La utilización de ecografía endovascular (IVUS) ha demostrado ser una estrategia útil en el proceso de guía y optimización de la colocación de un stent coronario, durante una angioplastia transluminal coronaria (ATC). Sin embargo, hasta la fecha no hay un modelo desarrollado para realizar un IVUS previo a la ATC con el objetivo de estimar el grado de expansión del stent, a fin de implementar medidas de corrección precoces.
El objetivo del presente estudio realizado por Hyun-Seok Min de la Universidad de Ulsan (Seúl, Corea) fue desarrollar un modelo de IVUS aplicado en la etapa pre procedimiento con el fin de predecir la ocurrencia de infra expansión del stent, basado en un algoritmo de inteligencia artificial basado en clasificadores de Deep Learning (una forma de utilizar el proceso de autoaprendizaje, o ‘Machine Learning’, que se centra en la identificación de características individuales remedando al procesamiento realizado por el cerebro humano).
Mediante un modelo de inteligencia artificial basado en clasificadores de ‘Aprendizaje Profundo’ (Machine Learning) se obtuvo una predicción precisa de la infra expansión del stent luego de una angioplastia transluminal coronaria.
Se analizaron con este propósito un total de 618 estenosis coronarias pertenecientes a 618 pacientes sometidos a una ATC, aleatorizando la muestra en relación 5:1 a ‘grupo de entrenamiento’ (Machine Learning, ML), o ‘grupo de testeo’ (GT). Se registraron las imágenes de un IVUS tanto en el pre como post procedimiento, mientras que las imágenes pre ATC en conjunto con la información clínica del paciente analizado (diámetro del stent, longitud total, máxima presión de insuflado, y máxima presión del balón utilizado), fueron utilizadas para generar un modelo de regresión lineal basado en clasificadores de ML (Red Neural, Deep Learning) con el objetivo de predecir el área luminal final post stent.
A fin de realizar el contraste entre aquellos stents con infraextensión (área del stent <5.5mm2), en relación a los correctamente expandidos, se realizó un modelo de clasificación binario por inteligencia artificial (XG Boost). El poder de discriminacion del modelo se determinó mediante el análisis del área bajo la curva ROC (AUC).
Del total de ATC analizadas, la ocurrencia total de infra expansión fue del 15%. Las áreas del stent previamente previstas por el modelo de predicción de ML basado en IVUS pre-procedimiento correlacionaron de forma positiva con las áreas observadas por IVUS en el post procedimiento (r=0.802).
Cuando se utilizaron los datos obtenidos a través del modelo predictor de ML en el modelo clasificador, se logró una precisión de predicción de la infra expansión del 94% (AUC=0.94). A su vez, se observó en el sitio de las estenosis coronarias una correlación positiva entre el área luminal mínima intrastent predicha, con la finalmente medida (r=0.832), como también entre el volumen total del stent predicho en relación al finalmente medido (r=0.958).
Gran poder de predicción de infraexpansión post ATC.
Presenta una elevada correlación positiva con el área y volumen final del stent.
Es un modelo que mejora con el tiempo (Deep Learning).
Tecnología no ampliamente disponible.
Se requiere de 2 IVUS por procedimiento.
No se determinó el impacto del clasificador en eventos clínicos adversos.
Reaccione a este Artículo
