In Italia circa 120.000 persone ogni anno subiscono un infarto del miocardio. Di queste, 25.000 muoiono perché non soccorse in tempo. Non perché manchino i medici, non perché manchino le tecnologie — ma perché la finestra temporale tra il primo sintomo e la diagnosi è ancora troppo larga, e l’interpretazione di un elettrocardiogramma dipende da variabili umane che l’intelligenza artificiale sta imparando a eliminare.
La convergenza tra ECG e AI sta ridisegnando uno degli ambiti più critici della medicina moderna. Non è una promessa futura: negli ultimi dodici mesi si sono accumulati risultati pubblicati su Nature Medicine, Lancet Digital Health, European Heart Journal, JAMA Cardiology e NEJM AI che documentano un cambio di paradigma reale, misurabile, clinicamente rilevante. Vale la pena capire cosa sta succedendo — e cosa potrebbe cambiare per voi.
Cos’è l’AI-ECG e perché supera la lettura tradizionale
L’elettrocardiogramma è uno degli strumenti diagnostici più usati al mondo: misura l’attività elettrica del cuore attraverso dodici derivazioni, produce un tracciato grafico e lo consegna all’interpretazione del medico. È non invasivo, rapido, economico. Ed è imperfetto.
La lettura di un ECG dipende dall’esperienza del clinico, dal contesto in cui viene eseguita, dalla disponibilità di informazioni aggiuntive sul paziente. Due cardiologi di fronte allo stesso tracciato possono trarre conclusioni diverse. I falsi positivi — situazioni in cui l’ECG segnala un problema che in realtà non esiste — portano a esami inutili, ansia e spreco di risorse sanitarie. I falsi negativi — situazioni in cui l’ECG non rileva un problema presente — possono costare la vita.
L’AI-ECG è un sistema di intelligenza artificiale — basato su modelli di machine learning o deep learning — addestrato su centinaia di migliaia, a volte milioni di tracciati cardiaci. Apprende pattern che l’occhio umano non riesce a cogliere: variazioni infinitesimali nell’onda P, anomalie microscopiche nel tratto ST, correlazioni tra parametri che appaiono normali separatamente ma che combinati indicano un rischio in corso. Il sistema non sostituisce il medico — lo supporta, lo amplifica, lo velocizza.
Più storia clinica, meno falsi positivi
Un aspetto cruciale che emerge dalla ricerca più recente — in particolare da uno studio pubblicato su NEJM AI — è che le migliori implementazioni di AI-ECG non si limitano ad analizzare il tracciato in isolamento. Il sistema tiene conto anche dell’anamnesi del paziente: storia clinica, condizioni pregresse, farmaci assunti, fattori di rischio. Questa combinazione riduce in modo significativo i falsi positivi. L’AI contestualizza il dato elettrico invece di interpretarlo nel vuoto — esattamente come farebbe un cardiologo esperto con il pieno accesso alla cartella clinica del paziente.
La diagnosi di infarto in 37 secondi: dati alla mano
I numeri più impressionanti riguardano la diagnosi dell’infarto miocardico acuto, dove la velocità è letteralmente tutto. Ogni minuto che passa dall’inizio dell’evento aumenta l’estensione del danno al muscolo cardiaco e riduce le probabilità di sopravvivenza.
Un documento di consenso delle prime linee guida italiane sull’uso dell’AI in cardiologia — elaborato dalla Società Italiana di Cardiologia — cita uno studio su 362 pazienti sottoposti a ECG prima dell’arrivo in ospedale: l’AI ha dimostrato un’accuratezza del 99% nell’identificare i casi più seri, con tempi di valutazione medi di 37 secondi. Per fare un confronto, l’analisi di un medico richiede in media circa 150 secondi. Il risultato pratico è stato un accorciamento a 18 minuti dell’intervallo tra l’arrivo in clinica e la procedura di rivascolarizzazione — un dato che, in termini clinici, significa tessuto cardiaco salvato.
Lo studio multicentrico ROMIAE — pubblicato sull’European Heart Journal nel 2025 e condotto su oltre 8.000 pazienti in 18 pronto soccorso coreani — ha confermato che l’accuratezza dell’AI-ECG nella diagnosi dell’infarto è comparabile al HEART score, il gold standard clinico usato oggi, e superiore al punteggio GRACE 2.0 e al solo valore di troponina ad alta sensibilità. Particolarmente significativa la capacità di esclusione precoce: il sistema ha identificato correttamente il 99,6% dei casi a basso rischio. Nei pazienti con infarto senza sopraslivellamento del tratto ST — quelli più difficili da riconoscere — l’AI ha mostrato prestazioni migliori rispetto al HEART score.
L’implicazione pratica è diretta: in un pronto soccorso sovraffollato, dove un medico deve gestire decine di pazienti contemporaneamente, un sistema che analizza l’ECG in meno di un minuto con un’accuratezza del 99% è uno strumento che salva vite.
Prevedere l’ipertensione prima che si manifesti
La capacità diagnostica dell’AI-ECG non si limita all’emergenza. Un filone di ricerca ancora più affascinante riguarda la prevenzione: riconoscere nell’attività elettrica del cuore i segnali precursori di malattie che non si sono ancora manifestate clinicamente.
L’algoritmo AIRE-HTN, sviluppato dall’Imperial College di Londra e pubblicato su JAMA Cardiology nel gennaio 2025, è stato addestrato su oltre un milione di ECG. Il risultato: il sistema è in grado di prevedere con precisione chi svilupperà ipertensione arteriosa, spesso anni prima che la condizione diventi conclamata e misurabile con metodi tradizionali. AIRE-HTN ha anche stratificato efficacemente il rischio di morte cardiovascolare, scompenso cardiaco, infarto miocardico, ictus ischemico e malattia renale cronica — il tutto a partire dal solo tracciato elettrocardiografico, indipendentemente dai fattori di rischio tradizionali.
Questo è il punto che cambia la prospettiva. Non si tratta solo di diagnosticare una malattia già presente, ma di identificare chi è a rischio di svilupparla — e intervenire prima.
Il problema dei bias di genere: come l’AI sta correggendo decenni di errori
C’è un capitolo meno noto ma cruciale di questa storia. Per decenni, la ricerca cardiologica è stata condotta prevalentemente su pazienti maschi. I criteri diagnostici, i valori di riferimento, i protocolli di triage — calibrati sull’uomo adulto. Il risultato è che le malattie cardiovascolari nelle donne vengono sistematicamente sottovalutate, diagnosticate più tardi, trattate meno efficacemente.
L’AI sta iniziando a correggere questo squilibrio. Uno studio dell’Imperial College di Londra — pubblicato su Lancet Digital Health e finanziato dalla British Heart Foundation — ha analizzato oltre un milione di ECG di 180.000 pazienti, di cui 98.000 donne. I ricercatori hanno sviluppato AIRE, un modello di AI-ECG specificamente calibrato per riconoscere il profilo di rischio cardiovascolare femminile, che differisce da quello maschile in modo più complesso di quanto si pensasse.
La scoperta principale: le donne il cui ECG assomigliava a un pattern “maschile” — con segnali elettrici di maggiore ampiezza — presentavano camere cardiache più grandi, più massa muscolare e un rischio significativamente più elevato di malattie cardiache. Un segnale che il sistema standard avrebbe potuto interpretare come normale per una donna, ma che l’AI calibrata sul genere riconosce come indicatore di rischio. AIRE è in fase di trial clinico nel NHS britannico a partire dalla fine del 2025.
Dalla sala d’emergenza al polso: i dispositivi indossabili
La frontiera più vicina alla vita quotidiana è quella degli wearable. L’Apple Watch ha introdotto la funzione ECG con Apple Watch Series 4 nel 2018 — un’elettrocardiografia a singola derivazione che rileva la fibrillazione atriale, l’aritmia più comune al mondo e uno dei principali fattori di rischio per ictus. Da allora, le funzioni si sono moltiplicate su Apple Watch e su dispositivi concorrenti come Samsung Galaxy Watch e Fitbit.
La ricerca pubblicata su Nature Medicine nel febbraio 2025 ha documentato come l’AI applicata all’analisi degli ECG ambulatoriali — registrazioni prolungate nel tempo — stia rivoluzionando la diagnosi di aritmie come la fibrillazione atriale e le extrasistole. Mentre l’analisi manuale di ore di tracciato richiede ore di lavoro di un cardiologo, l’AI analizza e annota automaticamente ogni battito cardiaco, riconoscendo pattern complessi con una velocità e una consistenza che nessun essere umano può garantire.
L’integrazione con i dispositivi indossabili apre scenari di monitoraggio continuo che fino a pochi anni fa erano impensabili: non più un ECG eseguito ogni anno durante la visita di controllo, ma un flusso costante di dati che l’AI analizza in tempo reale, segnalando anomalie nel momento in cui si manifestano.
La mortalità si riduce del 31%
Un dato che sintetizza meglio di qualsiasi altro la portata di questa trasformazione viene da uno studio su quasi 16.000 pazienti pubblicato su Nature Medicine: associando l’AI all’elettrocardiogramma per identificare i pazienti ad alto rischio ricoverati per malattie cardiache, la mortalità a tre mesi si riduce del 31%. Non si tratta di un risultato marginale — è una riduzione enorme, ottenuta non con un nuovo farmaco o una nuova procedura chirurgica, ma con un algoritmo che legge meglio i dati già disponibili.
I limiti: la scatola nera e la questione etica
Sarebbe disonesto chiudere questa panoramica senza affrontare le criticità, che esistono e sono serie.
Il primo problema riguarda la natura stessa dei modelli più avanzati di deep learning: operano come “black box”. Il sistema produce una valutazione diagnostica, ma spesso non è in grado di spiegare in termini comprensibili per un medico come è arrivato a quella conclusione. In un contesto clinico, dove ogni decisione deve essere giustificabile e dove la responsabilità professionale è in gioco, questo è un limite non banale.
Il secondo problema riguarda i dataset di addestramento. Un algoritmo addestrato prevalentemente su pazienti di una certa etnia, fascia d’età o area geografica potrebbe non essere ugualmente accurato su popolazioni diverse. La ricerca in corso sta cercando di costruire dataset più ampi e rappresentativi, ma il problema dei bias nei modelli AI non è ancora risolto.
Il terzo problema, che le prime linee guida italiane sull’uso dell’AI in cardiologia evidenziano con chiarezza, riguarda la regolamentazione. Chi è responsabile di una diagnosi errata prodotta da un algoritmo? Come si valida un sistema AI per l’uso clinico? Come si garantisce che continui a funzionare correttamente man mano che le popolazioni cambiano e i pattern di malattia evolvono? Sono domande aperte, che richiedono risposte normative ancora in costruzione in Italia e in Europa.
La tecnologia è pronta. I dati sono incoraggianti. Il passo tra la ricerca e l’adozione sistematica nella pratica clinica quotidiana — in ogni ospedale, in ogni ambulatorio — richiede ancora lavoro. Ma la direzione è chiara.
Fonti:
NEJM AI — Studio sull’integrazione AI-ECG e anamnesi per riduzione falsi positivi
