Uno studio europeo prospettico e multicentrico mira a validare un sistema di intelligenza artificiale che potrebbe aiutare i medici di medicina generale e i cardiologi a diagnosticare l'insufficienza cardiaca in modo più precoce e accurato, nonché a stratificare il rischio.
L’insufficienza cardiaca (IC) colpisce oltre 64 milioni di persone in tutto il mondo e rimane notoriamente difficile da diagnosticare, in particolare nella medicina generale, dove sintomi come la dispnea, l’edema e la fatica si sovrappongono ad altre condizioni comuni. Il dosaggio dei peptidi natriuretici (NT-proBNP), l’attuale strumento di prima linea per i medici di medicina generale, è altamente sensibile per escludere l’IC ma presenta una scarsa specificità (circa il 65%), generando un elevato numero di falsi positivi e rinvii non necessari. Di conseguenza, fino a due terzi dei pazienti inviati all’assistenza secondaria con sospetta IC non vedono confermare la diagnosi tramite ecocardiografia.
Lo studio STRATIFYHF, pubblicato su BMJ Open e condotto da ricercatori dell’Università di Newcastle e dell’Università di Coventry, mira a colmare questa lacuna sviluppando e validando un sistema di supporto alle decisioni (DSS) basato sull’intelligenza artificiale per la stratificazione del rischio, la diagnosi e la progressione della malattia.
STRATIFYHF (NCT06377319) è uno studio di coorte longitudinale prospettico che arruolerà fino a 1.600 adulti di età ≥45 anni presso otto centri clinici nel Regno Unito, in Germania, in Italia, in Serbia, nei Paesi Bassi e in Spagna.
I partecipanti sono suddivisi in due gruppi:
I partecipanti saranno seguiti per un periodo fino a 24 mesi, con valutazioni complete, anamnesi, esame fisico, biomarcatori ematici, ECG, ecocardiografia e questionari sulla qualità della vita, ripetuti al basale e a 12 mesi.
Oltre alle indagini standard, STRATIFYHF integra diversi strumenti diagnostici innovativi:
Il DSS utilizzerà approcci di machine learning, tra cui reti neurali, foreste casuali, macchine a vettori di supporto e gradient boosting, addestrati su dati longitudinali dei pazienti per prevedere il tempo fino all’esordio dell’IC e la progressione della malattia. Le previsioni del modello saranno rese interpretabili utilizzando tecniche di spiegabilità (LIME, valori di Shapley) per supportare la fiducia del clinico, e le prestazioni saranno riportate utilizzando metriche di sensibilità, specificità, F1 e R², con validazione indipendente tramite un set di test dell’Università di Firenze.
Gli autori sostengono che gli attuali strumenti di stratificazione del rischio per l’IC sono limitati e raramente implementati nella pratica routinaria, lasciando i medici di medicina generale privi di mezzi adeguati per affinare le decisioni di invio. STRATIFYHF mira a produrre un DSS validato, abilitato per l’uso tramite app mobile, che potrebbe ridurre i rinvii non necessari all’assistenza secondaria, supportare una diagnosi più precoce e accurata e migliorare la previsione della progressione della malattia, con gruppi focalizzati e interviste con clinici e pazienti che contribuiranno alla progettazione e all’usabilità dell’applicazione mobile finale.
