Nuovo Modello di IA Rileva l'Amiloidosi Cardiaca Più Precocemente con una Sensibilità del 93%

La amiloidosi cardiaca (CA) è una causa progressiva e spesso fatale di insufficienza cardiaca, determinata dall'accumulo di depositi proteici mal ripiegati nel muscolo cardiaco. Nonostante la crescente consapevolezza della malattia, la diagnosi viene frequentemente ritardata di circa un anno rispetto al momento del sospetto clinico — in parte perché non esiste un test di screening di prima linea affidabile. Persino l'ecocardiografia, uno strumento standard di imaging cardiaco, presenta limiti di accuratezza a causa della sovrapposizione della CA con altre patologie cardiache. Questo divario diagnostico ha conseguenze concrete: prima viene individuata la CA, più tendono a essere efficaci le terapie disponibili.

I ricercatori del MedStar Health Research Institute hanno sviluppato AI-ECM, un algoritmo di intelligenza artificiale multimodale che integra dati demografici, biomarcatori di laboratorio e parametri dell'ecocardiografia transtoracica (TTE) in un unico modello diagnostico. Lo strumento si basa su Us2.Ca, un modello di deep learning con clearance FDA fondato esclusivamente su dati TTE. Aggiungendo variabili cliniche e di laboratorio, il team ha mirato a captare segnali diagnostici che l'imaging da solo non riesce a cogliere.

In uno studio di validazione interna condotto su dati di un registro multietnico, AI-ECM ha dimostrato miglioramenti significativi: la sensibilità è aumentata dal 76% al 93% e l'area sotto la curva è migliorata da 0,89 a 0,94. In modo determinante, il modello ha eliminato completamente le classificazioni indeterminate — un problema persistente con gli strumenti esistenti. Ha inoltre mostrato guadagni particolari nel rilevare la CA a catene leggere, un sottotipo storicamente più difficile da identificare.

Il compromesso è una modesta riduzione della specificità, dal 91% all'85%, che si traduce in un leggero aumento dei falsi positivi. Tuttavia, i commentatori editoriali del Brigham and Women's Hospital hanno osservato che, per uno strumento di screening progettato per ridurre le diagnosi mancate, una maggiore sensibilità rappresenta la metrica clinicamente più rilevante.

Il modello si avvale esclusivamente di dati di routine già raccolti durante la valutazione iniziale della CA, rendendolo praticamente scalabile senza richiedere ulteriori esami. È ancora necessaria una validazione prospettica su popolazioni più ampie prima dell'impiego clinico, ma i risultati rappresentano un passo significativo verso il rilevamento precoce guidato dall'intelligenza artificiale di una condizione in cui il fattore tempo è determinante.