SEGUI QUANDO SI PIANTA SU
Ascolta l’articolo
Smartwatch possono segnalare il peggioramento dell’insufficienza cardiaca
I dispositivi indossabili offrono ora un monitoraggio continuo per l’insufficienza cardiaca. Nuove prove scientifiche confermano che gli smartwatch possono segnalare il peggioramento dell’insufficienza cardiaca con giorni di anticipo rispetto ai sintomi clinici. L’analisi di 217 pazienti dimostra come l’intelligenza artificiale elabori i dati fisiologici per prevedere eventi sanitari critici.
Indice
Uno studio osservazionale su 217 pazienti con insufficienza cardiaca ha testato la capacità degli smartwatch di prevedere eventi sanitari. Il modello TRUE-HF analizza 30 giorni di dati per stimare il consumo di ossigeno (pVO2) con una correlazione di 0,85 rispetto ai test clinici.
Un calo del 10% nel pVO2 giornaliero prevede eventi non pianificati con 7,4 giorni di anticipo e un rapporto di rischio di 3,62. Una convalida esterna su 193 pazienti con dispositivi Fitbit ha confermato un rapporto di rischio di 1,32 con 21 giorni di anticipo. I risultati suggeriscono che il monitoraggio continuo supera i test statici tradizionali nella stratificazione del rischio.
Il limite dei test clinici statici
L’insufficienza cardiaca colpisce 64,3 milioni di persone nel mondo e genera costi annuali di 346 miliardi di dollari. La sopravvivenza mediana si attesta a 3,2 anni per le donne e 1,7 anni per gli uomini. I medici utilizzano tradizionalmente il test cardiopolmonare (CPET) per stimare la prognosi a un anno.
Il CPET richiede visite in clinica e risulta poco pratico per un monitoraggio frequente. Anche il test del cammino di 6 minuti (6MWT) presenta limiti di accuratezza se non supervisionato. La classificazione NYHA dipende spesso dalla soggettività del paziente. Questi strumenti statici non catturano le fluttuazioni giornaliere dello stato clinico.
Lo studio TRUE-HF e i partecipanti
Il protocollo TRUE-HF ha arruolato 217 pazienti con insufficienza cardiaca tra dicembre 2019 e aprile 2024. I ricercatori hanno fornito Apple Watch Series 6 o consentito l’uso di dispositivi compatibili esistenti. Il periodo di osservazione mediano è stato di 94,5 giorni in condizioni di vita libera.
Dei 217 pazienti iniziali, 191 hanno completato lo studio e 187 hanno eseguito un CPET finale. Durante il percorso, 25 soggetti hanno mostrato una diminuzione del consumo di ossigeno (pVO2) e 32 hanno avuto eventi sanitari non pianificati. I cardiologi hanno confermato che 19 eventi su 32 erano direttamente correlati all’insufficienza cardiaca.
Il modello di intelligenza artificiale
Il team ha sviluppato un framework di trasformazione autoregressivo chiamato modello TRUE-HF. L’algoritmo elabora 30 giorni di dati indossabili aggregati in finestre temporali progressive. Il sistema combina i dati dei sensori con informazioni cliniche specifiche del paziente per generare previsioni quotidiane.
I ricercatori hanno definito clinicamente significativo un calo del pVO2 superiore o uguale al 10%. La letteratura indica che una diminuzione di questa entità associa un aumento del rischio di ospedalizzazione. Il modello considera positivo al test qualsiasi previsione di calo superiore a questa soglia.
Prestazioni rispetto all’algoritmo Apple
Il modello TRUE-HF ha raggiunto una correlazione di Pearson di 0,85 con le misurazioni CPET gold-standard. L’errore assoluto medio si è attestato a 0,25 litri al minuto nel set di test di 50 pazienti. L’algoritmo standard di Apple Watch ha prodotto meno previsioni a causa dei requisiti minimi di attività fisica.
L’accuratezza diagnostica del modello TRUE-HF nel rilevare cali significativi ha ottenuto un’area sotto la curva (AUROC) di 0,82. L’algoritmo di Apple ha raggiunto solo un AUROC di 0,52. La differenza statistica risulta significativa con un valore P inferiore a 0,01 nel test di Delong.
Previsione degli eventi sanitari non pianificati
Un calo del 10% nel pVO2 giornaliero derivato dallo smartwatch ha associato un rapporto di rischio (HR) di 3,62 per eventi sanitari non pianificati. L’intervallo di confidenza al 95% varia da 1,37 a 9,55 con un valore P inferiore a 0,01. Gli eventi si sono verificati a una mediana di 7,4 giorni dopo il primo calo rilevato.
La sensibilità del modello TRUE-HF nel prevedere questi eventi è stata dell’88% con una specificità del 62%. Le metriche cliniche statiche come il NT-proBNP o la classe NYHA non hanno raggiunto significatività statistica comparabile. Il monitoraggio continuo ha superato le misurazioni effettuate al basale nello studio.
Convalida esterna con la coorte All of Us
I ricercatori hanno testato una variante a sensori ridotti del modello, chiamata TRUE-HF-RS, su 193 pazienti del programma NIH All of Us. Questa coorte ha utilizzato dispositivi Fitbit con dati limitati a frequenza cardiaca e conteggio passi. Il periodo di osservazione mediano è stato di 120 giorni.
Ogni calo del 10% del pVO2 giornaliero ha associato un rapporto di rischio di 1,32 nella coorte esterna. L’intervallo di confidenza al 95% varia da 1,03 a 1,69 con un valore P di 0,03. Gli eventi si sono verificati a una mediana di 21 giorni dopo il calo rilevato, confermando la validità del metodo anche con sensori diversi.
Analisi delle caratteristiche e limitazioni
L’analisi di salienza ha identificato il tempo di esercizio, il conteggio dei passi e la saturazione di ossigeno come dati chiave. L’esclusione delle sessioni di esercizio strutturato dai dati non ha alterato le prestazioni predittive del modello. Le prestazioni sono rimaste comparabili tra partecipanti bianchi e non bianchi.
La coorte TRUE-HF ha limitato le analisi di sottogruppo a causa del basso numero di eventi specifici. Solo sei pazienti con frazione di eiezione conservata erano presenti nel set di test. Studi futuri con campioni più ampi dovranno valutare appieno il valore prognostico indipendente del calo di pVO2.
Implicazioni per il monitoraggio cardiaco remoto
I dati indicano che gli smartwatch possono segnalare il peggioramento dell’insufficienza cardiaca permettendo un passaggio da valutazioni statiche a dinamiche. Il modello TRUE-HF funge da segnale di allarme precoce identificando pazienti a rischio prima della comparsa dei sintomi clinici. L’identificazione tempestiva consente visite cliniche accelerate e interventi proattivi.
La dipendenza da soglie di esercizio specifiche pone barriere per i pazienti più gravi che faticano a raggiungerle. L’uso di tendenze a lungo termine su finestre di 30 giorni produce misurazioni coerenti per tutti i livelli di gravità. L’integrazione di dati indossabili e clinici offre la capacità predittiva più forte rispetto all’uso delle singole fonti.
Fonte: