ECG-MACE es una herramienta basada en deep learning que utiliza información de electrocardiogramas para predecir eventos cardiovasculares adversos.
An investigation published in npj Digital Medicine journal presenta un modelo de deep learning o aprendizaje profundo multitarea denominado ECG-MACE, diseñado para predecir eventos cardiovasculares adversos importantes (MACE, en inglés) utilizando electrocardiogramas (ECG) de 12 derivaciones. Estos eventos incluyen insuficiencia cardíaca, infarto de miocardio, accidente cerebrovascular isquémico y mortalidad por cualquier causa.
El objetivo principal de esta herramienta es la predicción a corto plazo, es decir identificar la probabilidad de eventos cardiovasculares dentro de un año. De igual forma se busca la validación externa de del modelo, es decir probar su eficacia en datos provenientes de diferentes centros médicos. Asimismo, el estudio comparó ECG-MACE con herramientas tradicionales como el Framingham Risk Score (FRS), una herramienta convencional de evaluación de riesgos.
Los principales hallazgos de la investigación están relacionados con la precisión en las predicciones. El modelo alcanzó altos niveles de precisión: Insuficiencia cardíaca: AUROC (Area Under the Reciever Operating Characteristic Curve) de 0.90; infarto de miocardio: AUROC de 0.85; mortalidad: AUROC de 0.89; y accidente cerebrovascular isquémico: AUROC de 0.76.
Cabe destacar que ECG-MACE superó a FRS en la predicción de eventos a 1 y 5 años, además de mostrar un rendimiento comparable para predicciones a 10 años. Además, en la validación externa robusta también obtuvo resultados importantes pues, en un segundo centro médico, el modelo mantuvo una AUROC de 0.83 para la predicción de mortalidad.
El estudio también comprobó las capacidades a largo plazo del modelo. Incluso en un seguimiento de diez años, el grupo clasificado como de “alto riesgo” mostró tasas de incidencia significativamente mayores para los eventos evaluados.
Los autores definieron las aplicaciones potenciales de ECG-MACE:
- Prevención primaria: Permite identificar pacientes en riesgo antes de que desarrollen complicaciones graves.
- Personalización de tratamientos: Ayuda a diseñar intervenciones específicas basadas en datos objetivos de ECG.
- Mayor accesibilidad: El modelo utiliza datos de ECG de rutina, eliminando la necesidad de pruebas de laboratorio costosas o información demográfica detallada.
Sin embargo, los autores también reconocieron las limitaciones de su estudio. Una de ella es su muestra reducida, pues se limitó a población de origen Han en Taiwán, lo que podría restringir la aplicabilidad a otras etnias. Asimismo, el modelo no pudo incluir datos de pacientes con eventos censurados, lo que puede afectar la generalización de los resultados. De igual manera, ECG-MACE representa un avance significativo en la medicina preventiva, y ofrece un método eficiente y preciso para anticipar eventos cardiovasculares adversos y contribuir a estrategias de intervención temprana y personalización del cuidado de la salud.
