Succede all’improvviso, senza alcun segnale premonitore; un dolore lancinante e la domanda “perché proprio ora?” si palesa nella mente, fondendosi con la cupa consapevolezza che quanto sta accadendo potrebbe significare il decesso. Ma in futuro potrebbe esserci una via di scampo.
Secondo un nuovo studio pubblicato sulla rivista Heart, un nuovo sistema di apprendimento automatico, parte della scienza riguardante l’intelligenza artificiale, può prevedere con successo il rischio di arresto cardiaco utilizzando dati temporali e sulle condizioni meteorologiche. Tuttavia, la nuova applicazione del cosiddetto “machine learning” non prevede precisamente quando le persone moriranno, semplicemente quando può aumentare il rischio di un attacco di cuore.
La nuova applicazione di AI combina dati meteorologici e temporali per prevedere quando vi è un alto rischio di arresti cardiaci extraospedalieri.
L’apprendimento automatico consiste nello studio di algoritmi informatici “speciali” e si basa sull’idea che essi possano apprendere e migliorare la precisione dei risultati da soli, a partire dalle informazioni precaricate, identificando modelli e adattandosi con un intervento umano minimo o nullo.
Secondo i ricercatori, le nuove scoperte potrebbero fungere da sistema primitivo di allerta, riducendo l’eventualità di episodi fatali e aumentando le probabilità di sopravvivenza, oltre a migliorare il servizio sanitario in situazioni di emergenza. Ciò è significativo perché gli arresti cardiaci extra ospedalieri sono comuni a livello globale e sono generalmente collegati a bassi tassi di sopravvivenza. Ad aggravare il rischio, inoltre, vi sono le condizioni meteo. Le previsioni in ambito meteorologico sono una fra le discipline più complesse, in quanto richiedono di analizzare parecchie decine di variabili, ma l’AI potrebbe trovare correlazioni che approcci statistici convenzionali o unidimensionali non riuscirebbero a fare.
Tra il 2005 e il 2013 si sono verificati 1.299.784 casi di arresto cardiaco extraospedaliero e di questi ne sono stati selezionati 525.374 utilizzando dati temporali e meteorologici per un set di dati di addestramento. Questi risultati sono stati poi confrontati con 135.678 casi verificatisi tra il 2014 e il 2015 così da esaminare il livello di accuratezza del modello di anticipare il numero statistico di arresti cardiaci giornalieri in altri anni.
L’IA di machine learning è stata addestrata e testata a livello locale
Per rivelare l’accuratezza a livello locale di questo approccio, i ricercatori hanno eseguito quella che viene chiamata “analisi della mappa di calore”, o heatmap, che utilizzava un set di dati separato basato sulle informazioni degli arresti cardiaci extra-ospedalieri nella città di Kobe tra gennaio 2016 e dicembre 2018. Combinando i dati temporali e sulle condizioni meteorologiche, ha avuto come risultato un’elevata accuratezza delle previsioni di arresto cardiaco per i casi extra-ospedalieri, sia per l’insieme di test sia per quello di apprendimento. Le situazioni in cui si verificano maggiormente queste sciagure, o “hotspot”, sono di domenica, lunedì, a basse temperature o con forti cali di temperatura, in inverno e nei giorni festivi.
Tuttavia, i ricercatori non affermano di avere ampie informazioni sulla posizione degli attacchi di cuore al di fuori della città di Kobe e mancano dati per chi ha condizioni mediche preesistenti. Entrambi i casi potrebbero falsare enormemente i risultati. È un primo passo, comunque, per poter distribuire a livello mondiale un algoritmo di machine learning che, finalmente, troverebbe un’applicazione medica efficace.
