numero crescente di funzionalità indossabili che ha ottenuto l'approvazione normativa dalla Food and Drug Administration (FDA) e dall'Agenzia europea per i medicinali (EMA), comprese le funzionalità ECG di Apple Watch (nel 2018), Fitbit (2020) e l'orologio Samsung Galaxy (2020) (6). La sfida sarà come organizzarli per renderli fruibili e utili per i medici, i loro pazienti e la ricerca clinica pragmatica.