L’ipertrofia ventricolare sinistra (LVH) è una condizione cardiaca complessa che può evolvere in insufficienza cardiaca, aritmie o morte improvvisa. Valutare con precisione la funzione del cuore, in particolare la frazione di eiezione del ventricolo sinistro (LVEF), è fondamentale per prevenire questi esiti.
Tuttavia, le metodiche tradizionali di ecocardiografia spesso incontrano difficoltà a causa di immagini di qualità variabile, geometrie cardiache alterate e margini di errore soggettivi, con ripercussioni sulla precisione diagnostica.
Deep learning: una svolta nell’analisi ecocardiografica
Un recente studio ha sviluppato un innovativo modello basato sul deep learning (DL), che utilizza l’ecocardiografia bidimensionale per analizzare in modo automatico e accurato la funzione cardiaca anche in pazienti con geometrie ventricolari anomale.
Il sistema si distingue per la sua capacità di adattarsi ai diversi tipi di rimodellamento del ventricolo sinistro (concentrico, eccentrico, etc.) e di stimare la LVEF con alta precisione (errore medio del 4,7%).
A differenza delle tecniche tradizionali, il modello analizza diversi cicli cardiaci e integra dati clinici come età ed E/e’ (indice di funzione diastolica), offrendo una valutazione completa del rischio cardiaco.
I risultati mostrano che in base alla geometria del cuore, lo stesso valore di LVEF può avere significati prognostici diversi.
Verso una stratificazione del rischio più personalizzata
Questa tecnologia ha il potenziale per migliorare la diagnosi precoce, ottimizzare la stratificazione del rischio e guidare decisioni terapeutiche più personalizzate.
Lo studio, seppur promettente, ha però dei limiti (dati monocentrici, campione relativamente ridotto e necessità di validazione in contesti clinici più ampi) che rendono necessari ulteriori approfondimenti.
Nonostante questo, il deep learning si conferma comunque uno strumento promettente per rafforzare la precisione clinica nella pratica cardiologica quotidiana, migliorando la diagnosi precoce e guidando verso trattamenti più mirati.
Fonte: https://pubmed.ncbi.nlm.nih.gov/40593134 Zhu Z, Fan K, Zhang S, Hu T, Li J, Zhao Z, Jin Y, Zhang S. Frazione di eiezione automatizzata e stratificazione del rischio in pazienti con cardiomiopatia con diverse geometrie del ventricolo sinistro mediante ecocardiografia 2D. Sci Rep. 2025 1 luglio; 15(1):22332. DOI: 10.1038/S41598-025-06738-8. PMID: 40593134; PMCID: PMC12217971.
