En el contexto clínico de un infarto agudo de miocardio (IAM), la determinación precisa del riesgo de eventos clínicos adversos es de vital importancia a fin de realizar un tratamiento médico orientado a cada caso individual. En este contexto, se ha evidenciado que la Inteligencia Artificial mediante algorritmos de Machine Learning ha sido una herramienta con un gran impacto predictivo en la toma de decisiones médicas, ya que no solo considera efectos no lineales, sino que realiza una integración entre las variables incluidas, analizando complejas interacciones entre estas y los eventos clínicos de interés.
El objetivo del presente estudio realizado por el grupo de Harlan Krumholz y colaboradores de la Universidad de Yale (USA) fue analizar cómo los algoritmos disponibles de Machine Learning en la actualidad pueden facilitar la predicción de riesgo de eventos clínicos adversos en el IAM, gracias a la consideración y el análisis de un gran número de variables, e identificando una correlación entre factores predictores de riesgo y eventos clínicos.
Fue un estudio de cohorte retrospectivo que analizó pacientes con IAM pertenecientes al Registro de IAM del Colegio Americano de Cardiología (Registro ACTION), incluidos durante el período comprendido entre enero de 2011 a diciembre de 2016.
La inteligencia artificial no incrementó la predicción de mortalidad intrahospitalaria en el infarto agudo de miocardio, pero logró una mayor precisión en la estratificación del riesgo cardiovascular de los pacientes.
Se utilizó un software de Inteligencia Artificial basado en 3 algorritmos de Machine Learning (Red Neural, meta-classifier y XGBoost), desarrollados y validados para predecir mortalidad intrahospitalaria, basándose en las comorbilidades de los pacientes, sus antecedentes médicos, forma de presentación clínica y parámetros de laboratorio al ingreso sanatorial. Se realizó el contraste de la capacidad de discriminación de los algorritmos con un sistema basado en regresión logística (score NCDR, el que utiliza 9 variables de interés en IAM), a fin de determinar el incremento de la capacidad predictiva de la Inteligencia Artificial.
Se analizaron un total de 755402 pacientes, con una edad promedio de 65 años, y el 65.5% de sexo masculino. La mortalidad intrahospitalaria observada fue del 4.4%. Se evidenció que, mediante la utilización de 2 sistemas de Machine Learning (combinación de Red Neural y XGBoost), la precisión de predicción de riesgo de mortalidad intrahospitalaria se incrementó de forma leve sin diferencias estadísticamente significativas, en comparación con los sistemas de regresión logística NCDR (c-statistic 0.90 vs. 0.89). A su vez, mediante un análisis de validación independiente, los algorritmos de XGBoost (1.01 [IC 95%0.99-1.043]), y el modelo meta-classifier (1.01 [IC95% 0.99-1.02]), lograron una mejor determinación del riesgo global de los pacientes.
Ninguno de los algoritmos de Machine Learning utilizados en el presente estudio demostró un incremento estadísticamente significativo en la predicción de riesgo de mortalidad intrahospitalaria en pacientes con IAM. Sin embargo, el sistema XGBoost y el meta-classifier pudieron clasificar con una mayor precisión el riesgo cardiovascular en relación al sistema NCDR basado en regresión logística, principalmente al subgrupo de pacientes con mayor riesgo de eventos clínicos adversos.
Permite mejorar el riesgo cardiovascular global.
Se puede asociar a otras herramientas de estratificación de riesgo.
Mediante IA el software mejora con la carga de datos.
Escasa/nula disponibilidad.
No logró incrementar predicción de eventos clínicos.
Requiere tecnología de avanzada.
Reaccione a este Artículo
