L’IA può essere un supporto efficace per identificare i casi sospetti di insufficienza cardiaca con frazione di eiezione preservata e migliorarne la diagnosi

Circa la metà di tutti i casi di insufficienza cardiaca si registra in soggetti con frazione di eiezione del ventricolo sinistro preservata (LVEF)≥50%. Riconoscere i pazienti con diagnosi di insufficienza cardiaca con frazione di eiezione preservata (HFpEF) può essere difficile benché esistano degli score a supporto del clinico, come l’H₂FPEF e l’HFA-PEFF.

Secondo un gruppo di ricercatori inglesi il numero di pazienti che hanno ricevuto formale diagnosi di HFpEF è significativamente inferiore a quello dei pazienti che corrisponderebbero ai criteri diagnostici di ESC per l’HFpEF.

Hanno quindi condotto uno studio per valutare la possibilità di impiegare sistemi di intelligenza artificiale, soprattutto il metodo natural language processing (NLP), per identificare tutti i pazienti di un grande ospedale londinese con HFpEF diagnosticata da un clinico e confrontarli con i pazienti del medesimo ospedale che rispondono ai criteri ESC per insufficienza cardiaca ma non hanno ricevuto formale diagnosi di HFpEF.

Degli 8606 pazienti con insufficienza cardiaca identificati, solo 3727 avevano anche una LVEF ≥50%. A loro volta, solo l’8,3% dei pazienti di questo gruppo aveva ricevuto diagnosi confermata di HFpEF mentre ben 2811 rispondevano ai criteri diagnostici ESC ma non avevano ricevuto diagnosi di HFpEF. Inoltre il 9,3% dei pazienti presentava insufficienza cardiaca e LVEF ≥50% all’esame ecocardiografico ma non rispondeva ai criteri ESC e non aveva ricevuto diagnosi di HFpEF, mentre il 6,9% aveva un’altra diagnosi (per es. cardiomiopatia ipertrofica o restrittiva).

I pazienti con diagnosi confermata di HEpEF avevano un punteggio medio H₂FPEF significativamente superiore rispetto a quello dei pazienti senza diagnosi confermata ma che rientravano nei criteri ESC e dei pazienti che non rispondevano a questi criteri (p<0,001 per entrambi i confronti).

Inoltre il primo gruppo (HEpEF confermata) era andato incontro a un numero significativamente superiore di ospedalizzazioni nell’arco di 5 anni rispetto al secondo gruppo (in linea con i criteri ESC) e al terzo gruppo (non rispondente ai criteri ESC) (p=0,0255 e p<0,001, rispettivamente).

Infine, benché per il primo gruppo si sia registrata un’incidenza significativamente maggiore di ictus e infarto miocardico rispetto agli altri due gruppi, il secondo gruppo si è associato a una sopravvivenza rispetto alla mortalità per tutte le cause significativamente inferiore rispetto al primo e al terzo gruppo (p=0,005 e p=0,002, rispettivamente).

Non è chiaro il motivo per cui i pazienti del gruppo che rientrava nei criteri ESC non abbiano ricevuto diagnosi di HFpEF. Potrebbe forse trattarsi di un punto debole degli algoritmi diagnostici che si basano su score: questi infatti dipendono da un sospetto a priori di diagnosi di HFpEF derivante dalla valutazione clinica e potrebbero non essere ampiamente impiegati dai curanti. Strumenti di intelligenza artificiale sembrano avere il potenziale per agire in modo complementare con gli algoritmi esistenti, evidenziando in modo automatico i casi sospetti di HFpEF da inviare a un clinico esperto per diagnosi formale.