L'IA può prevedere il rischio di ospedalizzazione per insufficienza cardiaca utilizzando dati ECG generati dal paziente tramite smartwatch ?

I dispositivi smartwatch consumer possono fornire dati ECG sufficientemente precisi da prevedere i ricoveri per insufficienza cardiaca? L'analisi in tempo reale di questi segnali indossabili potrebbe avvertire i clinici prima che le condizioni del paziente peggiorino, ma l'affidabilità di tali previsioni dipende dalla qualità delle registrazioni e dal costante coinvolgimento dell'utente.

Background

I pazienti con insufficienza cardiaca spesso presentano aritmie premonitrici giorni prima della scompenso, creando una potenziale finestra per un intervento precoce. Gli smartwatch di consumo possono catturare tracciati ECG a singola derivazione, e diversi studi hanno valutato se pipeline di deep learning addestrate su questi segnali possano prevedere futuri ricoveri per insufficienza cardiaca (HF). Le metriche di discriminazione riportate per i modelli prototipo si attestano intorno al 70% quando addestrati esclusivamente su dati provenienti dai dispositivi, e non hanno superato i tradizionali calcolatori di rischio che incorporano variabili cliniche e valori di laboratorio (Congresso della Società Europea di Cardiologia 2023, presentazione Late-Breaking Science “Deep learning from smartwatch ECGs to predict heart-failure hospitalization: the WATCH-HF pilot,” 12 maggio 2026). Gli sforzi di ricerca hanno esplorato architetture basate su transformer che convertono ECG raw degli smartwatch in embeddings di punteggi di rischio, ma questi approcci rimangono non validati esternamente, privi di autorizzazione regolatoria per un uso routinario, e continuano a essere limitati da diffusi problemi di qualità dei dati—artefatti da movimento, scarso contatto delle derivazioni e variabilità del tasso di campionamento tra dispositivi—che minano la coerenza delle prestazioni del modello.