Il ruolo dei modelli predittivi per la predizione dello scompenso nei pazienti con dispositivi cardiaci impiantabili

Lo scompenso cardiaco è una delle principali problematiche di salute pubblica, caratterizzato da alta mortalità e morbilità, con un significativo impatto economico sui sistemi sanitari. Questa patologia è una delle cause principali di ricovero ospedaliero a livello globale. Poiché le terapie attuali non arrestano la progressione della malattia e ogni ricovero peggiora la prognosi, la prevenzione dei fattori che aggravano l’insufficienza cardiaca è cruciale per la gestione clinica. La natura eterogenea dei dati clinici dello scompenso rende i metodi analitici tradizionali non sufficienti per poter predire efficacemente il peggioramento della malattia. Negli ultimi anni la diffusione dei dispositivi cardiaci impiantabili (CIEDs), l’utilizzo delle tecnologie di monitoraggio remoto e lo sviluppo dell’intelligenza artificiale (AI), in particolare del machine learning (ML), ha favorito lo sviluppo di modelli predittivi in grado di poter analizzare dei trend temporali di dati e di generare segnali di allarme. Questa tesi esplora il ruolo dei modelli predittivi nel monitoraggio e nella gestione dello scompenso cardiaco in pazienti con CIEDs. In questo lavoro vengono analizzate le caratteristiche cliniche dell’insufficienza cardiaca, fornite le definizioni di modelli predittivi, tecnologie AI e monitoraggio remoto nell’ambito clinico dello scompenso ed approfonditi i risultati ottenuti dagli algoritmi sviluppati negli studi SELENE HF e MultiSENSE. Con questa analisi si vuole evidenziare le potenzialità dell’utilizzo dei modelli predittivi per la predizione dello scompenso cardiaco nel ottimizzare la gestione clinica dei pazienti, migliorando la qualità della vita e riducendo i costi sanitari, con la possibilità di diventare in un futuro prossimo uno standard per il trattamento dello scompenso cardiaco.