Esta herramienta automatizada permite evaluar el calcio coronario en tomografías computarizadas rutinarias, mejorando la detección de pacientes con riesgo de eventos cardiovasculares graves.
Investigadores de Mass General Brigham en colaboración con el Departamento de Asuntos de Veteranos de Estados Unidos (VA, en inglés) desarrollaron un modelo de inteligencia artificial (IA) a partir de tomografías computarizadas (TC) no especializadas en el corazón previamente obtenidas. Este modelo de deep learning denominado AI-CAC, es capaz de cuantificar el calcio en las arterias coronarias (CAC). Según el estudio publicado en NEJM AI, esta tecnología tiene el potencial de mejorar significativamente el diagnóstico oportuno de enfermedades cardiovasculares utilizando estudios que originalmente no fueron realizados con ese propósito.
El CAC es un indicador clave de riesgo de eventos cardiovasculares como infartos y accidentes cerebrovasculares. Sin embargo, en muchos casos no se mide cuando las TC se realizan por razones no cardíacas. Para abordar este problema, el equipo de investigación entrenó a AI-CAC con 446 segmentaciones realizadas por expertos y datos recopilados de 98 centros médicos del sistema nacional de salud de VA, lo que aportó una amplia diversidad de protocolos, equipos y características de los pacientes.
“Cada año se realizan millones de tomografías computarizadas de tórax, a menudo a personas sanas, por ejemplo para detectar el cáncer de pulmón. Nuestro estudio muestra que en estas exploraciones pasa desapercibida información importante sobre el riesgo cardiovascular”, detalla el autor principal, el Dr. Huego Aerts, director del Programa de Inteligencia Artificial en Medicina (AIM) del Mass General Brigham. “Nuestro estudio muestra que la IA tiene el potencial de cambiar la forma en que los médicos practican la medicina y permitir a los médicos comprometerse con los pacientes antes, antes de que su enfermedad cardíaca avance a un evento cardíaco”.
El modelo fue validado comparando sus resultados con los de las tomografías especializadas con electrocardiograma (ECG) en 795 pacientes. La IA alcanzó una precisión del 89.4% para diferenciar entre pacientes con puntuaciones de CAC de 0 frente a mayores de 0, y del 87.3% para distinguir entre puntuaciones por debajo y por encima de 100 en la escala de Agatston.
AI-CAC también fue probado en 8,052 estudios de tomografía de baja dosis (LDCT, en inglés). De estos, el 38.4% de los pacientes obtuvo una puntuación superior a 400, lo que indica un alto riesgo cardiovascular. Además, cuatro cardiólogos evaluaron una muestra aleatoria de estos casos, y confirmaron que el 99.2% de ellos se beneficiaría de tratamiento con medicamentos para reducir el colesterol.
“En la actualidad, los sistemas de imagenología de VA contienen millones de tomografías computarizadas de tórax no controladas que pueden haber sido tomadas para otro propósito, alrededor de 50.000 estudios controlados. Esto presenta una oportunidad para que AI-CAC aproveche las exploraciones no controladas recopiladas rutinariamente con fines de evaluación del riesgo cardiovascular y para mejorar la atención”, explicó el primer autor Raffi Hagopian, cardiólogo e investigador en el grupo de Innovaciones Aplicadas e Informática Médica en el Sistema de Salud de Long Beach VA.
Los resultados mostraron que los pacientes con puntajes altos de CAC tenían un riesgo significativamente mayor de: mortalidad a 10 años 60.2% frente a 25.4% para aquellos con puntaje cero; y también de experimentar un primer infarto, derrame cerebral o fallecimiento de 63.8% frente a 33.5%.
No obstante, los autores reconocen las limitaciones del estudio, debido a que el algoritmo fue desarrollado exclusivamente en una población de veteranos. Por ellos esperan, realizar futuros estudios en la población general y comprobar si AI-CAC puede evaluar el impacto de los medicamentos hipolipemiantes en las puntuaciones de CAC.
“El uso de IA para tareas como la detección de CAC puede ayudar a cambiar la medicina de un enfoque reactivo a la prevención proactiva de la enfermedad, reduciendo la morbilidad a largo plazo, la mortalidad y los costos de atención médica”, concluyó Hagopian. AI-CAC está disponible de forma abierta para su uso en otros sistemas de salud: https://github.com/Raffi-Hagopian/AI-CAC/
