Sopravvivenza a 1 anno: 81% vs 69% se la diagnosi di scompenso cardiaco avviene a livello ambulatoriale vs in corso di ospedalizzazione.

Benché l’elettrocardiogramma (ECG) si confermi un tool diagnostico particolarmente potente, il risultato che si ottiene è il medesimo se viene applicato da un esperto o da un non specialista? È possibile che i pazienti con scompenso cardiaco con frazione di eiezione preservata (HFpEF) siano sotto-diagnosticati?

Gli avanzamenti raggiunti negli ultimi anni a livello di machine learning, reti neurali e intelligenza artificiale (AI) potrebbero venire a supporto nella definizione del timing in cui effettuare l’ECG e dei pazienti che necessitano effettivamente di tale esame. Studi di validazione condotti su decine di migliaia di pazienti hanno mostrato un’elevata accuratezza diagnostica di sistemi di analisi AI-ECG nei confronti di disfunzione sistolica del ventricolo sinistro e compromissione diastolica, elementi importanti per la diagnosi di HFpEF.

Altro elemento irrinunciabile nella diagnosi di scompenso cardiaco è l’ecocardiografia, tuttavia può trasformarsi in un fattore limitante nel momento in cui la lista d’attesa per sottoporsi a tale esame sia particolarmente lunga.

Oggi sono disponibili sistemi di AI automatizzati di analisi dell’ecocardiografia in grado non solo di generare risultati accurati, ma anche report clinici.

Sarebbe quindi importante riuscire a ridurre i tempi necessari a raccogliere i risultati dell’esame ecocardiografico, con conseguente aumento della capacità di scanning. Un aiuto in questo senso potrebbe venire dai sistemi di AI automatizzati di analisi dell’ecocardiografia oggi disponibili, che hanno mostrato la capacità di generare risultati accurati e report clinici. Ma non solo: questi sistemi potrebbero essere un supporto anche nella diagnosi di HFpEF e dati preliminari suggeriscono che l’AI potrebbe assistere l’acquisizione di immagini ecocardiografiche da parte di non specialisti. Bisogna tuttavia ricordare che, nonostante il numero in continuo aumento degli studi dedicati alla AI-ecocardiografia, sono pochi i trial clinici che hanno dimostrato un miglioramento negli outcome dei pazienti quanto questi sistemi avanzati sono stati trasferiti nella pratica clinica.

Anche i biomarcatori, in particolare i peptidi natriuretici, sono importanti nel corso dell’intero percorso diagnostico, ma ci sono dei casi particolari. Per esempio i soggetti con obesità e scompenso cardiaco hanno livelli di peptidi natriuretici relativamente inferiori pertanto potrebbero non essere sottoposti a screening. Oltre alla ricerca di nuovi biomarcatori, un supporto più generale potrebbe venire dall’implementazione di un test point-of-care per l’NTproBNP: l’analisi condotta su un campione ematico derivato dalla puntura di un dito e non da un prelievo venoso potrebbe ridurre il tempo di gestione e analisi del campione stesso e, di conseguenza, della diagnosi e dell’avvio del trattamento.

Proprio i peptidi natriuretici potrebbero essere alla base di modelli di rischio in grado di aumentare l’efficienza dell’intero processo diagnostico minimizzando i costi. Servono tuttavia studi per dimostrare il loro reale beneficio clinico.

Il modello Collaboration for the Diagnosis and Evaluation of Heart Failure (CoDE-HF) impiega un algoritmo di machine learning per combinare i valori di NTproBNP e quelli di altre variabili cliniche per stimare il rischio di scompenso cardiaco.

In sintesi la diagnosi di scompenso cardiaco del futuro si prevede che integrerà le nuove tecnologie, AI in particolare, per ottimizzare il triage e il timing dell’ecocardiografia e, quindi, la diagnosi e l’avvio del trattamento.