The Technological Renaissance in Preventive Cardiology – Artificial Intelligence, Quantitative Coronary Tomography
Introduzione
Cardiovascular medicine is undergoing a substantive paradigm shift, moving from a predominantly reactive, symptom-driven model toward a preventive framework grounded in early detection and individualized risk assessment. At the center of this transition is the integration of artificial intelligence (AI) with coronary tomografia computerizzata angiography (CCTA), particularly through the development of aterosclerosi imaging–quantitative computed tomography (AI-QCT). This approach addresses a long-standing limitation in cardiology: the inability of traditional diagnostic tools to reliably detect non-obstructive, lipid-rich coronary placca, despite such lesioni being responsible for the majority of sindromi coronariche acute e morte cardiaca improvvisa events (1).
The clinical relevance of this limitation is substantial. Epidemiologic and pathologic studies consistently demonstrate that most infarti miocardici arise from plaques that were not flow-limiting prior to rupture (2). As malattia cardiovascolare remains the leading cause of mortality worldwide, with annual deaths projected to exceed 20 million by 2030, improved methods for identifying high-risk coronary atherosclerosis before clinical events occur are increasingly necessary (3).
Evoluzione della stratificazione del rischio cardiaco e della biologia dell'aterosclerosi
Traditional cardiovascular risk stratification relies on indirect markers such as serum lipid levels, pressione sanguigna, controllo glicemico, fumo status, and demographic variables incorporated into population-based calcolatori di rischio. While these models have proven useful at a population level, they often lack precision when applied to individual patients, particularly those with apparently “normal” fattore di rischio profiles who nonetheless harbor significant subclinical disease (4).
Atherosclerosis is a chronic inflammatory disease of the arterial wall rather than a disorder defined solely by luminal obstruction. Plaque develops within the intima and consists of varying proportions of lipid, fibrous tissue, inflammatory cells, and calcium. Conventional diagnostic tests—including exercise stress testing, electrocardiography, and invasive coronary angiography—primarily detect disease once it produces hemodynamically significant stenosis, typically defined as luminal narrowing of 70% or greater (5).
Intuizione 1: Autopsy and angiographic studies demonstrate that approximately 70–75% of myocardial infarctions occur in vessels with less than 50% stenosi prior to the index event, indicating that most patients who experience acute coronary syndromes would not have been identified as high risk by standard stress testing alone (2).
Approfondimento 2: Coronarica arteria calcium scoring (CACS) was developed to improve detection of subclinical disease by identifying placca calcifica. However, CACS does not detect placca non calcificata, and a punteggio di calcio of zero does not exclude the presence of lipid-rich, rupture-prone lesions (6).
Approfondimento 3: AI-QCT enables non-invasive quantification of total coronary carico di placca, including low-density non-calcified plaque, which has been shown to carry a higher association with future cardiovascular events than stenosis severity alone (7).
| Caratteristica della placca | Visibilità (CACS) | Visibilità (CCTA standard) | Visibilità (AI-QCT) | Profilo di rischio clinico |
| Placca calcifica | Alto | Alto | Alto | Generalmente stabile; indicatore di malattia cronica |
| Placca non calcifica | Nessuna | Qualitativo / limitato | Quantitativo / alto | Rischio di rottura elevato |
| Placca a bassa densità | Nessuna | Variabile | Alto | Forte associazione con l'ACS |
| Totale volume della placca | Nessuna | Stima indiretta | Preciso (mm³) | Forte predittore di eventi futuri |
Architettura tecnica dell'analisi coronarica basata sull'intelligenza artificiale
Le piattaforme AI-QCT eseguono un'analisi a livello di voxel dell'albero coronarico anziché affidarsi alla sola interpretazione visiva. Questi sistemi impiegano architetture di deep learning, tra cui reti neurali convoluzionali (CNN), modelli di segmentazione U-Net tridimensionali e classificatori derivati da VGG, addestrati su ampi set di dati curati che collegano le caratteristiche di imaging con la validazione invasiva e gli esiti clinici a lungo termine (8).
Approfondimento 4: AI-QCT begins with acquisition of high-resolution CCTA. Contemporary multi-detector CT systems, including 64- and 640-slice scanners, provide the temporal and risoluzione spaziale necessary to minimize motion artifact and enable accurate segmentation of coronary anatomy (5).
Approfondimento 5: Automated algorithms identify the coronary lumen and vessel wall and classify plaque components according to Hounsfield unit attenuation values, allowing differentiation of lipid-rich, fibrous, and calcified tissue (9).
Intuizione 6: AI-derived ischemia indices integrate plaque morphology, lesion length, vessel remodeling, and luminal geometry to estimate flow limitation, providing a non-invasive correlate of invasive riserva di flusso frazionale (FFR) (10).
Validazione Clinica e Prove Revisionate da Paritetici
AI-QCT è stata valutata in molteplici studi prospettici, registri e studi comparativi pubblicati su autorevoli riviste cardiovascolari e di imaging, tra cui Journal of the American College of Cardiology, Circulation: Cardiovascular Imaging, e European Heart Journal – Cardiovascular Imaging (11).
Studi storici e registri
Intuizione 7: Il CREDENCE trial demonstrated close agreement between AI-assisted CCTA analysis and invasive angiografia coronarica quantitativa and FFR, supporting the diagnostic accuracy of AI-QCT for identifying hemodynamically significant disease (12).
Intuizione 8: Il CONFIRM2 registry, encompassing tens of thousands of patients across multiple countries, showed that AI-quantified plaque features identify a wide gradient of cardiovascular risk among patients with non-obstructive malattia coronarica (7).
Intuizione 9: Il CERTAIN study demonstrated that AI-QCT significantly improved diagnostic certainty compared with standard interpretation, resulting in more appropriate medical therapy and fewer unnecessary downstream tests (1).
| Studio | N | Risultato chiave | Valore p | Implicazione clinica |
| CONFERMA2 | 6,550 | L'AUC per i MACE è migliorata da 0,62 a 0,75 | <0,001 | Accuratezza prognostica migliorata |
| Credenza | 513 | Elevata concordanza con la FFR invasiva | <0,01 | Valutazione non invasiva praticabile dell'ischemia |
| PACIFIC-1 | 208 | L'intelligenza artificiale ha superato i lettori esperti | <0,05 | Ridotta variabilità inter-osservatore |
| PROMISE (sottoinsieme) | 4,347 | Riconnessione delle stenosi 41% | — | Falsi positivi ridotti |
Attuazione della Cardiologia Preventiva e Monitoraggio Longitudinale della Malattia
L'integrazione dell'AI-QCT nei flussi di lavoro della cardiologia preventiva sposta l'attenzione clinica dalla valutazione episodica al monitoraggio longitudinale della malattia aterosclerotica.
Approfondimento 10: La quantificazione del carico di placca totale consente una valutazione obiettiva della progressione o regressione della malattia nel tempo, facilitando un approccio treat-to-target guidato da imaging seriale (7).
Intuizione 11: AI-based comparison tools permit evaluation of changes in plaque composition, including stabilization or regression of placca ricca di lipidi in response to medical therapy (13).
Progressi hardware: Tomografia computerizzata a conteggio di fotoni
Le prestazioni di AI-QCT dipendono dalla qualità dei dati di imaging in ingresso, che continua a migliorare con i progressi dell'hardware TC.
Intuizione 12: Photon-counting CT (PCCT) systems directly convert X-ray photons into electrical signals, reducing electronic noise and calcium blooming artifacts compared with conventional energy-integrating detectors (14).
Approfondimento 13: PCCT provides higher spatial resolution with lower radiation and contrast dose, expanding eligibility for coronary CT imaging to patients with high frequenze cardiache, elevated indice di massa corporea, or extensive coronary calcificazione (15).
Implicazioni economiche e per il sistema sanitario
L'adozione dell'imaging cardiaco basato sull'IA si allinea alle più ampie tendenze sanitarie verso l'assistenza basata sul valore e la prevenzione.
Intuizione 14: Le analisi di mercato prevedono una rapida crescita delle applicazioni dell'IA in cardiologia, guidata da una maggiore efficienza diagnostica e da potenziali riduzioni dei costi successivi associati agli eventi coronarici acuti (16).
Approfondimento 15: Early identification of high-risk fenotipi di placca may reduce myocardial infarction rates and associated healthcare expenditures by enabling earlier and more targeted intervention (17).
Conclusioni e sviluppi futuri
La cardiologia preventiva si sta orientando sempre più verso un modello basato sulla biologia, che enfatizza il carico e la composizione della placca piuttosto che la sola gravità della stenosi. L'AI-QCT fornisce un quadro quantitativo e riproducibile per la valutazione dell'aterosclerosi coronarica prima che si verifichino eventi clinici.
Intuizione 16: I futuri sviluppi includono probabilmente l'integrazione di sistemi di intelligenza artificiale di tipo agentico, modelli cardiaci digitali longitudinali e flussi di dati multimodali che incorporano informazioni genomiche e metaboliche (18).
Intuizione 17: Mentre l'IA assume un ruolo maggiore nell'interpretazione e nella quantificazione delle immagini, i clinici potrebbero concentrarsi sempre più sul processo decisionale clinico di livello superiore, sulla comunicazione del rischio e sull'ottimizzazione della terapia personalizzata (19).
Riferimenti
- Nurmohamed NS, Cole JH, Budoff MJ, et al. Impact of atherosclerosis imaging-quantitative computed tomography on diagnostic certainty, downstream testing, coronary revascularization, and medical therapy: the CERTAIN study. Eur Heart J Cardiovasc Imaging. 2024;25(6):857-866. doi:10.1093/ehjci/jeae029
- Falk E, Shah PK, Fuster V. Coronary plaque disruption. Circulation. 1995;92(3):657-671. doi:10.1161/01.cir.92.3.657
- Global Burden of Cardiovascular Diseases and Risks 2023 Collaborators. Global, Regional, and National Burden of Cardiovascular Diseases and Risk Factors in 204 Countries and Territories, 1990-2023. J Am Coll Cardiol. 2025;86(22):2167-2243. doi:10.1016/j.jacc.2025.08.015
- Lloyd-Jones DM. Cardiovascular risk prediction: basic concepts, current status, and future directions. Circulation. 2010;121(15):1768-1777. doi:10.1161/CIRCULATIONAHA.109.849166
- Douglas PS, Hoffmann U, Patel MR, et al. Outcomes of anatomical versus functional testing for coronary artery disease. N Engl J Med. 2015;372(14):1291-1300. doi:10.1056/NEJMoa1415516
- Greenland P, Blaha MJ, Budoff MJ, Erbel R, Watson KE. Coronary Calcium Score and Cardiovascular Risk. J Am Coll Cardiol. 2018;72(4):434-447. doi:10.1016/j.jacc.2018.05.027
- Feuchtner GM, Lacaita PG, Bax JJ, et al. AI-Quantitative CT Coronary Plaque Features Associate With a Higher Relative Risk in Women: CONFIRM2 Registry. Circ Cardiovasc Imaging. 2025;18(6):e018235. doi:10.1161/CIRCIMAGING.125.018235
- Oikonomou EK, Khera R. Machine learning in precision diabetes care and cardiovascular risk prediction. Cardiovasc Diabetol. 2023;22(1):259. Published 2023 Sep 25. doi:10.1186/s12933-023-01985-3
- Koo BK, Yang S, Jung JW, et al. Artificial Intelligence-Enabled Quantitative Coronary Plaque and Hemodynamic Analysis for Predicting Acute Coronary Syndrome. JACC Cardiovasc Imaging. 2024;17(9):1062-1076. doi:10.1016/j.jcmg.2024.03.015
- Nørgaard BL, Leipsic J, Gaur S, et al. Diagnostic performance of noninvasive fractional flow reserve derived from coronary computed tomography angiography in suspected coronary artery disease: the NXT trial (Analysis of Coronary Blood Flow Using CT Angiography: Next Steps). J Am Coll Cardiol. 2014;63(12):1145-1155. doi:10.1016/j.jacc.2013.11.043
- Beerkens FJ, Tang GHL, Kini AS, et al. Transcatheter Aortic Valve Replacement Beyond Severe Aortic Stenosis: JACC State-of-the-Art Review. J Am Coll Cardiol. 2025;85(9):944-964. doi:10.1016/j.jacc.2024.11.051
- Griffin WF, Choi AD, Riess JS, et al. AI Evaluation of Stenosis on Coronary CTA, Comparison With Quantitative Coronary Angiography and Fractional Flow Reserve: A CREDENCE Trial Substudy. JACC Cardiovasc Imaging. 2023;16(2):193-205. doi:10.1016/j.jcmg.2021.10.020
- Zaman S, Wasfy JH, Kapil V, et al. The Lancet Commission on rethinking coronary artery disease: moving from ischaemia to atheroma. Lancet. 2025;405(10486):1264-1312. doi:10.1016/S0140-6736(25)00055-8
- Willemink MJ, Persson M, Pourmorteza A, Pelc NJ, Fleischmann D. Photon-counting CT: Technical Principles and Clinical Prospects. Radiology. 2018;289(2):293-312. doi:10.1148/radiol.2018172656
- Schiebler ML, Jinzaki M, Yanagawa M, et al. Future Applications of Cardiothoracic CT. Radiology. 2025;315(3):e240085. doi:10.1148/radiol.240085
- Windecker S, Gilard M, Achenbach S, et al. Device innovation in cardiovascular medicine: a report from the European Society of Cardiology Cardiovascular Round Table. Eur Heart J. 2024;45(13):1104-1115. doi:10.1093/eurheartj/ehae069
- Undas A, Musiał J, Ząbczyk M. Antiphospholipid antibodies and atherosclerotic vascular disease: recent advances. Rheumatol Int. 2025;45(12):279. Published 2025 Nov 29. doi:10.1007/s00296-025-06050-8
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7
- Shetty NS, Gaonkar M, Pampana A, et al. Association of Pathogenic/Likely Pathogenic Inherited Cardiomyopathy Variants With Heart Failure: A TOPMed Multiancestry Analysis. Mayo Clin Proc. 2025;100(11):1948-1955. doi:10.1016/j.mayocp.2025.01.021



