Un tracciato impeccabile può avere qualcosa da nascondere. Non perché l’elettrocardiografo menta — registra l’attività elettrica del cuore e non fotografa le coronarie — ma perché, dentro la parata ordinata di onde e intervalli, potrebbero sfilare segnali troppo deboli per l’occhio umano. È questa la proposta, prudente ma senza dubbio intrigante, di uno studio pubblicato il 18 agosto su npj Digital Medicine: affidare all’intelligenza artificiale la ricerca di una firma indiretta della malattia coronarica anche negli ECG giudicati normali.
Il teatro della ricerca è ampio e molto concreto. Al Peking University People’s Hospital il dataset interno comprendeva 2.323 pazienti, con 2.595 coronaro-TC e complessivamente 4.620 ECG abbinati agli esami di imaging; altri 2.477 pazienti, provenienti da un secondo ospedale, sono serviti per la validazione esterna. I ricercatori hanno preso ECGFounder, un grande modello già addestrato sugli elettrocardiogrammi, e lo hanno specializzato mettendo in relazione i tracciati standard a 12 derivazioni con le immagini delle arterie coronarie. Non soltanto per riconoscere la possibile presenza della malattia, ma anche per tentare di indicare quale vaso principale fosse coinvolto.
Le soglie adottate evitano equivoci promozionali — l’algoritmo, qui, non va lasciato esibirsi come un indovino da fiera. Sono state considerate emodinamicamente significative stenosi pari almeno al 70% nella coronaria destra, nella discendente anteriore e nella circonflessa, e almeno al 50% nel tronco comune. A livello di paziente, il modello ha ottenuto un’AUC di 0,732 nella validazione interna e di 0,694 in quella esterna. Numeri interessanti, non trionfali: l’ECG non si trasforma d’un colpo in una coronaro-TC tascabile e non può sostituire l’imaging.
Ma vediamo il passaggio che più balza all’occhio. Tra gli ECG classificati come normali nei referti medici, l’algoritmo ha mantenuto una capacità discriminativa con un’AUC di 0,710 a livello di paziente. Che cosa significa, allora, “normale”? Significa che il tracciato non mostra anomalie riconosciute dalla lettura clinica convenzionale; non significa, e non ha mai significato, che le coronarie siano necessariamente libere da aterosclerosi o restringimenti. La distinzione è essenziale: non viene smentito il medico, viene esplorata una profondità del segnale che la pratica ordinaria non utilizza.
Che cosa starebbe osservando la macchina? Non la stenosi stessa: il lume dei vasi non compare, per magia digitale, sulla carta millimetrata. L’analisi indica piuttosto combinazioni sottili nella forma delle onde, distribuite fra più derivazioni e concentrate soprattutto attorno al complesso QRS e nelle regioni vicine legate alla ripolarizzazione. Una trama elettrica minuta, dunque, più simile a un’ombra proiettata dalla malattia che al suo ritratto anatomico.
C’è poi un gradiente che merita attenzione. Le probabilità prodotte dall’intelligenza artificiale aumentavano progressivamente passando da coronarie prive di stenosi a restringimenti più severi rilevati dalla TC. A quanto pare il modello non si limita a dividere i pazienti in due caselle, sani e malati, con la solerzia un po’ ottusa di un timbratore; sembra invece intercettare caratteristiche elettriche associate all’aumento della severità anatomica. Quando queste probabilità sono state organizzate in fasce di rischio e combinate con la probabilità pre-test prevista dalle linee guida, la classificazione è migliorata e si è ridotto il numero dei pazienti rimasti nella zona grigia.
La prospettiva pratica è facile da comprendere. L’ECG è rapido, economico, privo di radiazioni e disponibile anche dove la coronaro-TC non arriva: un algoritmo simile, se confermato, potrebbe funzionare come filtro iniziale e aiutare a scegliere chi indirizzare più rapidamente verso ulteriori accertamenti. Non una sentenza, dunque, ma un campanello; non il sostituto dell’imaging, ma forse un assistente capace di alzare la mano quando il tracciato appare fin troppo tranquillo.
Il condizionale, però, resta sovrano. Le coorti utilizzate per sviluppare e validare il modello rispetto alla coronaro-TC sono retrospettive, provengono da due centri cinesi e riguardano persone già sottoposte all’esame di imaging; serviranno validazioni prospettiche su popolazioni più numerose e diverse. In una coorte longitudinale separata di 400 persone, le fasce di rischio individuate dall’IA hanno distinto anche gruppi con differenti probabilità di eventi cardiovascolari maggiori durante il follow-up, ma neppure questo risultato consegna il modello alla pratica clinica. Per ora la lezione è più misurata e, proprio per questo, più interessante: un ECG normale non è un ECG sbagliato. È forse un foglio sul quale l’occhio umano legge il testo principale, mentre l’algoritmo comincia appena a decifrare le note in margine.
⸻
Xiao Y., Zhao Q., Tang G. et al., “Fine-tuning an ECG foundation model to predict coronary CT angiography outcomes”, npj Digital Medicine, pubblicato il 18 agosto 2026. DOI: 10.1038/s41746-026-03085-4.