Investigadores desarrollaron ECG-CLIP, un modelo entrenado con más de 1.7 millones de electrocardiogramas e informes médicos, capaz de detectar infarto agudo de miocardio, amiloidosis cardiaca y miocardiopatía hipertrófica, además de predecir fibrilación auricular y desenlaces adversos como mortalidad y enfermedad renal crónica.
Un equipo de investigadores del Scripps Research Translational Institute, incluido el reconocido cardiólogo e investigador Eric Topol, desarrolló y validó externamente un modelo de inteligencia artificial (IA) denominado ECG-CLIP, diseñado para mejorar la capacidad diagnóstica y predictiva de los electrocardiogramas (ECG) mediante el uso de reportes clínicos como fuente adicional de aprendizaje. Los resultados del estudio fueron publicados en The Lancet Digital Health. En un estudio anterior publicado en npj Digital Medicine, en noviembre del año pasado, ECG-CLIP demostró la capacidad de diagnosticar múltiples condiciones cardíacas a partir de un ECG de 12 derivaciones, utilizando únicamente descripciones clínicas en texto.
El modelo se entrenó con datos del sistema GE MUSE de Scripps Health, un conjunto retrospectivo que incluyó más de 1.7 millones de ECG de 542 mil 288 pacientes, recolectados entre el 15 de enero de 2008 y el 15 de enero de 2019. A diferencia de los enfoques tradicionales de aprendizaje automático, que dependen en gran medida de etiquetas específicas para cada tarea, ECG-CLIP se entrenó en dos etapas, combinando la reconstrucción de señales de ECG enmascaradas con un aprendizaje contrastivo que vincula las señales del ECG con las anotaciones textuales de los informes médicos revisados por cardiólogos.
Para evaluar su desempeño, el equipo utilizó MIMIC-IV, una base de datos externa e independiente con más de 800 mil ECG, en tareas de detección de infarto agudo de miocardio, amiloidosis cardiaca y miocardiopatía hipertrófica, así como en la predicción de fibrilación auricular a partir de ritmo sinusal normal y en la predicción de desenlaces adversos, entre ellos mortalidad a 30 días en urgencias, mortalidad posquirúrgica y la aparición de enfermedad renal crónica o diabetes tipo 2 a tres años.
En la detección de infarto agudo de miocardio, ECG-CLIP alcanzó un área bajo la curva ROC AUC de 0.963, superando de forma significativa a un modelo de referencia general sin preentrenamiento específico en ECG y a un modelo supervisado convencional. En amiloidosis cardiaca y miocardiopatía hipertrófica, condiciones con baja prevalencia en el conjunto de entrenamiento, el modelo obtuvo valores de AUC de 0.852 y 0.861, respectivamente. Para la predicción de fibrilación auricular, el AUC fue de 0.867, el más alto entre todos los modelos comparados.
Uno de los hallazgos centrales del estudio es la eficiencia del modelo de IA para aprender con pocos datos etiquetados. Según los autores, ECG-CLIP logró un desempeño equivalente al del mejor modelo de comparación entrenado con el conjunto completo de datos utilizando en promedio 90.8% menos información de entrenamiento. En tarea.0s específicas, la reducción de datos necesaria llegó a 92.7% para la detección de amiloidosis cardiaca y a 93.7% para la predicción de aparición de diabetes tipo 2 a tres años. Cuando solo se disponía de diez casos positivos en el conjunto de entrenamiento, el modelo superó de forma significativa al resto de los modelos evaluados en la detección de infarto agudo de miocardio, con un AUC de 0.910 frente a 0.884 del modelo más cercano.
El estudio también evaluó el desempeño del modelo cuando solo se dispone de una sola derivación del ECG, un escenario relevante para dispositivos portátiles o de uso ambulatorio que no capturan las 12 derivaciones estándar. En este contexto, ECG-CLIP mantuvo un rendimiento superior al de los modelos de comparación, incluso al utilizar derivaciones consideradas menos informativas para ciertos diagnósticos.
Los autores señalan que las etiquetas del conjunto de datos externo MIMIC-IV no fueron revisadas por un cardiólogo, lo que podría afectar la confiabilidad de esa evaluación. Además, el modelo se desarrolló y validó con datos provenientes de un entorno hospitalario controlado, por lo que su desempeño en poblaciones con características demográficas, socioeconómicas o de comorbilidad distintas, así como en sistemas de registro diferentes, incluidos dispositivos portátiles, aún debe establecerse. El equipo concluye que se requieren ensayos clínicos prospectivos para confirmar la aplicabilidad del modelo en entornos clínicos reales.
