Ogni anno in Italia 60.000 persone vengono colpite da arresto cardiaco improvviso. Solo l’8% sopravvive se l’evento si verifica fuori da un ambiente ospedaliero. Questi numeri rappresentano una delle sfide più complesse della medicina d’urgenza, perché l’arresto cardiaco spesso arriva senza preavviso — o almeno così abbiamo sempre pensato.

Ma se esistessero segnali premonitori rilevabili settimane prima? Pattern nascosti nei parametri biometrici che un dispositivo indossabile potrebbe intercettare prima che il cuore si fermi? È questa la domanda a cui cerca di rispondere TIME-CARE, progetto di ricerca italiano coordinato dall’IRCCS Ospedale San Raffaele di Milano in collaborazione con il Politecnico di Milano. L’obiettivo non è “prevedere con certezza matematica” un arresto cardiaco — impresa ancora lontana dalla portata scientifica — ma capire se l’analisi continua di dati raccolti da smartwatch e sensori domestici possa identificare soggetti a rischio elevato prima che il danno diventi irreversibile.

Cos’è TIME-CARE e come funziona

TIME-CARE si inserisce nel filone della medicina predittiva basata su intelligenza artificiale. A differenza del monitoraggio cardiaco tradizionale, che rileva aritmie in tempo reale o valuta fattori di rischio attraverso visite periodiche, questo approccio punta al rilevamento precoce di pattern di deterioramento che si manifestano gradualmente nelle settimane precedenti l’evento acuto.

Il sistema si basa su tre pilastri tecnologici interconnessi. Il primo è costituito dai dispositivi indossabili — principalmente smartwatch — che raccolgono in modo continuo parametri vitali: frequenza cardiaca, variabilità della frequenza cardiaca, saturazione di ossigeno nel sangue (SpO2), pressione arteriosa se il dispositivo lo supporta, e attività elettrica cardiaca per i modelli dotati di funzione ECG. Questi dati vengono registrati 24 ore su 24, creando un profilo dinamico molto più dettagliato di quello ottenibile con controlli medici sporadici.

Il secondo pilastro è rappresentato da sensori ambientali installati nell’abitazione del soggetto monitorato. Questi includono sistemi di visione artificiale basati su telecamere che, attraverso algoritmi di computer vision, possono rilevare automaticamente situazioni di emergenza domestica — una persona che cade improvvisamente, movimenti anomali, immobilità prolungata in posizioni sospette. Un aspetto cruciale, considerando che circa la metà degli arresti cardiaci avviene in casa, spesso senza testimoni presenti.

Il terzo pilastro è l’infrastruttura di elaborazione dati. Le informazioni raccolte vengono analizzate da algoritmi di machine learning addestrati a riconoscere deviazioni rispetto al profilo normale del singolo paziente. L’intelligenza artificiale cerca correlazioni non evidenti a occhio umano: un progressivo aumento della frequenza cardiaca a riposo combinato con una riduzione della variabilità cardiaca, pattern respiratori alterati durante il sonno, variazioni nell’attività fisica quotidiana, modifiche nel tempo di recupero dopo sforzo. La chiave è l’analisi longitudinale: non conta tanto il valore assoluto di un parametro, ma la sua evoluzione nel tempo.

Gli algoritmi che cercano i segnali invisibili

La sfida tecnica di TIME-CARE risiede nella capacità di distinguere fluttuazioni fisiologiche normali da pattern patologici precoci. I parametri cardiaci variano costantemente in risposta a stress, attività fisica, sonno, stati emotivi, alimentazione. Un algoritmo predittivo deve filtrare questo “rumore di fondo” per isolare segnali clinicamente significativi.

Gli approcci di machine learning utilizzati nel progetto si basano su reti neurali ricorrenti e modelli di deep learning capaci di apprendere sequenze temporali complesse. Il sistema viene addestrato su dataset che includono sia soggetti sani sia pazienti con storia clinica di eventi cardiovascolari. L’obiettivo è identificare “fingerprint” di rischio — combinazioni multidimensionali di anomalie che precedono sistematicamente un arresto cardiaco.

Un esempio ipotetico di pattern rilevabile: un paziente mostra nelle tre settimane precedenti un graduale incremento della frequenza cardiaca notturna (da 55 a 68 battiti al minuto), una riduzione del 30% della variabilità cardiaca, episodi ricorrenti di desaturazione durante il sonno, e una diminuzione dell’attività fisica quotidiana. Isolatamente, ciascun parametro potrebbe non destare allarme; combinati, potrebbero indicare un progressivo scompenso cardiaco silente.

A che punto è la ricerca

TIME-CARE si trova attualmente in fase pilota. Il progetto coinvolge circa un centinaio di volontari, un numero coerente con una prima fase di validazione tecnologica. Parliamo di pazienti ad alto rischio cardiovascolare, spesso con storia pregressa di infarto, insufficienza cardiaca, o portatori di defibrillatore impiantabile, che vengono monitorati per mesi attraverso dispositivi indossabili e sensori domestici.

L’obiettivo di questa fase è duplice: da un lato verificare l’affidabilità dei sistemi di raccolta dati (stabilità del segnale, continuità del monitoraggio, problemi di privacy), dall’altro raccogliere dati sufficienti per addestrare e validare gli algoritmi predittivi. Nei prossimi anni, grazie anche a collaborazioni internazionali già in cantiere, il campione dovrebbe ampliarsi significativamente. Solo con migliaia di soggetti monitorati si potrà raggiungere l’affidabilità statistica necessaria per un’eventuale applicazione clinica.

Un elemento critico della ricerca riguarda i falsi positivi — allarmi che indicano un rischio elevato in assenza di evento reale. In ambito medico predittivo, un tasso elevato di falsi positivi è inaccettabile: genera ansia nei pazienti, sovraccarica i sistemi sanitari con visite ed esami non necessari, erode la fiducia nella tecnologia. Trovare il bilanciamento ottimale tra sensibilità (capacità di rilevare i casi a rischio) e specificità (capacità di escludere i falsi allarmi) rappresenta uno dei nodi centrali del progetto.

Quali smartwatch potrebbero essere utilizzati

TIME-CARE non è legato a un dispositivo specifico. La filosofia del progetto è di utilizzare tecnologie commerciali già diffuse, per garantire scalabilità e accessibilità. Questo significa che potenzialmente qualunque smartwatch dotato di sensori cardiaci avanzati potrebbe integrarsi nel sistema.

I requisiti minimi includono: monitoraggio continuo della frequenza cardiaca con precisione clinica, sensore di ossigenazione del sangue (SpO2), accelerometro per rilevare attività fisica e pattern di movimento, autonomia sufficiente per registrazioni prolungate senza necessità di ricarica frequente. Funzioni opzionali ma desiderabili sono l’elettrocardiogramma a singola derivazione (ECG), disponibile su modelli come Apple Watch Series 9/10, Samsung Galaxy Watch 6/7, Withings ScanWatch, e la misurazione della pressione arteriosa, presente su pochi dispositivi come Samsung Galaxy Watch 5 Pro e Omron HeartGuide.

La standardizzazione dei dati è una sfida tecnica significativa. Dispositivi diversi utilizzano sensori con accuratezza variabile, algoritmi proprietari di elaborazione del segnale, formati di esportazione dati non sempre compatibili. TIME-CARE deve garantire che l’algoritmo predittivo funzioni indipendentemente dal dispositivo indossato, compensando le variabilità hardware e software tra produttori.

Non solo smartwatch: i sensori domestici

L’aspetto più innovativo di TIME-CARE riguarda l’integrazione con sistemi di monitoraggio ambientale. L’arresto cardiaco non avviene sempre in modo fulmineo; in alcuni casi è preceduto da malessere, difficoltà respiratorie, perdita di equilibrio. Rilevare questi segni precoci può fare la differenza tra vita e morte.

I sistemi di visione artificiale utilizzati nel progetto analizzano video in tempo reale per identificare situazioni anomale. Gli algoritmi di computer vision riconoscono pose umane, rilevano cadute, valutano la mobilità della persona, possono anche stimare la frequenza respiratoria analizzando i movimenti del torace. Queste tecnologie sollevano comprensibilmente preoccupazioni sulla privacy — aspetto che il progetto affronta con protocolli rigorosi.

Le telecamere utilizzate per il monitoraggio non trasmettono video grezzi ma solo metadati: coordinate spaziali di punti chiave del corpo (rilevamento scheletrico), indicatori di movimento, pattern respiratori. Il sistema non “vede” il volto o dettagli identificativi dell’ambiente, ma solo rappresentazioni astratte del movimento. I dati vengono elaborati localmente sul dispositivo, non inviati al cloud, e cancellati dopo l’analisi. Se l’algoritmo rileva un’emergenza, solo allora viene generato un allarme che può attivare una chiamata ai soccorsi o ai familiari designati.

Altri sensori ambientali includono: rilevatori di caduta (accelerometri installati in punti strategici dell’abitazione), sensori di movimento che traccia

no pattern di mobilità quotidiana (alzarsi dal letto, utilizzare il bagno, spostarsi tra stanze), sensori di presenza che rilevano immobilità prolungata in una stanza. L’insieme di questi dati crea un quadro comportamentale che può rivelare alterazioni significative.

Il contesto: perché servono tecnologie predittive

L’arresto cardiaco extra-ospedaliero rappresenta una delle principali cause di mortalità in Italia, con circa 60.000 casi all’anno — in media 164 persone al giorno. Nell’Area Metropolitana di Milano, 8 persone vengono colpite quotidianamente. Le percentuali di sopravvivenza restano drammaticamente basse: solo l’8% circa sopravvive fino al ricovero ospedaliero.

La sopravvivenza dipende in modo cruciale dalla rapidità dell’intervento. Per ogni minuto che passa senza rianimazione cardiopolmonare o defibrillazione, le probabilità di sopravvivenza diminuiscono del 10%. Dopo 10 minuti senza intervento, le possibilità di recupero sono quasi nulle. Il problema è che il 50-75% degli arresti cardiaci extraospedalieri si verifica quando la persona è sola, senza testimoni che possano intervenire immediatamente.

I metodi di prevenzione tradizionali si basano su fattori di rischio noti: storia familiare di cardiopatie, età, ipertensione, diabete, colesterolo elevato, fumo, obesità. Ma questi indicatori identificano ampie popolazioni a rischio generico senza precisione individuale. Non rispondono alla domanda critica: “Questo paziente specifico è a rischio nelle prossime settimane?”. TIME-CARE punta a colmare proprio questo gap predittivo.

Ostacoli tecnologici e questioni etiche

La strada verso l’implementazione clinica di sistemi predittivi come TIME-CARE è costellata di ostacoli. Sul fronte tecnico, la qualità dei dati raccolti da dispositivi consumer resta variabile. Gli smartwatch commerciali non sono dispositivi medici certificati, e l’accuratezza dei sensori può essere influenzata da fattori come la calibrazione, il corretto posizionamento, il tono della pelle, movimenti del polso, tatuaggi che interferiscono con i sensori ottici.

La continuità del monitoraggio è un’altra sfida. Gli utenti devono indossare lo smartwatch costantemente, anche durante il sonno e l’attività fisica intensa, ricaricandolo senza creare gap nel flusso dati. Studi sugli smartwatch sanitari mostrano che l’aderenza all’utilizzo tende a diminuire nel tempo — dopo il primo mese di entusiasmo, molti utenti diventano meno costanti. Per un sistema predittivo, un giorno di dati mancanti potrebbe significare perdere segnali critici.

Le questioni etiche e di privacy sono altrettanto complesse. Il monitoraggio continuo genera dati biometrici estremamente sensibili. Chi ha accesso a queste informazioni? Come vengono archiviate? Cosa succede se un algoritmo predice un rischio elevato ma l’evento non si verifica? Il paziente viene inutilmente spaventato? E viceversa, se l’algoritmo manca un caso reale (falso negativo), chi è responsabile?

Il consenso informato diventa cruciale. I partecipanti a TIME-CARE devono comprendere esattamente cosa comporta essere monitorati 24/7, quali dati vengono raccolti, come vengono utilizzati, con quali limitazioni. Devono anche essere consapevoli che si tratta di ricerca sperimentale, non di uno strumento clinico validato. Un allarme positivo non è una diagnosi, e l’assenza di allarmi non garantisce l’immunità da eventi cardiaci.

Dal laboratorio alla pratica clinica: la strada è lunga

Anche se TIME-CARE dimostrerà nei prossimi anni capacità predittive statisticamente significative, il percorso verso l’adozione clinica sarà lungo. Un sistema di questo tipo dovrebbe superare trial clinici rigorosi, ottenere certificazioni come dispositivo medico, dimostrare non solo efficacia tecnica ma anche miglioramento degli esiti clinici reali: riduzione della mortalità, miglioramento della qualità della vita, costo-efficacia per il sistema sanitario.

L’integrazione con i sistemi di emergenza sanitaria è un altro elemento fondamentale. Se lo smartwatch rileva segnali premonitori, cosa succede dopo? Il paziente viene indirizzato a una visita cardiologica urgente? Vengono modificate le terapie farmacologiche? Viene attivato un protocollo di monitoraggio intensivo? E in caso di emergenza domestica rilevata dai sensori ambientali, come si coordina l’intervento con il 112/118? Serve un’infrastruttura dedicata, protocolli condivisi, formazione del personale sanitario.

Il San Raffaele, che coordina TIME-CARE, è un centro di eccellenza riconosciuto da Regione Lombardia come Centro di Riferimento di 3° livello per la gestione dello shock cardiogeno e dell’arresto cardiaco refrattario. Dal 2013 ha trattato oltre 400 pazienti con ECMO (ossigenazione extracorporea a membrana), diventando il centro con la maggior esperienza in Italia. Questa expertise clinica combinata con le competenze ingegneristiche del Politecnico di Milano crea una sinergia ideale per affrontare la complessità del progetto.

Il valore della ricerca predittiva

Anche se TIME-CARE non dovesse raggiungere l’obiettivo finale di predire arresti cardiaci con precisione clinicamente utile, il progetto genera comunque valore scientifico. Sta esplorando i limiti e le possibilità dei dispositivi indossabili nel monitoraggio cardiaco continuo, sviluppando algoritmi di analisi dei segnali biometrici che potrebbero trovare applicazioni in altre patologie, costruendo dataset longitudinali preziosi per la ricerca cardiovascolare.

La medicina predittiva basata su intelligenza artificiale rappresenta una frontiera inevitabile. La disponibilità crescente di dati biometrici continuativi, l’aumento della potenza computazionale, i progressi negli algoritmi di apprendimento automatico stanno aprendo possibilità impensabili fino a pochi anni fa. L’arresto cardiaco è uno dei casi d’uso più sfidanti ma anche più impattanti: se riuscissimo a identificare anche solo il 20% dei casi a rischio elevato nelle settimane precedenti, parlando di migliaia di vite salvate ogni anno.

Per ora, TIME-CARE resta un progetto di ricerca avanzata, non una soluzione clinica pronta per l’adozione. I risultati preliminari non sono ancora pubblici, e serviranno anni prima di valutare l’effettiva capacità predittiva del sistema. Ma la direzione è tracciata, e l’integrazione tra tecnologie indossabili, intelligenza artificiale e competenza clinica potrebbe davvero cambiare il modo in cui affrontiamo una delle emergenze mediche più letali.

Fonti:

• Telefonino.net — articolo progetto TIME-CARE (27 gennaio 2026)
• Prevenzione e Salute — dettagli tecnici collaborazione San Raffaele-Politecnico (15 ottobre 2025)
• IRCCS Ospedale San Raffaele — Cardiac Arrest Center e statistiche arresto cardiaco Italia
• IRCCS Ospedale San Raffaele — dati arresto cardiaco extraospedaliero e sopravvivenza
• ANSA — statistiche Europa e Italia