{"status":"ok","message-type":"work","message-version":"1.0.0","message":{"indexed":{"date-parts":[[2026,8,26]],"date-time":"2026-08-26T08:22:49Z","timestamp":1787732569236,"version":"build-2784847793"},"reference-count":0,"publisher":"Il Pensiero Scientifico Editore","issue":"9","content-domain":{"domain":[],"crossmark-restriction":false},"short-container-title":[],"published-print":{"date-parts":[[2026,9,1]]},"abstract":"<jats:p>Le malattie cardiovascolari restano la principale causa di mortalit\u00e0 e morbilit\u00e0 in Italia e a livello globale. La prevenzione cardiovascolare \u00e8 una priorit\u00e0 strategica, ma permane un divario significativo tra raccomandazioni delle linee guida e implementazione nella pratica clinica. L\u2019intelligenza artificiale (IA), attraverso modelli di machine learning e deep learning, sta emergendo come tecnologia potenzialmente trasformativa per colmare questo gap, consentendo una stratificazione del rischio pi\u00f9 precisa, dinamica e personalizzata rispetto agli score tradizionali. La presente rassegna analizza le evidenze pi\u00f9 recenti sull\u2019impiego dell\u2019IA nella prevenzione cardiovascolare, con focus su stratificazione del rischio, diagnosi precoce di patologia subclinica e identificazione dei soggetti che possano trarre maggior beneficio da interventi mirati. Vengono esaminati: i limiti degli score convenzionali e il contributo dei nuovi determinanti di rischio (biomarcatori digitali, dati genetici, dispositivi indossabili); il ruolo dell\u2019ECG potenziato dall\u2019IA nella rilevazione di fibrillazione atriale subclinica, disfunzione ventricolare sinistra e malattia coronarica; il potenziale dell\u2019imaging opportunistico (radiografia e tomografia computerizzata [TC] del torace, TC coronarica, mammografia) per l\u2019aterosclerosi subclinica; l\u2019integrazione dell\u2019IA nei percorsi assistenziali, nelle cartelle cliniche elettroniche, nei sistemi di supporto decisionale e nelle reti di telemonitoraggio. Nel complesso, l\u2019IA delinea il passaggio da una cardiologia reattiva a un modello predittivo, proattivo e di precisione. La traslazione nella pratica clinica richiede tuttavia evidenze prospettiche solide, trial randomizzati, validazione in popolazioni eterogenee, maggiore interpretabilit\u00e0 dei modelli e adeguate infrastrutture digitali e regolatorie.<\/jats:p>","DOI":"10.1714\/4755.47724","type":"journal-article","created":{"date-parts":[[2026,8,26]],"date-time":"2026-08-26T08:10:49Z","timestamp":1787731849000},"source":"Crossref","is-referenced-by-count":0,"title":["Intelligenza artificiale nella prevenzione cardiovascolare: un\u2019opportunit\u00e0 strategica per la predizione del rischio e la diagnosi precoce"],"prefix":"10.1714","volume":"27","author":[{"given":"Simona","family":"Giubilato","sequence":"first","affiliation":[],"role":[{"vocabulary":"crossref","role":"author"}]},{"given":"Lucio Giuseppe","family":"Granata","sequence":"additional","affiliation":[],"role":[{"vocabulary":"crossref","role":"author"}]},{"given":"Salvatore Massimo","family":"Petrina","sequence":"additional","affiliation":[],"role":[{"vocabulary":"crossref","role":"author"}]}],"member":"55112","container-title":["Giornale Italiano di Cardiologia"],"original-title":[],"deposited":{"date-parts":[[2026,8,26]],"date-time":"2026-08-26T08:10:49Z","timestamp":1787731849000},"score":1,"resource":{"primary":{"URL":"https:\/\/www.giornaledicardiologia.it\/articoli.php?archivio=yes&vol_id=4755&id=47724"}},"subtitle":[],"short-title":[],"issued":{"date-parts":[[2026,9,1]]},"references-count":0,"journal-issue":{"issue":"9","published-print":{"date-parts":[[2026,9,1]]}},"URL":"https:\/\/doi.org\/10.1714\/4755.47724","relation":{},"ISSN":["1827-6806"],"issn-type":[{"value":"1827-6806","type":"print"}],"subject":[],"published":{"date-parts":[[2026,9,1]]}}}