Investigadores de Mayo Clinic desarrollaron y validaron un algoritmo de aprendizaje profundo capaz de identificar estenosis aórtica a partir de ecografías cardiacas enfocadas, adquiridas con dispositivos portátiles por personal sin formación clínica previa, con miras a ampliar el acceso al tamizaje de esta enfermedad valvular.
Un equipo de Mayo Clinic desarrolló y evaluó de forma prospectiva un modelo de aprendizaje profundo o deep learning diseñado para detectar estenosis aórtica moderada o grave a partir de exámenes de ultrasonido cardiaco enfocado guiados por inteligencia artificial (IA), incluso cuando estos son realizados por operadores sin experiencia previa en ecografía. Los resultados del estudio fueron publicados en JAMA Cardiology.
La estenosis aórtica es una enfermedad que afecta aproximadamente a 12% de las personas mayores de 75 años en Estados Unidos y constituye la indicación más común de intervención valvular a nivel mundial, aunque con frecuencia se subdiagnostica y se trata de forma tardía. El reconocimiento tardío se asocia con remodelación ventricular adversa, insuficiencia cardiaca y mortalidad. La ecocardiografía transtorácica es el estándar diagnóstico de referencia, pero su tamizaje rutinario en poblaciones asintomáticas no se recomienda debido a limitaciones de costo, equipo y personal capacitado.
“Un ecocardiograma completo es la prueba diagnóstica estándar para la estenosis aórtica. Sin embargo, su uso requiere muchos recursos, ya que exige equipo especializado y personal capacitado tanto en la adquisición como en la interpretación de las imágenes. Estos requisitos pueden limitar el acceso, particularmente en entornos con recursos restringidos, y hacen que la ecocardiografía integral no sea factible ni costo-efectiva como herramienta de tamizaje amplio”, Gal Tsaban, cardiólogo de Mayo Clinic y autor principal del estudio.
El modelo se desarrolló con datos de 6 mil 753 pacientes y se evaluó en cohortes de validación interna, prueba interna y validación geográficamente distintas, correspondientes a sedes de Mayo Clinic en el medio oeste, Arizona y Florida de Estados Unidos. En la cohorte de prueba interna, el algoritmo alcanzó un área bajo la curva ROC (AUROC) de 0.99, con resultados similares en las cohortes de Arizona y Florida. En exámenes realizados por ecografistas experimentados con dispositivos portátiles, la sensibilidad fue de 95% y la especificidad de 97%.
Posteriormente, el equipo evaluó el modelo de forma prospectiva en mil 302 pacientes que se sometieron a ecografía cardiaca enfocada guiada por IA artificial, realizada por nueve integrantes del personal de investigación sin experiencia clínica ni en ecografía, tras cuatro horas de entrenamiento estandarizado. De estas exploraciones, 96.6% resultaron adecuadas para el análisis automatizado, con una sensibilidad de 93% y una especificidad de 96%, en comparación con una ecocardiografía Doppler completa utilizada como estándar de referencia.
“Queríamos ver si combinar la guía de IA con el ultrasonido cardiaco enfocado podía ayudar a personas sin experiencia previa en ultrasonido a capturar imágenes cardiacas útiles e identificar a los pacientes que podrían necesitar una evaluación adicional”, Jared Bird, cardiólogo de Mayo Clinic y colíder del estudio.
Los investigadores también probaron un flujo de trabajo en dos pasos, en el que los casos clasificados por la IA como positivos o no interpretables, aproximadamente 10% del total, se sometieron a revisión de un cardiólogo experto. Esta estrategia elevó el valor predictivo positivo de 49.4% a 91.1%, con una sensibilidad de 85.4%, y redujo la necesidad de derivar a ecocardiografía completa a solo 4.8% de los participantes.
Según los autores, el propósito de esta herramienta es servir como estrategia de clasificación de riesgo, no como diagnóstico definitivo. El modelo no mide directamente la hemodinámica valvular ni determina la gravedad de la estenosis, sino que identifica un patrón morfológico bidimensional asociado con la enfermedad moderada o grave, por lo que los casos positivos requieren confirmación mediante ecocardiografía Doppler completa.
Entre las limitaciones señaladas, los investigadores indican que, si bien el desempeño del modelo fue consistente entre distintas sedes dentro de un mismo sistema de salud y se mantuvo con imágenes obtenidas mediante dispositivos portátiles, aún se requiere validación prospectiva en sistemas de salud independientes, con distintos proveedores de ultrasonido y protocolos de adquisición heterogéneos. Asimismo, los participantes fueron reclutados de una población con derivación clínica a ecocardiografía y no de una población de tamizaje no seleccionada, y los efectos del modelo sobre los patrones de derivación, el uso de recursos y los desenlaces de los pacientes todavía se desconocen.
Los autores concluyen que estos hallazgos respaldan la evaluación adicional de esta estrategia como herramienta escalable de clasificación de riesgo, y posiblemente de tamizaje, en entornos de atención primaria, comunitarios y con recursos limitados.
JAMA NETWORK
MAYO CLINIC
