I medici spesso utilizzano un esame chiamato elettrocardiogramma a 12 derivazioni (ECG) per diagnosticare problemi cardiaci, che utilizza elettrodi posizionati sul torace e sugli arti per registrare l’attività elettrica del cuore. Gli strumenti di intelligenza artificiale (IA) sono comunemente utilizzati per supportare le diagnosi basate sugli ECG. Tuttavia, gli strumenti attuali in genere richiedono grandi quantità di dati di addestramento, etichettati manualmente con la presenza o l’assenza di specifiche malattie, il che può rendere gli strumenti poco adattabili ad altri compiti clinici.
Ora, gli scienziati dello Scripps Research hanno creato un nuovo modello di intelligenza artificiale per migliorare l’individuazione e la previsione di diverse malattie cardiache, che potrebbe rivelarsi particolarmente utile in contesti con dati limitati o un numero ridotto di derivazioni ECG disponibili. Pubblicato su Lancet Digital Health il 1° settembre 2026, il nuovo strumento, chiamato ECG-CLIP, è stato addestrato utilizzando oltre 1,7 milioni di ECG raccolti da più di 540.000 persone e abbinati alle note dei medici, arricchendo lo strumento con conoscenze che potrebbero renderlo più adattabile a diverse attività di individuazione e previsione di malattie in contesti clinici reali.
“Il nostro nuovo algoritmo ha bisogno di analizzare solo una dozzina di ECG confermati di una specifica malattia per poterla individuare in futuro”, afferma l’autore senior Giorgio Quer , professore assistente di medicina digitale presso lo Scripps Research. “Questo è simile al modo in cui un medico impara: non da un milione di esempi, ma comprendendo prima la fisiologia generale alla base di un ECG e poi analizzando alcuni casi specifici.”
ECG-CLIP è un “modello di base”, ovvero un tipo di modello di intelligenza artificiale che apprende da diversi set di dati, dopodiché può essere utilizzato per svolgere molteplici compiti. Una volta completato l’addestramento di ECG-CLIP, il team di Quer si è proposto di testarne le prestazioni in tre compiti clinici, confrontandole con quelle di modelli esistenti. Questi includevano due modelli di riferimento supervisionati (un modello di deep learning standard e un modello lineare), un modello di base generico (non addestrato su ECG) e tre modelli di base addestrati su ECG.
Il primo compito che il team ha testato è stato quello di individuare le malattie cardiache. Hanno selezionato tre tipi da ricercare: infarto miocardico acuto, amiloidosi cardiaca e cardiomiopatia ipertrofica. I ricercatori hanno quindi fornito a ciascun modello un nuovo set di dati contenente oltre 800.000 ECG e hanno chiesto quali mostrassero segni delle tre malattie. Utilizzando un metodo “area sotto la curva (AUC)” – che misura quanto bene un modello distingue tra gli ECG di persone con e senza una particolare condizione – il team di Quer ha scoperto che ECG-CLIP ha costantemente ottenuto risultati migliori rispetto ai modelli standard nell’individuazione di tutte e tre le malattie.
Il team ha inoltre scoperto che, nei tre compiti di rilevamento delle malattie, ECG-CLIP ha eguagliato le prestazioni del secondo miglior modello addestrato sull’intero set di dati, utilizzando in media circa il 91% in meno di dati di addestramento etichettati manualmente.
Rispetto ai tre modelli di base ECG, addestrati su ECG ma non su note cliniche, ECG-CLIP ha ottenuto risultati migliori anche in contesti in cui la quantità di dati di addestramento etichettati era limitata (anche solo 10 esempi positivi di una determinata malattia). Le differenze di prestazioni tra ECG-CLIP e gli altri modelli sono generalmente scomparse all’aumentare del numero di esempi etichettati.
“Abbiamo scoperto che ECG-CLIP era più efficace nel rilevare e prevedere le malattie cardiovascolari, soprattutto nei casi in cui i dati disponibili erano molto più scarsi”, afferma Quer. “Questo può essere particolarmente utile in casi come le malattie rare, dove esistono solo una dozzina circa di esempi positivi di ECG ben etichettati che possono essere utilizzati per addestrare il modello.”
ECG-CLIP ha inoltre ottenuto buoni risultati utilizzando dati ECG a singola derivazione nei test di rilevamento dell’infarto miocardico acuto, il che potrebbe renderlo utile in contesti in cui le risorse sono limitate.
Il secondo compito testato consisteva nella previsione di malattie cardiache. In questo caso, i membri del laboratorio di Quer si sono concentrati sulla capacità dei modelli di prevedere la fibrillazione atriale, un tipo di aritmia cardiaca. Hanno scoperto che ECG-CLIP ha superato tutti gli altri modelli nella previsione di future fibrillazioni atriatrie a partire da ECG a 12 derivazioni che mostravano ritmi cardiaci normali.
Il compito finale consisteva nel prevedere esiti negativi per la salute. Il modello ECG-CLIP ha dimostrato le migliori prestazioni tra i modelli testati nel prevedere la probabilità di sopravvivenza a 30 giorni da una visita al pronto soccorso o da un intervento chirurgico, e la probabilità di sviluppare malattie croniche, in particolare malattie renali croniche e diabete di tipo II, entro tre anni.
Un problema comune degli strumenti di intelligenza artificiale è che può non essere chiaro quali caratteristiche specifiche dei dati il modello utilizzi per prendere decisioni. Per facilitare la visualizzazione di questo aspetto, i ricercatori hanno generato delle mappe di salienza. Queste mappe evidenziano le regioni all’interno del segnale che contribuiscono maggiormente alle previsioni del modello, offrendo ai medici una visione più chiara delle regioni dell’ECG su cui il modello si basa. Il team di Quer ha implementato le mappe di salienza per rendere l’output di ECG-CLIP più interpretabile, contribuendo così a rafforzare la fiducia dei medici e ad aumentare la probabilità di implementazione nella pratica clinica.
In futuro, il team di Quer punta ad ampliare la tipologia di dati disponibili per il modello al fine di migliorarne le prestazioni in contesti specifici, come il pronto soccorso. Il team spera inoltre di valutarne la compatibilità con diversi tipi di sistemi di registrazione ECG, come i dispositivi indossabili, dove l’integrazione potrebbe in futuro consentire il monitoraggio continuo e remoto delle malattie cardiache.
“Sebbene questi risultati dimostrino un potenziale considerevole, sarà necessaria una rigorosa validazione in studi clinici prospettici per stabilire l’applicabilità di ECG-CLIP in contesti clinici reali”, afferma Michael Ko, co-primo autore dello studio, studente laureato e assistente di ricerca presso lo Scripps Research.
Questo lavoro si aggiunge a una collezione in continua espansione di algoritmi di intelligenza artificiale sviluppati dal laboratorio di Quer per lo screening e la diagnosi di patologie cardiache. Tra questi, un algoritmo sviluppato nel 2024 per diagnosticare infarti e aritmie con la stessa precisione anche quando sono disponibili solo tre delle dodici derivazioni ECG; e un altro algoritmo del 2023 in grado di identificare i pazienti a maggior rischio di fibrillazione atriale a partire da un cerotto ECG indossato per due settimane.
“Personalmente, trovo entusiasmante il fatto che possiamo sviluppare algoritmi con il potenziale di aiutare concretamente medici e cardiologi”, afferma Quer.
Lancet Digital Health: “Development and external validation of a contrastive learning foundation model for ECG-based prediction of cardiovascular diseases and outcomes”. DOI: 10.1016/j.landig.2026.101092
