Previsione della morte cardiaca improvvisa nella popolazione generale basandosi sull’apprendimento automatizzato e sull’utilizzo dei dati delle cartelle cliniche elettroniche
Punti chiave
Domanda: È possibile eseguire uno screening per individui asintomatici, ma ad alto rischio di morte cardiaca improvvisa, semplicemente analizzando le cartelle cliniche elettroniche della popolazione generale?
Risultati: Si tratta di uno studio caso-controllo su 49.700 soggetti di cui 8289 con diabete basato sul machine learning. Vengono analizzati database complessi per identificare caratteristiche indicative di rischio di morte cardiaca improvvisa in capo a 5 anni. Lo studio dimostra che è possibile ottenere una buona capacità predittiva, particolarmente nella popolazione a più alto rischio. Tra i fattori di rischio non macrovascolari più frequenti nella morte cardiaca improvvisa sono presenti anche obesità e diabete; tra i farmaci, gli antidiabetici orali sono nettamente più frequenti rispetto all’insulina; infine, tra le comorbilità risulta ricorrente l’insufficienza renale.
Significato: Il modello dimostra che l’osservazione attiva – unita all’analisi dei big data – ci mette in grado di stratificare i pazienti più vulnerabili onde mettere in atto strategie di prevenzione personalizzata. Tali dati sono di interesse per la comunità diabetologica in quanto confermano che l’obesità, il diabete e le sue complicanze potrebbero essere fattori rilevanti nelle aritmie fatali.
30 aprile 2026 – A cura di Cristian Quattrini (Gruppo Diabetes Management), in collaborazione con il Gruppo ComunicAzione
INTRODUZIONE E CONTESTO. La morte cardiaca improvvisa (MCI) spesso si verifica in assenza di segni clinici evidenti o di precisi fattori di rischio. Disfunzioni cardiache esistenti o familiarità per aritmia non sono sufficienti a identificare soggetti a rischio in modo efficace.
PRINCIPALI DATI EMERGENTI. In un articolo pubblicato recentemente sull’European Journal of Preventive Cardiology, Younès Youssfi (Université Paris Cité, Inserm, Paris, France) e colleghi propongono un modello di screening “globale” per MCI sulla popolazione generale. È molto interessante che lo studio distingua malattia coronarica e MCI, considerandole due entità separate.
Partendo da un tipo di analisi biostatistica sviluppato da Jessica Perry [1], viene analizzato un vasto database (comprendente tutti i codici di malattia e tutte le prescrizioni farmacologiche), con apprendimento automatico che combina più metodi predittivi, e in particolare il CatBoost – tecnica di miglioramento progressivo dei modelli e potenziamento basato sull’uso di alberi decisionali. Esso si rivela molto efficace con dati organizzati in tabelle, anche se complessi e diversificati, e permette di ottenere previsioni accurate. Vengono prese in considerazione due coorti francesi e una americana (50% casi, 50% controlli):
- corte (a): 676 individui dell’area di Parigi osservati tra il 2011 e il 2015;
- corte (b): 240 individui della stessa area osservati tra il 2016 e il 2020;
- corte (c): 1784 individui dell’area di Seattle osservati tra il 2013 e il 2021.
La prima coorte – la (a) – è quella principale (derivativa), le altre due servono come verifiche rispettivamente temporale e geografica della validità del metodo.
La capacità discriminativa del modello (intesa come area sotto la curva) raggiungeva l’83% nella coorte (a), l’81% nella coorte (b) e il 66% nella coorte (c). Il modello performava meglio nel decile della coorte a rischio più elevato, rappresentando rispettivamente il 24, 26 e 33% di tutte le MCI. L’essere nel decile di rischio più elevato deriva dal calcolo di variabili combinate: diagnosi cardiovascolari pregresse, farmaci, fattori di rischio o condizioni di fragilità, pattern temporali cumulativi di eventi, variabili sociodemografiche.
Quali condizioni si associano alla MCI? Al di là di quelle squisitamente cardiovascolari (le aritmie, l’arteriopatia periferica, la sindrome coronarica acuta), l’articolo rivela covariate di altra natura. Fra quelle classificate come “fattori di rischio” troviamo: obesità, diabete, ipertensione, abuso alcolico; tra i “farmaci associati”: antidiabetici orali e antiepilettici (non meglio dettagliati); fra le “comorbilità”: cancro in fase attiva e insufficienza renale. Al contrario, poco “pesanti” risultano il tabagismo, la dislipidemia, l’ictus e la terapia insulinica.
LUCI E OMBRE DELLA PUBBLICAZIONE. Il modello specifico preso in esame ha il limite di dipendere dall’accuratezza compilativa del database originale. Così com’è richiede anche “riaddattamenti” locali, perché perde potenza se trasferito in un contesto geografico diverso. Infine, l’uso di modelli di black box rende difficile interpretare causalmente le associazioni fra le variabili.
Tuttavia, lo studio è altamente innovativo e apre nuove strade per la predizione di eventi specifici, valorizzando dataset ampi e complessi. Se dedicato al contesto diabetologico, un modello di questo tipo potrebbe rivelarsi straordinariamente fecondo.
DISCUSSIONI ED IMPLICAZIONI CLINICHE. Vi sono evidenze in favore della medicina di precisione sia in cardiologia preventiva che in diabetologia cardiovascolare [2,3]. Infatti, benché lo studio esaminato abbia un focus cardiologico, suggerisce che il diabete, probabilmente anche nelle sue fasi subcliniche, possa predisporre ad aritmie fatali. Considerando i dati da un punto di vista fisiopatologico, possiamo pensare sia al ruolo dello stress ossidativo/infiammazione cronica di basso grado che a meccanismi specifici di tipo disautonomico, i quali possono essere diagnosticati a livello clinico [4].
ANALISI E PROSPETTIVE. Accarezziamo l’idea di rovesciare la prospettiva prendendo in considerazione il diabete come potenziale fattore di rischio di MCI. Ciò richiederebbe uno sforzo supplementare in termini di analisi, ma ove ciò avvenisse il passo verso un modello di sanità pubblica che applichi una logica di appropriatezza sembrerebbe più breve.
LEGGI E SCARICA L’ARTICOLO ORIGINALE: Eur J Prev Cardiol 2026 Mar 6:zwag087. Online ahead of print
Bibliografia di riferimento
- Perry J et al. Predicting Out-of-Hospital Cardiac Arrest in the General Population Using Electronic Health Records. Circulation 2024;150(2):102-10.
- Kwiendacz H et al. Predicting major adverse cardiac events in diabetes and chronic kidney disease: a machine learning study from the Silesia Diabetes-Heart Project. Cardiovasc Diabetol 2025;24(1):76
- Dong B et al. Estimated glucose disposal rate outperforms other insulin resistance surrogates in predicting incident cardiovascular diseases in cardiovascular-kidney-metabolic syndrome stages 0-3 and the development of a machine learning prediction model: a nationwide prospective cohort study. Cardiovasc Diabetol 2025;24(1):163
- Nabrdalik K, et al. Artificial intelligence-based classification of cardiac autonomic neuropathy from retinal fundus images in patients with diabetes: The Silesia Diabetes Heart Study. Cardiovasc Diabetol 2024;24(1):296
AMD segnala articoli della letteratura internazionale la cui rilevanza e significato clinico restano aperti alla discussione scientifica e al giudizio critico individuale. Opinioni, riflessioni e commenti da parte degli autori degli articoli proposti non riflettono quindi posizioni ufficiali dell’Associazione Medici Diabetologi.