Apple prosegue il lavoro sulla salute digitale esplorando modi sempre più avanzati per ricavare informazioni dal sensore ottico già integrato nei suoi dispositivi. Un nuovo studio pubblicato sul blog Apple Machine Learning Research mostra un passo ulteriore in questa direzione: un modello di intelligenza artificiale ibrido capace di stimare parametri cardiovascolari complessi direttamente dai segnali PPG, gli stessi utilizzati per misurare la frequenza cardiaca sull’Apple Watch.
Il documento, intitolato Hybrid Modeling of Photoplethysmography for Non-Invasive Monitoring of Cardiovascular Parameters, affronta un tema molto ambizioso: utilizzare la luce riflessa dal flusso sanguigno per risalire non solo al battito, ma anche a metriche come la gittata sistolica e la gittata cardiaca, valori che solitamente richiedono strumenti ospedalieri o procedure più invasive. Lo studio combina due modelli: il primo genera una stima dell’andamento della pressione arteriosa a partire dai segnali PPG, il secondo ricava i parametri cardiaci da queste stime.
Risultati promettenti e possibili sviluppi futuri
Il modello è stato testato su un gruppo di 128 pazienti sottoposti a chirurgie non cardiache. I risultati indicano che l’AI riesce a seguire con buona precisione l’evoluzione dei trend della gittata cardiaca, superando approcci tradizionali basati su misurazioni meno sofisticate, anche se il margine di errore sui valori assoluti rimane tale da non consentire applicazioni cliniche immediate. Per quanto riguarda l’obiettivo complessivo, lo studio conferma che esiste un potenziale concreto per estrarre informazioni complesse da un sensore ottico comune, come quelli già presenti sugli smartwatch.
Lo studio non cita mai l’Apple Watch né annuncia piani specifici, perché si tratta di ricerca di base e non di un’anteprima di prodotto. Alcuni elementi però creano un quadro coerente. Con watchOS 26, Apple ha introdotto le notifiche per l’ipertensione basate sull’analisi dei trend a lungo termine, e questa nuova ricerca si colloca idealmente sulla stessa linea: rendere più intelligenti gli algoritmi del dispositivo e fornire valutazioni passive, continue e potenzialmente più profonde.
