El ecocardiograma transtorácico se ha convertido en la modalidad de imagen cardiaca principal en los pacientes admitidos por COVID-19. La injuria miocárdica se ha relacionado con resultados adversos, por lo que la realización de un ecocardiograma al momento de la admisión en estos pacientes puede ser una herramienta muy útil para predecir mortalidad. La utilización de la inteligencia artificial (IA) en las imágenes cardiovasculares y, específicamente en la ecocardiografía, está en aumento para facilitar la adquisición y el análisis de las imágenes.
Con las tecnologías que son operadores dependientes, como la ecocardiografía, el análisis totalmente automatizado y basado en IA debería dar lugar a una menor variabilidad de los resultados obtenidos a partir de lecturas realizados por humanos.
Durante el Congreso ACC.21 el Dr. Federico Asch presentó los resultados del estudio WASE-COVID cuyo objetivo fue evaluar en una primera fase, la asociación de las variables ecocardiográficas con la mortalidad intrahospitalaria. El objetivo de la segunda fase fue describir el rendimiento de algoritmos derivados de machine learning para predecir mortalidad en pacientes admitidos por COVID-19 y su valor agregado al análisis realizado por un experto en imágenes.
La fase 1 de este interesante estudio fue retrospectiva y enroló pacientes adultos hospitalizados por COVID-19 confirmado por PCR con indicación clínica de realizar un ecocardiograma. La segunda fase fue prospectiva e incluyó el seguimiento a por lo menos 3 meses luego de la admisión. El punto final primario fue la mortalidad total.
Se enrolaron 870 pacientes en 13 centros de 9 países.
Los ecocardiogramas fueron adquiridos de acuerdo con los estándares de cada institución. Las imágenes eran subidas a una nube, donde a través de un software se generaban medidas automáticas de la fracción de eyección del ventrículo izquierdo (FEVI) y del strain longitudinal (SL). Además, cada ecocardiograma era analizado dos veces por el mismo investigador. Por cada ecocardiograma existía entonces 3 mediciones de FEVI y de SL que fueron promediadas.
La edad media de la población fue 59 años, con un 43.8% de mujeres. Al momento de la realización del ecocardiograma, el 46% de los pacientes estaban en unidad de cuidados intensivos, y 27% bajo ventilación mecánica.
La media de FEVI fue 60.2±12.3%, y del SL -18.7±5.3%
La mortalidad total intrahospitalaria fue 21.6%.
El strain longitudinal del ventrículo izquierdo se asoció de manera independiente con la mortalidad intrahospitalaria, no así la FEVI. Por lo que las conclusiones de la primera fase fueron que cuando las medidas ecocardiográficas son promediadas, el SL junto con la edad, el valor de LDH y la enfermedad pulmonar previa se asociaron de manera independiente con la mortalidad, mientras que tal asociación no existió para la FEVI.
Luego realizaron un análisis separado de las mediciones según fueron realizadas manualmente o por IA, y vieron que en las medidas automáticas, la asociación con la mortalidad fue significativa tanto para el strain longitudinal como para la FEVI, mientras que las mediciones manuales no se asociaron con la mortalidad.
Ese hallazgo llevó a generar la segunda hipótesis de la fase 2 del estudio, donde las mediciones de FEVI y de strain longitudinal obtenidas utilizando algoritmos derivados de IA, tendrían menor variabilidad interobservador y resultaría en una mejor capacidad para predecir mortalidad comparado con las mediciones manuales.
Para esta fase se agregó una segunda corrida de IA para poder analizar intervariabilidad y una nueva medición manual de ecocardiograma. Las primeras dos mediciones fueron realizadas por el mismo operador y la tercera por uno distinto.
En esta etapa se analizaron 476 ecocardiogramas transtorácicos con mediciones disponibles tanto de manera manual como por IA. La media de seguimiento fue de 230 días y la mortalidad en este periodo de tiempo fue de 27.4%.
La variabilidad con el análisis realizado por IA fue significativamente menor que con las mediciones manuales tanto para la medición de FEVI como de strain longitudinal. Se encontró que la variabilidad en IA era baja y que era debida a la selección del cuadro de video donde dos cuadros distintos fueron usados para la misma medición. La variabilidad en las mediciones manuales fue mayores y se debió a los distintos operadores.
En un análisis univariado, las mediciones de FEVI y SL realizados por IA fueron predictoras de mortalidad tanto durante la fase intrahospitalaria como en el seguimiento, no así para las mismas variables medidas de manera manual.
En una regresión mutivariada, la FEVI (OR 0.968; IC 95%: 0.939-0.997, p=0.031) y el strain longitudinal (OR 1.096; IC 05%: 1.022, 1.179; p=0.012) medidas por IA y no manualmente, se asociaron de manera significativa con la mortalidad.
¿Qué podemos recordar?
La cuantificación automática de la fracción de eyección del ventrículo izquierdo y del strain longitudinal utilizando inteligencia artificial permitió minimizar la variabilidad
Los análisis basados en IA, pero no las mediciones manuales fueron predictores independientes de mortalidad intrahospitalaria y en el seguimiento.
El análisis a través de IA de los ecocardiogramas pueden aumentar el poder estadístico para predecir eventos, lo que posiblemente requiera menor tamaño muestral en los ensayos clínicos.
