Diversos estudios han demostrado que la presencia de fibrilación auricular (FA) se asocia a un incremento en la morbilidad, especialmente en aquellas situaciones en las que permanece no detectada por periodos de tiempo prolongado y sin un tratamiento médico óptimo prescrito. En este sentido, de existir una forma de predecir la ocurrencia de FA de novo, se implementarían estrategias terapéuticas precoces a fin de disminuir su efecto deletéreo.
El presente estudio desarrollado por Sushravya Raghunath y colaboradores del Departamento de Ciencias Informáticas y Translacionales de Danville (USA), tuvo como objetivo determinar el poder predictivo de la inteligencia artificial, basada en un algoritmo de Machine Learning, para predecir a partir de un electrocardiograma (ECG) de 12 derivaciones la ocurrencia de FA de novo, y analizar su implicancia en la reducción de eventos clínicos adversos en aquellos pacientes con riesgo elevado.
Un modelo de inteligencia artificial basado en un clasificador de Machine Learning presentó un buen poder para predecir fibrilación auricular de novo, lo que podría contribuir a guiar el abordaje terapéutico de pacientes con riesgo más elevado.
Se analizaron 1.6 millones de trazados digitales de ECG de 12 derivaciones pertenecientes a 430000 pacientes, obtenidos durante el periodo comprendido entre 1984 a 2019. Un algoritmo de Machine Learning (ML, basado en una arquitectura de Red Neural) fue entrenado a durante un año para predecir FA de novo en pacientes sin antecedentes previos de FA, y luego se analizó su performance y poder de discriminación mediante el análisis del área bajo la curva ROC (AUC). Se realizó un análisis de libertad de eventos a 30 años de seguimiento. Se analizó dentro del subgrupo de pacientes de riesgo elevado de ocurrencia de FA de novo, la probabilidad de accidente cerebrovascular (ACV) relacionado a FA.
El algoritmo presentó una aceptable capacidad de discriminación y predicción de la ocurrencia de FA de novo a un año de seguimiento desde el ECG analizado, con un AUC de 0.85. Dentro del total de seguimiento de 30 años, la probabilidad de identificar los subgrupos de pacientes de mayor riesgo, en relación a los de menor riesgo, fue significativamente superior (HR 7.2 [IC 95% 6.9-7.6]).
En un modelo de desarrollo simulado, el algoritmo de ML pudo predecir la ocurrencia de FA de novo con una sensibilidad del 69% y una especificidad del 81%, y el número de ECG necesario para diagnosticar un nuevo caso de FA fue de 9. A partir del ECG índice, el modelo presentó un poder predictivo para la identificación de FA de novo del 62% en el subgrupo de pacientes que tuvo un ACV relacionado con FA.
Extensa cohorte de pacientes y trazados de ECG analizados.
Gran periodo de seguimiento.
Estrategia que permite estratificar subgrupos de mayor riesgo.
Tecnología de difícil implementación.
Difícil extrapolación de los datos obtenidos.
No se analizó el aporte al poder de discriminación de varios algoritmos a la vez.
Reaccione a este Artículo
