En pacientes con estenosis valvular aórtica (EAo) el grado de severidad se determina mediante las determinaciones del gradiente transvalvular aórtico, la velocidad de flujo transaórtico y el área del orificio valvular. Sin embargo, más allá de esta caracterización fenotípica de la válvula y su correlación hemodinámica, es importante considerar para el diagnóstico componentes vinculados al ventrículo izquierdo, aurícula izquierda y circulación del lecho vascular pulmonar, lo que en la práctica clínica es de difícil realización.
Diversos estudios han demostrado que un gran porcentaje de pacientes con EAo severa se encuentran subtratados, por lo que es de vital importancia identificar una estrategia de diagnóstico y valoración de la EAo a fin de implementar una medida terapéutica precoz e individualizada.
El objetivo del presente estudio presentado por el Prof. Dr. Geoffrey Strange durante las sesiones científicas del tercer día del Congreso ESC 2022 fue desarrollar y validar un algoritmo basado en inteligencia artificial (AI) mediante procesos de machine learning para identificar pacientes con EAo severa a partir de parámetros ecocardiográficos.
Se realizó con este propósito un algoritmo de machine learning (AI-DSA) basado en procesos de Mixture Density Neural Network para identificar y caracterizar distintos grados de severidad de EAo a partir de datos cargados y mediante un proceso de autoaprendizaje.
Se incluyeron para este proceso datos provenientes a 631824 individuos, con un total de 1077145 parámetros ecocardiográficos con un periodo de seguimiento a 7.2±4.4 años. Del total de los pacientes incluidos, se utilizó al 70% (n=442276) para la “fase de desarrollo”, y al 30% (n=189824) para la “fase de validación”.
A partir de los datos ingresados (input) en el procesador de machine learning, se obtuvieron datos de salida (output) que logró estratifica al conjunto total de datos de acuerdo al grado de severidad de la Eao en 4 subgrupos: “baja probabilidad de EAo severa”, “probabilidad de EAo moderada-severa”, “alta probabilidad de EAo severa”, y “EAo severa”.
Un algoritmo de inteligencia artificial basado en parámetros ecocardiográficos y propuesto para la identificación de severidad de la estenosis aórtica presenta una gran capacidad de discriminacion, identificando al subgrupo de pacientes de mayor riesgo de muerte en el seguimiento.
Mediante el análisis del área bajo la curva (AUC) ROC, se obtuvo una buena capacidad de discriminacion del algoritmo para el diagnóstico de EAo severa (AUC=0.986), como así también luego de la estratificación según la fracción de eyección ventricular izquierda (FEVI <50% AUC=0.986; FEVI <30% AUC=0.981).
Al implementar los datos obtenidos en el algoritmo con los datos reportados de sobrevida a 5 años de seguimiento, se observó que el subgrupo de “probabilidad de EAo moderada-severa: presento un OR 1.82 ([IC95% 1.63-2.02]; p<0.001), mientras que el subgrupo caracterizado como “EAo severa” presento un OR 2.80 ([IC95% 2.57-3.06]; p<0.001).
En relación a la caracterización de la EAo mediante el algoritmo de AI, y considerando para el análisis sólo al subgrupo con “EAo severa”, la caracterización de severidad según las recomendaciones de las Guías de Manejo Clínico obtuvo un OR 1.26 [IC 9% 1.04-1.53]; p=0.021).
Como limitación del algoritmo se puede mencionar que no considera para el análisis y estratificación de riesgo diversas enfermedad clínicas concomitantes que pudieran afectar el pronóstico clínico.
