ECG-CLIP è un modello di intelligenza artificiale sviluppato allo Scripps Research per individuare e prevedere malattie cardiache dall’elettrocardiogramma a 12 derivazioni. Lo studio è pubblicato su Lancet Digital Health dal 1° settembre 2026.
Il modello è stato addestrato su oltre 1,7 milioni di ECG raccolti da più di 540.000 persone, abbinati alle note cliniche dei medici. Questo abbinamento distingue ECG-CLIP dagli strumenti tradizionali, che richiedono grandi quantità di dati etichettati manualmente per ogni patologia.
“Il nostro algoritmo ha bisogno di analizzare solo una dozzina di ECG confermati di una malattia per individuarla in futuro”, spiega Giorgio Quer, autore senior dello studio e professore assistente di medicina digitale allo Scripps Research. “È simile al modo in cui un medico impara: non da un milione di esempi, ma comprendendo prima la fisiologia generale di un ECG.”
Meno dati, stessi risultati
ECG-CLIP appartiene alla categoria dei modelli di base, addestrati su dati eterogenei e applicabili poi a compiti diversi. Il team di Quer lo ha confrontato con sei modelli di riferimento: due supervisionati, uno generico non addestrato su ECG e tre modelli di base specifici per ECG.
Nei tre compiti di individuazione testati, ECG-CLIP ha raggiunto le prestazioni del secondo modello migliore usando in media il 91% in meno di dati etichettati manualmente. Il vantaggio è più marcato con pochi esempi disponibili e si riduce all’aumentare dei dati.
Tre compiti clinici testati
Individuazione delle malattie
I ricercatori hanno chiesto ai modelli di riconoscere tre condizioni in un set di oltre 800.000 ECG: infarto miocardico acuto, amiloidosi cardiaca e cardiomiopatia ipertrofica. Con il metodo AUC, che valuta la capacità di distinguere ECG di persone malate e sane, ECG-CLIP ha superato costantemente i modelli standard su tutte e tre le patologie, anche con appena dieci esempi positivi. Ha funzionato bene anche con dati a singola derivazione nel rilevamento dell’infarto, utile in contesti con risorse limitate.
Previsione della fibrillazione atriale
Nel compito predittivo, il modello ha stimato la probabilità di sviluppare fibrillazione atriale a partire da ECG a 12 derivazioni con ritmo cardiaco normale al momento della registrazione. ECG-CLIP ha superato tutti gli altri modelli testati in questo scenario.
Previsione di esiti negativi
Infine, il modello è stato valutato sulla sopravvivenza a 30 giorni dopo una visita al pronto soccorso o un intervento chirurgico, e sul rischio di malattie renali croniche o diabete di tipo II entro tre anni. Anche qui ECG-CLIP ha ottenuto i risultati migliori.
Trasparenza: le mappe di salienza
Per rendere comprensibili le decisioni del modello, i ricercatori hanno generato mappe di salienza che evidenziano le regioni del segnale ECG più rilevanti per ciascuna previsione. Lo strumento offre così ai medici un riferimento visivo utile a rafforzare la fiducia nel sistema e a favorirne l’adozione clinica.
Prossimi passi
Il gruppo punta ad ampliare i tipi di dati usati per l’addestramento, per migliorare le prestazioni in contesti come il pronto soccorso. È allo studio anche la compatibilità con dispositivi indossabili, che potrebbero permettere il monitoraggio continuo e a distanza delle malattie cardiache.
“Sebbene questi risultati dimostrino un potenziale considerevole, sarà necessaria una rigorosa validazione in studi clinici prospettici per stabilire l’applicabilità di ECG-CLIP in contesti clinici reali”, afferma Michael Ko, co-primo autore dello studio e assistente di ricerca allo Scripps Research.
Il progetto si affianca ad altri strumenti del laboratorio di Quer, tra cui un algoritmo del 2024 per diagnosticare infarti e aritmie con solo tre delle dodici derivazioni ECG, e uno del 2023 per identificare i pazienti a rischio di fibrillazione atriale tramite un cerotto ECG di due settimane.
Lancet Digital Health: “Development and external validation of a contrastive learning foundation model for ECG-based prediction of cardiovascular diseases and outcomes”. DOI: 10.1016/j.landig.2026.101092
Antonio Caperna