Un Modello di IA Prevede il Rischio di Malattie Cardiache Meglio dei Metodi Tradizionali Utilizzando Biomarcatori nel Sangue

Le malattie cardiovascolari rimangono la principale causa di morte a livello globale, eppure i modelli tradizionali di previsione del rischio spesso non dispongono della precisione necessaria per strategie di prevenzione accurate. Questo studio innovativo dimostra come l'intelligenza artificiale possa migliorare drasticamente la previsione delle malattie cardiache integrando i biomarcatori ematici con i fattori di rischio convenzionali.

I ricercatori hanno analizzato i dati di 229.352 partecipanti dell'UK Biobank, utilizzando tecniche di machine learning tra cui SHAP (SHapley Additive exPlanations) per identificare le combinazioni ottimali di biomarcatori. Lo studio ha incorporato 26 marcatori biochimici e 170 biomarcatori metabolomici misurati tramite spettroscopia a risonanza magnetica nucleare, insieme a fattori di rischio tradizionali come età, sesso, pressione arteriosa e livelli di colesterolo.

L'approccio combinato ai biomarcatori ha superato significativamente i modelli tradizionali per tutti gli endpoint cardiovascolari. Mentre i modelli convenzionali come ASCVD hanno mostrato un potere predittivo limitato, il nuovo approccio ha raggiunto valori di C-index superiori a 0,75 per la maggior parte degli outcome, con la previsione della morte cardiovascolare che ha raggiunto un notevole 0,822. I biomarcatori predittivi chiave includevano la cistatina C (funzionalità renale), HbA1c (controllo della glicemia), GlycA (infiammazione) e la gamma-glutamil transferasi (funzionalità epatica), mentre IGF-1 e gli acidi grassi omega-3 DHA hanno dimostrato effetti protettivi.

I ricercatori hanno sviluppato un Biomarker Risk Score (BRS) che ha stratificato efficacemente i partecipanti in categorie di rischio distinte. Gli individui ad alto rischio hanno mostrato un rischio di morte cardiovascolare aumentato di 2,76 volte rispetto ai partecipanti a basso rischio, consentendo un'identificazione più precisa dei pazienti che potrebbero beneficiare di interventi preventivi intensivi.

Questo progresso rappresenta un passo significativo verso una medicina cardiovascolare personalizzata, che potenzialmente consente ai clinici di identificare prima i pazienti ad alto rischio e di adattare le strategie di prevenzione in modo più efficace. Tuttavia, il modello richiede una validazione in popolazioni e contesti clinici diversi prima di una sua ampia implementazione.