Il Rinascimento tecnologico nella cardiologia preventiva – Intelligenza artificiale, tomografia coronarica quantitativa
Introduzione
La medicina cardiovascolare sta attraversando un profondo cambiamento di paradigma, passando da un modello prevalentemente reattivo e incentrato sui sintomi a un approccio preventivo basato sulla diagnosi precoce e sulla valutazione personalizzata del rischio. Al centro di questa transizione vi è l’integrazione dell’intelligenza artificiale (IA) con la medicina coronarica tomografia computerizzata angiografia (CCTA), in particolare grazie allo sviluppo di aterosclerosi diagnostica per immagini – tomografia computerizzata quantitativa (AI-QCT). Questo approccio affronta una limitazione di lunga data in cardiologia: l’incapacità degli strumenti diagnostici tradizionali di rilevare in modo affidabile le lesioni coronariche non ostruttive e ricche di lipidi placca, nonostante ciò lesioni essendo responsabile della maggior parte di sindromi coronariche acute e morte cardiaca improvvisa eventi (1).
La rilevanza clinica di questa limitazione è notevole. Gli studi epidemiologici e patologici dimostrano costantemente che la maggior parte dei infarti miocardici derivano da placche che, prima della rottura, non limitavano il flusso (2). Come malattia cardiovascolare rimane la principale causa di mortalità a livello mondiale, con un numero di decessi annui che, secondo le proiezioni, supererà i 20 milioni entro il 2030; è quindi sempre più necessario disporre di metodi più efficaci per identificare l’aterosclerosi coronarica ad alto rischio prima che si verifichino eventi clinici (3).
Evoluzione della stratificazione del rischio cardiaco e della biologia dell'aterosclerosi
La stratificazione tradizionale del rischio cardiovascolare si basa su marcatori indiretti quali i livelli sierici di lipidi, pressione sanguigna, controllo glicemico, fumo variabili relative allo stato e demografiche incluse nell'analisi basata sulla popolazione calcolatori di rischio. Sebbene questi modelli si siano dimostrati utili a livello di popolazione, spesso mancano di precisione quando vengono applicati ai singoli pazienti, in particolare a quelli con valori apparentemente “normali” fattore di rischio pazienti che tuttavia presentano una significativa malattia subclinica (4).
L'aterosclerosi è una malattia infiammatoria cronica della parete arteriosa, piuttosto che una patologia definita esclusivamente dall'ostruzione del lume. La placca si forma all'interno della intima ed è costituito da proporzioni variabili di lipidi, tessuto fibroso, cellule infiammatorie e calcio. Gli esami diagnostici convenzionali — tra cui il test da sforzo, l'elettrocardiografia e l'angiografia coronarica invasiva — rilevano la malattia principalmente quando questa si manifesta stenosi emodinamicamente significativa, generalmente definita come un restringimento del lume pari o superiore a 70% (5).
Intuizione 1: Studi autoptici e angiografici dimostrano che circa il 70–75% degli infarti miocardici si verifica in vasi con un calibro inferiore al 50% stenosi prima dell'evento indice, il che indica che la maggior parte dei pazienti che manifestano sindromi coronariche acute non sarebbe stata identificata come ad alto rischio solo sulla base dei test da sforzo standard (2).
Approfondimento 2: Coronarica arteria Il calcium scoring (CACS) è stato sviluppato per migliorare l'individuazione della malattia subclinica attraverso l'identificazione di placca calcifica. Tuttavia, il CACS non rileva placca non calcificata, e un punteggio di calcio Il valore pari a zero non esclude la presenza di lesioni ricche di lipidi e soggette a rottura (6).
Approfondimento 3: AI-QCT consente la quantificazione non invasiva del totale coronarico carico di placca, tra cui placca non calcificata a bassa densità, che, come è stato dimostrato, presenta un’associazione più forte con futuri eventi cardiovascolari rispetto alla sola gravità della stenosi (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: L'AI-QCT inizia con l'acquisizione di una CCTA ad alta risoluzione. I moderni sistemi TC multidetettore, compresi gli scanner a 64 e 640 sezioni, forniscono i dati temporali e risoluzione spaziale necessario per ridurre al minimo gli artefatti da movimento e consentire una segmentazione accurata dell'anatomia coronarica (5).
Approfondimento 5: Gli algoritmi automatizzati identificano le coronarie lumen e la parete vascolare, classificando i componenti della placca in base ai valori di attenuazione in unità Hounsfield, il che consente di distinguere il tessuto ricco di lipidi, quello fibroso e quello calcificato (9).
Intuizione 6: Derivato dall'intelligenza artificiale ischemia Gli indici integrano la morfologia della placca, la lunghezza della lesione, il rimodellamento vascolare e la geometria luminale per stimare la limitazione del flusso, fornendo un indicatore non invasivo correlato alla procedura invasiva 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 Studio CREDENCE ha evidenziato una stretta corrispondenza tra l’analisi CCTA assistita dall’intelligenza artificiale e quella invasiva angiografia coronarica quantitativa e l’FFR, a conferma dell’accuratezza diagnostica dell’AI-QCT nell’identificazione di patologie emodinamicamente significative (12).
Intuizione 8: Il registro CONFIRM2, che ha coinvolto decine di migliaia di pazienti in diversi paesi, ha dimostrato che le caratteristiche della placca quantificate dall’intelligenza artificiale consentono di identificare un ampio gradiente di rischio cardiovascolare tra i pazienti con malattia non ostruttiva malattia coronarica (7).
Intuizione 9: Il Studio CERTAIN ha dimostrato che l’AI-QCT ha migliorato significativamente l’accuratezza diagnostica rispetto all’interpretazione standard, consentendo una terapia medica più adeguata e riducendo il numero di esami successivi non necessari (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: Gli strumenti di confronto basati sull’intelligenza artificiale consentono di valutare i cambiamenti nella composizione della placca, compresa la stabilizzazione o la regressione di placca ricca di lipidi in risposta alla terapia farmacologica (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: Tomografia computerizzata a conteggio dei fotoni (PCCT) questi sistemi convertono direttamente i fotoni dei raggi X in segnali elettrici, riducendo il rumore elettronico e artefatti da "blooming" del calcio rispetto ai rivelatori convenzionali a integrazione di energia (14).
Approfondimento 13: La PCCT offre una risoluzione spaziale superiore con una dose di radiazioni e di contrasto inferiore, ampliando così l'indicazione per la TC coronarica ai pazienti con alto frequenze cardiache, elevato indice di massa corporea, oppure una malattia coronarica estesa 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: Identificazione precoce dei soggetti ad alto rischio fenotipi di placca potrebbe ridurre i tassi di infarto miocardico e le relative spese sanitarie, consentendo un intervento più tempestivo e mirato (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



