Investigadores de universidades chinas desarrollaron y validaron en dos centros médicos una herramienta que identifica el riesgo de estenosis en cada una de las cuatro arterias coronarias principales, incluso en pacientes con electrocardiogramas interpretados como normales.
Un equipo de investigadores de la Universidad de Pekín y la Universidad Médica de Tianjin, en China, desarrolló y validó un modelo de inteligencia artificial (IA) capaz de predecir, a partir de un electrocardiograma estándar de 12 derivaciones, la probabilidad de que un paciente presente estenosis coronaria hemodinámicamente significativa en cada una de las cuatro arterias coronarias principales. El estudio fue publicado en npj Digital Medicine.
La angiografía coronaria por tomografía computarizada (CCTA, en inglés) es actualmente la modalidad no invasiva recomendada como primera línea para diagnosticar enfermedad coronaria, pero su uso está limitado por la necesidad de infraestructura avanzada, el control estricto de la frecuencia cardiaca, la exposición a radiación y el riesgo de nefropatía inducida por contraste, en particular en pacientes con función renal comprometida. Ante estas limitaciones, los investigadores buscaron desarrollar una herramienta complementaria, de bajo costo y no invasiva, que ayude a priorizar qué pacientes requieren estudios de imagen más avanzados.
El modelo, entrenado mediante una estrategia de aprendizaje por transferencia a partir de ECGFounder, un modelo fundacional de electrocardiografía preentrenado con más de 10 millones de registros, fue ajustado específicamente para predecir estenosis en la arteria coronaria derecha (RCA), la arteria coronaria izquierda principal (LM), la arteria descendente anterior izquierda (LAD) y la arteria circunfleja izquierda (LCX). El umbral definido para considerar una estenosis hemodinámicamente significativa fue de 70% o más de estrechamiento luminal para RCA, LAD y LCX, y de 50% o más para LM.
El desarrollo del modelo se basó en 4 mil 620 pares de electrocardiograma y angiografía coronaria por tomografía computarizada de 2, mil 323 pacientes del Hospital de la Gente de la Universidad de Pekín, recolectados entre 2016 y 2023. La validación externa se realizó con 2 mil 477 pares independientes del Segundo Hospital de la Universidad Médica de Tianjin, obtenidos entre 2023 y 2024, y se complementó con una cohorte adicional de seguimiento longitudinal de 400 pacientes del mismo hospital de Tianjin.
En la validación interna, el modelo alcanzó un área bajo la curva (AUC) de 0.732 para identificar enfermedad coronaria hemodinámicamente significativa a nivel de paciente, con valores específicos por vaso de 0.744 para RCA, 0.683 para LM, 0.716 para LAD y 0.736 para LCX. En la validación externa, el desempeño se mantuvo consistente, con un AUC de 0.694 a nivel de paciente y valores de 0.714, 0.740, 0.700 y 0.673 para cada arteria respectivamente. De manera relevante, en el subgrupo de pacientes cuyo electrocardiograma había sido interpretado como normal por un médico, el modelo conservó un AUC de 0.710 a nivel de paciente, lo que sugiere que la herramienta detecta información electrofisiológica sutil que no resulta evidente en la lectura clínica de rutina.
Por otro lado, los investigadores también observaron que las probabilidades de riesgo calculadas por el modelo aumentaban de forma proporcional conforme se incrementaba la gravedad de la estenosis observada en la angiografía por tomografía, con una correlación estadísticamente significativa en las cuatro arterias evaluadas. A partir de las probabilidades continuas del modelo, el equipo estableció umbrales de sensibilidad de 90% y especificidad de 95% para clasificar a los pacientes en tres grupos de riesgo: bajo, intermedio y alto.
Cuando el equipo combinó la clasificación de riesgo del modelo con la probabilidad pretest recomendada por las guías de la Sociedad Europea de Cardiología, la estrategia conjunta mejoró la reclasificación de riesgo respecto al uso aislado de la probabilidad pretest, con resultados estadísticamente significativos, y redujo la proporción de pacientes ubicados en la llamada zona gris, es decir, aquellos casos ambiguos que requieren evaluación adicional.
En la cohorte de seguimiento longitudinal, con un periodo de observación preestablecido de 800 días, los pacientes clasificados como de alto riesgo por el modelo presentaron una incidencia acumulada de eventos cardiovasculares adversos mayores significativamente más alta que los grupos de riesgo intermedio y bajo. El grupo de bajo riesgo, comparado con el de alto riesgo, mostró una razón de riesgo o hazard ratio de 0.15, mientras que el grupo de riesgo intermedio registró una razón de riesgo de 0.29 frente al grupo de alto riesgo, ambos resultados con significancia estadística.
Mediante análisis de atribución basados en gradientes integrados, los investigadores identificaron que el modelo concentra su atención en regiones específicas del ciclo cardiaco, particularmente alrededor del complejo QRS y las zonas de repolarización adyacentes, lo que respalda que las predicciones se basan en segmentos del electrocardiograma con relevancia fisiológica reconocida y no en ruido de fondo.
Los propios autores reconocieron las múltiples limitaciones del estudio. Por ejemplo, la estenosis en la arteria coronaria izquierda principal tuvo una prevalencia considerablemente menor en las cohortes externa y de seguimiento, lo que introduce un desbalance de clases y obliga a interpretar con cautela los resultados específicos para ese vaso. El estudio excluyó a pacientes con infarto con elevación del segmento ST y a quienes ya habían sido sometidos a intervención coronaria percutánea o cirugía de revascularización, por lo que el modelo no ha sido evaluado en esos escenarios clínicos.
Además, tanto la cohorte de desarrollo como la de validación externa estuvieron compuestas por pacientes ya referidos para angiografía por tomografía computarizada, una población con una probabilidad pretest de enfermedad coronaria más alta que la que se encontraría en el primer nivel de atención, por lo que los investigadores señalan que el modelo requiere validación prospectiva antes de aplicarse en poblaciones con menor prevalencia de la enfermedad, como consultorios de atención primaria o servicios de urgencias.
El equipo indicó que ya se encuentra en diseño un ensayo clínico aleatorizado y prospectivo para evaluar el impacto de esta estrategia de estratificación de riesgo guiada por inteligencia artificial sobre las decisiones diagnósticas y los desenlaces clínicos en entornos reales.
