Un modelo entrenado y validado en seis centros de Norteamérica logró identificar remodelado ventricular adverso con buena precisión y mostró el potencial de optimizar el uso de resonancia magnética cardiaca.
Investigadores de la Icahn School of Medicine de Mount Sinai desarrollaron y validaron un modelo de inteligencia artificial (IA) capaz de analizar un electrocardiograma estándar de 12 derivaciones para detectar remodelado ventricular adverso en personas con tetralogía de Fallot reparada. El estudio fue publicado en European Heart Journal: Digital Health y evaluó el desempeño del algoritmo en seis centros hospitalarios de Estados Unidos y Canadá.
La tetralogía de Fallot es la cardiopatía congénita cianótica más frecuente, aunque la reparación quirúrgica mejora la supervivencia, con el paso de los años pueden aparecer alteraciones progresivas en el tamaño y la función de los ventrículos, en especial del derecho. Las guías clínicas recomiendan vigilancia periódica con resonancia magnética cardiaca, ya que es el método de referencia para cuantificar volúmenes y fracción de eyección. Sin embargo, este estudio señala que el acceso a la resonancia es desigual, requiere recursos especializados y no siempre se cumple con la periodicidad sugerida.
“Esta investigación muestra cómo la IA puede aportar un nuevo valor a un electrocardiograma rutinario”, explicó el Dr. Son Duong, autor principal y profesor adjunto de Pediatría e Inteligencia Artificial y Salud Humana en Icahn. “Nuestro objetivo es hacer que la monitorización cardíaca permanente sea más accesible y eficaz para las personas que nacen con cardiopatías congénitas”
El equipo diseñó un modelo de aprendizaje profundo o deep learning, que recibe como entrada las señales crudas del electrocardiograma y estima la probabilidad de presentar al menos dos criterios de remodelado adverso medidos por resonancia, como dilatación del ventrículo derecho o disminución de la fracción de eyección. Para el entrenamiento se utilizaron más de 2 mil 500 electrocardiogramas de un centro, y la validación externa incluyó casi mil 800 estudios adicionales de cinco hospitales independientes.
En la validación multicéntrica, el modelo alcanzó un área bajo la curva ROC de 0.85 para el desenlace compuesto principal, lo que indica una buena capacidad de discriminación entre pacientes con y sin remodelado relevante. Al aplicar un umbral de riesgo pensado como herramienta de tamizaje, el sistema mostró una sensibilidad de 92% y un valor predictivo negativo de 87%. Según el análisis de beneficio neto, su implementación podría asociarse con una reducción aproximada de 13% en el número de resonancias realizadas, sin dejar de identificar casos verdaderos de remodelado significativo.
El estudio también reveló variaciones en el desempeño entre centros, tanto en discriminación como en calibración, lo que obligó a realizar ajustes específicos por sitio para mejorar la concordancia entre riesgo predicho y riesgo observado. No se identificaron diferencias relevantes por sexo o grupo racial o étnico, aunque el rendimiento fue menor en personas menores de 22 años.
En los análisis de explicabilidad, las regiones del complejo QRS, especialmente en derivaciones como V1 y V6, contribuyeron de forma importante a la predicción del modelo. Además, el algoritmo superó en desempeño a un modelo basado únicamente en la duración del QRS, una medida tradicionalmente utilizada como marcador de riesgo en esta población.
“A medida que la IA se integra cada vez más en la atención sanitaria, es fundamental validar rigurosamente estas herramientas en diversos entornos clínicos”, afirmó el Dr. Girish Nadkarni, coautor principal. “Nuestros hallazgos muestran tanto el potencial prometedor del cribado basado en IA como la importancia de probar el rendimiento en cada centro antes de su implementación en el mundo real”
Los autores concluyen que el electrocardiograma, una prueba ampliamente disponible y de bajo costo, podría funcionar como biomarcador digital para orientar el momento oportuno de estudios de imagen avanzados en pacientes con tetralogía de Fallot reparada. No obstante, subrayan que la validación local y la evaluación rigurosa del desempeño son pasos necesarios antes de su adopción clínica generalizada.
