Valutazione della salute cardiaca attraverso scenari e dispositivi usando un modello fondamentale multimodale preallenato su dati di 1,7 milioni di individui

Perché i dati del tuo battito cardiaco contano

Dai monitor cardiaci ospedalieri agli smartwatch, sempre più aspetti della nostra vita sono tracciati tramite piccoli segnali elettrici e ottici del cuore. Queste registrazioni possono individuare pericolosi problemi di ritmo, stimare la pressione arteriosa senza bracciale e persino fornire indizi sul rischio cardiaco futuro. Ma poiché dispositivi e contesti sono così diversi, gli algoritmi attuali spesso funzionano bene solo nelle situazioni ristrette per cui sono stati progettati. Questo studio presenta un nuovo tipo di modello “fondamentale” per i segnali cardiaci che mira a comprendere la salute cardiaca attraverso molti dispositivi, paesi e casi d’uso contemporaneamente.

Molti modi per ascoltare il cuore

I medici e i dispositivi possono ascoltare il cuore in diversi modi. Il test classico ospedaliero è l’elettrocardiogramma (ECG) a 12 derivazioni, con cerotti posizionati su torace e arti per registrare l’attività elettrica del cuore da angolazioni diverse. Le unità di terapia intensiva spesso usano meno derivazioni più un sensore ottico chiamato fotopletismogramma (PPG), che illumina la pelle per tracciare il sangue che pulsa nei vasi. A casa, smartwatch e cerotti possono registrare una singola derivazione ECG o soltanto PPG. Ciascuna di queste configurazioni produce segnali con forme, durate e numeri di canali diversi, il che ha reso difficile costruire un unico modello che funzioni ovunque. Gli approcci tradizionali solitamente addestrano algoritmi separati e su misura per ogni dispositivo e compito, e faticano quando vengono trasferiti in nuovi ambienti o popolazioni.

Un unico “cervello” per molti segnali cardiaci

I ricercatori hanno progettato un modello fondamentale per la rilevazione cardiaca, o CSFM, per agire come un cervello comune per tutti questi segnali. Invece di apprendere da un unico dataset ordinato, il CSFM è stato addestrato su una raccolta enorme e disordinata: circa 1,7 milioni di registrazioni cardiache provenienti da più ospedali e paesi, comprendendo sia forme d’onda ECG sia PPG e i referti di testo che medici o macchine hanno scritto a proposito. Il modello suddivide i segnali in segmenti brevi, trasforma sia i segnali sia le parole in token e li immette in un transformer, un tipo di architettura di deep learning che ha guidato i recenti progressi nella comprensione del linguaggio e delle immagini. Durante l’addestramento, ampie porzioni dei token vengono intenzionalmente nascoste e il modello impara a ricostruire le parti mancanti. Questo addestramento “mascherato” spinge il CSFM a catturare i pattern essenziali condivisi tra diversi dispositivi, derivazioni e lingue di descrizione.

Dalla diagnosi alla pressione arteriosa e oltre

Una volta addestrato, il CSFM può essere adattato a molti compiti concreti usando dataset etichettati relativamente piccoli. Il team lo ha testato sulla classificazione di ritmi e patologie cardiache usando ECG standard a 12 derivazioni, ECG indossabili a singola derivazione e PPG da smartwatch. Non solo ha eguagliato, ma spesso ha superato potenti reti profonde specifiche per il compito. Il CSFM ha anche aiutato a stimare età, sesso e indice di massa corporea direttamente da brevi segmenti di ECG e PPG, dimostrando di aver assorbito indizi sottili sulla persona, non soltanto sul battito. In un altro set di esperimenti, il modello ha trasformato ECG e PPG in forme d’onda di pressione arteriosa continue e poi in valori sistolici e diastolici, producendo stime della pressione senza bracciale più accurate rispetto a metodi concorrenti.

Funzionare attraverso dispositivi e colmare le lacune

Un test particolarmente importante era verificare se il CSFM potesse gestire situazioni in cui è disponibile solo un sottoinsieme delle informazioni usuali. I ricercatori hanno dimostrato che i modelli messa a punto partendo dal CSFM funzionavano bene che vedessero tutte e 12 le derivazioni ECG, sei derivazioni, due derivazioni comuni o perfino una singola derivazione. Hanno anche testato combinazioni di input solo ECG, solo PPG e ECG più PPG. In questi scenari, i sistemi basati su CSFM sono rimasti robusti mentre i modelli convenzionali degradavano più nettamente. Le rappresentazioni interne del modello potevano persino essere usate come caratteristiche pronte all’uso per strumenti semplici come gli alberi a gradienti potenziati, spesso raggiungendo prestazioni simili a quelle di reti profonde completamente adattate. Infine, aggiungendo una testa di regressione, il CSFM poteva generare un tipo di segnale a partire da un altro — per esempio produrre un ECG realistico da una traccia PPG, o ricostruire un ECG a 12 derivazioni completo da una singola derivazione — aprendo la strada all’aumento dei dati e a migliori analisi quando le registrazioni ideali non sono disponibili.

Cosa potrebbe significare per i pazienti

Per i non esperti, il messaggio principale è che un unico modello a uso generale può ora interpretare registrazioni cardiache molto diverse e fornire comunque risposte accurate e clinicamente utili. Anziché costruire un algoritmo fragile per ogni dispositivo e ospedale, il CSFM offre una base condivisa che può essere leggermente adattata alle esigenze locali, dal rilevare ritmi pericolosi su uno smartwatch al prevedere quali pazienti hanno un rischio maggiore di morte entro un anno. Gli autori riconoscono questioni aperte, come rendere le decisioni del modello più interpretabili per i clinici e ridurne i requisiti computazionali. Nonostante ciò, i loro risultati suggeriscono che i modelli fondamentali per i segnali cardiaci potrebbero contribuire a portare monitoraggio cardiaco avanzato e predizione del rischio a più persone, in più luoghi, utilizzando i dispositivi che già possiedono.

Citazione: Gu, X., Tang, W., Han, J. et al. Cardiac health assessment across scenarios and devices using a multimodal foundation model pretrained on data from 1.7 million individuals. Nat Mach Intell 8, 220–233 (2026). https://doi.org/10.1038/s42256-026-01180-5

Parole chiave: modello fondamentale cardiaco, elettrocardiogramma, fotopletismografia, cardiologia digitale, monitoraggio cardiaco indossabile