Valutare la fattibilità dell’uso dei dati degli smartphone per identificare il rischio di ipertensione arteriosa polmonare idiopatica

Perché il tuo telefono potrebbe aiutare a individuare problemi silenziosi cuore‑polmone

La maggior parte di noi porta con sé uno smartphone e molti indossano un orologio che registra silenziosamente passi, frequenza cardiaca e sonno. Questo studio pone una domanda semplice ma potente: quegli indizi digitali di tutti i giorni potrebbero aiutare i medici a riconoscere prima una rara e grave condizione cuore‑polmone chiamata ipertensione arteriosa polmonare idiopatica (IPAH), molto prima che la persona arrivi finalmente in un centro specialistico? I ricercatori hanno esplorato anni di dati reali provenienti da telefoni, orologi e questionari in app per verificare se schemi sottili nel movimento quotidiano e nei segnali cardiaci potessero indicare chi è a rischio più elevato.

Una malattia difficile da individuare

L’IPAH restringe i vasi sanguigni che portano il sangue dal cuore ai polmoni. Col tempo ciò provoca affanno, affaticamento e rischio di insufficienza cardiaca. Tuttavia i segnali precoci sono vaghi — stanchezza, respiro corto con lo sforzo — e il test diagnostico definitivo richiede una procedura invasiva con catetere cardiaco in un centro specializzato. Molti pazienti aspettano circa tre anni dai primi sintomi alla diagnosi, momento in cui la malattia è più avanzata e più difficile da trattare. Il gruppo che ha condotto questo studio voleva sapere se il monitoraggio continuo e passivo dell’attività quotidiana potesse offrire un indizio precoce che qualcosa non va.

Trasformare il movimento di tutti i giorni in indizi di salute

I ricercatori hanno utilizzato l’app My Heart Counts per iPhone, che si collega ai dati Apple Health sia dal telefono sia dagli Apple Watch. Hanno arruolato 109 persone nel Regno Unito che già possedevano un iPhone, incluse 33 con IPAH confermata, 14 con altre malattie gravi (principalmente dopo COVID‑19 severo) e 61 volontari sani. Per alcuni pazienti è stato possibile analizzare dati storici salvati sul telefono che risalivano a mesi o anni prima della diagnosi. Hanno esaminato misure semplici come il numero di passi compiuti, la velocità di camminata, i piani di scale saliti, il comportamento della frequenza cardiaca a riposo e in movimento e la qualità del sonno notturno. I partecipanti hanno inoltre risposto a domande su stile di vita, umore e atteggiamenti verso l’esercizio e la malattia.

Cosa hanno rivelato i dati sulla vita quotidiana

Le persone che poi hanno sviluppato IPAH si muovevano già meno e più lentamente rispetto ai volontari sani, anche prima della diagnosi. Facevano meno passi, salivano meno scale e avevano un’andatura più lenta. La frequenza cardiaca a riposo tendeva a essere più alta e la variabilità battito‑su‑battito era ridotta — segnali che il corpo lavorava di più e si adattava peggio. Trascorrevano anche più tempo svegli di notte. Dopo diagnosi e trattamento, queste misure in generale migliorarono: i pazienti camminavano di più, salivano più scale e la frequenza cardiaca divenne più calma e più flessibile, rispecchiando i miglioramenti osservati nei consueti test clinici dei sei minuti. Le risposte ai questionari su mentalità e stile di vita hanno aggiunto un ulteriore livello: chi aveva IPAH era più propenso a dubitare che il proprio livello di attività fosse benefico e tendeva a percepire la malattia come qualcosa di fisso o genetico, piuttosto che influenzabile dallo stile di vita.

Insegnare ai computer a riconoscere il rischio

Per verificare se questi segnali digitali potessero contribuire a segnalare l’IPAH, il team ha addestrato modelli di machine learning sui dati dell’app. Usando solo le informazioni raccolte prima della diagnosi, i modelli basati sui dati dell’orologio (inclusa la frequenza cardiaca) riuscivano a distinguere abbastanza bene l’IPAH dai controlli sani e malati, con una misura di accuratezza chiamata ROC AUC di circa 0,87. I dati di attività raccolti solo dal telefono prestarono comunque buone prestazioni, e l’aggiunta di risposte selezionate ai questionari — in particolare su stile di vita e soddisfazione di vita — portò le prestazioni fino a 0,94. Quando hanno applicato lo stesso approccio a un gruppo separato di utenti statunitensi dell’app, i modelli inizialmente andarono peggio, principalmente perché i modelli di attività e i profili di salute differivano tra i Paesi. Ma dopo aver riaddestrato il sistema con una piccola porzione di dati statunitensi per tener conto di queste differenze, il modello ha nuovamente raggiunto un’accuratezza utile (ROC AUC intorno a 0,74), suggerendo che tali strumenti possono essere adattati a diverse popolazioni.

Cosa potrebbe significare per i pazienti

Per il lettore generale, il messaggio chiave è che i passi che fai, il ritmo della tua camminata e il modo in cui la frequenza cardiaca risponde nella vita quotidiana portano informazioni sanitarie significative — anche quando ti senti solo vagamente poco in forma. Questo studio, pur essendo ancora piccolo ed esplorativo, dimostra che dati semplici raccolti passivamente da dispositivi di consumo, combinati con poche brevi indagini, possono rispecchiare i risultati degli esami ospedalieri e aiutare a distinguere persone con una condizione seria ma nascosta da chi è sano o ha altri problemi. Gli autori sottolineano che sono necessari studi molto più ampi e più diversi prima che tali strumenti possano guidare la cura, e che gli schemi osservati non sono unici per l’IPAH. Tuttavia il loro lavoro indica un futuro in cui telefoni e dispositivi indossabili funzionano come compagni di allerta precoce, aiutando pazienti e medici a individuare prima cambiamenti pericolosi nella salute cuore‑polmone, con test meno invasivi e trattamenti più tempestivi.

Citazione: Delgado-SanMartin, J.A., Keles, M., Errington, N. et al. Assessing the feasibility of using smartphone data to identify risk of idiopathic pulmonary arterial hypertension. npj Cardiovasc Health 3, 16 (2026). https://doi.org/10.1038/s44325-026-00114-9

Parole chiave: salute digitale, ipertensione polmonare, sensori indossabili, monitoraggio tramite smartphone, apprendimento automatico in medicina