L’applicazione di intelligenza artificiale denominata ECG-CLIP è stata sviluppata dall’istituto statunitense Scripps Research, e “impara” in modo simile a uno studente di medicina umano. La prima fase consiste nella comprensione del funzionamento dell’elettrocardiogramma, ovvero la sua struttura generale; poi collega il grafico del singolo ECG alla diagnosi verificata. Può affinarsi al punto di essere in grado di riconoscere cardiopatologie specifiche da pochi esempi.
ECG-CLIP è un modello di IA che prima impara a “capire” l’ECG in generale, e poi può essere addestrato a riconoscere specifiche malattie con molti meno esempi rispetto agli algoritmi tradizionali, mostrando inoltre la capacità di prevedere alcuni rischi futuri. Naturalmente, essendo il progetto a una fase sperimentale, serviranno ulteriori studi prima di poterlo utilizzare nella pratica clinica; ma in futuro potrebbe imparare nuove patologie a partire da pochissimi casi, dopo aver costruito una conoscenza generale dell’elettrocardiogramma. Un potenziale ausiliario e diagnostico non trascurabile.
Il modello è stato ‘formato’ su 800mila ECG effettuate su oltre mezzo milione di pazienti. L’outcome è sorprendente. L’applicazione è stata in grado di riconoscere diverse patologie tra cui infarto, cardiomiopatia ipertrofica e amiloidosi cardiaca, dimostrando una maggiore efficienza proprio laddove i dati disponibili sono più scarsi.
Come funziona?
L’algoritmo di learning è diviso in fasi specifiche. Il primo passaggio consiste nel capire struttura e funzionamento d’un ECG. Il secondo, nel consolidare la corrispondenza tra dati disponibili ed effetti sintomatici delle patologie associate. Il terzo, nell’elaborare una quantità di casi clinici associando i segnali alla malattia cardiaca corrispondente. Gli obiettivi? Riconoscere i disturbi, si, ma anche isolare indizi precursori di possibili disturbi futuri. Questa impostazione rende ECG-CLIP un foundation model, cioè un modello generale che può essere successivamente adattato a diversi problemi medici.
Il modello è stato poi testato su oltre 800mila elettrocardiogrammi appartenenti al database indipendente MIMIC-IV. Oltre ai disturbi già citati, è stato capace di riconoscere o prevedere una futura fibrillazione atriale anche quando l’ECG mostrava ancora un ritmo normale, possibile comparsa di malattia renale cronica e diabete di tipo 2 nei tre anni successivi, e persino mortalità legata a episodi cardiaci entro 30 giorni.
Il risultato più interessante riguarda però la quantità di dati necessari per imparare una nuova malattia. Per le tre patologie cardiache principali, ECG-CLIP ha raggiunto prestazioni paragonabili al miglior modello concorrente usando circa il 91% in meno di dati etichettati. In alcuni test gli sono stati forniti soltanto 10 esempi positivi di una determinata malattia e, anche in questa situazione, il modello ha funzionato meglio degli altri foundation model ECG confrontati. “Questo potrebbe essere particolarmente utile in situazioni come le malattie rare, dove esistono soltanto una dozzina circa di esempi positivi di elettrocardiogramma ben etichettati che possono essere utilizzati per addestrare il modello”, spiega Giorgio Quer, autore senior dello studio.
Perché potrebbe essere importante
Questo approccio potrebbe essere particolarmente utile per le malattie rare, per le quali è difficile raccogliere migliaia di ECG correttamente classificati. Inoltre, il modello sembra avere capacità predittive, non soltanto diagnostiche: può ricavare dall’elettrocardiogramma informazioni che potrebbero indicare un rischio futuro, anche quando il cuore appare ancora normale. Un altro risultato interessante è che ECG-CLIP ha mantenuto buone prestazioni per l’infarto anche quando gli sono state fornite meno derivazioni ECG, arrivando a utilizzare una sola derivazione in alcuni test. Questo apre, almeno teoricamente, la possibilità di applicarlo a dispositivi più piccoli, portatili o indossabili.
Ma il modello non è ancora pronto per l’uso clinico. Lo studio mostra risultati promettenti, ma ci sono importanti limiti: per esempio, l’IA ha . La ricerca è retrospettiva e il modello è stato sviluppato e testato utilizzando database specifici. Bisogna ancora verificare che funzioni altrettanto bene in ospedali diversi e su popolazioni di pazienti differenti, con sistemi diversi di registrazione dell’elettrocardiogramma, e in particolare in relazione a studi clinici prospettici, cioè testato seguendo i pazienti nel tempo in condizioni reali.