Investigación de Cedars-Sinai muestra la efectividad del aprendizaje profundo en la detección temprana de la fibrilación atrial.
Un reciente estudio publicado en JAMA Cardiology realizado por investigadores de Cedars-Sinai Medical Center presentó resultados prometedores en la detección temprana de la fibrilación atrial (FA) utilizando modelos de aprendizaje profundo aplicados a electrocardiogramas (ECG) de pacientes en ritmo sinusal.
La investigación se basó en un conjunto de datos extenso proveniente de hospitales de veteranos en Estados Unidos y de un centro médico académico no vinculado al Departamento de Asuntos de Veteranos (VA). Los hallazgos del estudio sugieren que el uso de este modelo de aprendizaje profundo podría mejorar la identificación de pacientes en alto riesgo de FA, lo que permitiría una intervención temprana y la posibilidad de reducir las complicaciones asociadas con esta condición médica. El modelo demostró su eficacia en diversas poblaciones con diferentes características demográficas y comorbilidades, lo que representa un avance significativo en futuros esfuerzos de detección de FA.
En el estudio, utilizó 907,858 electrocardiogramas ECGs de pacientes de seis sitios médicos del VA. Estos pacientes tenían un promedio de edad de 62.4 años, y el 6.4% eran mujeres, mientras que el 93.6% eran hombres. El estudio utilizó la escala CHA2DS2-VASc -VASc, una regla de predicción clínica que estima el riesgo de accidente cerebrovascular en pacientes con fibrilación auricular y el promedio fue de 1.9.
De esta manera, los investigadores entrenaron un modelo de redes neuronales convolucionales utilizando los ECGs de dos redes hospitalarias del VA para su entrenamiento. Posteriormente, se probó en ECGs que no se utilizaron en el entrenamiento, tanto en los mismos hospitales del VA como en otros cuatro hospitales del VA y un centro médico académico no relacionado con el VA.
Los resultados del modelo se midieron utilizando métricas como el área bajo la curva característica de operación (AUROC), la precisión y la puntuación F1. En las pruebas de los hospitales del VA, el modelo obtuvo un AUROC de 0.86, una precisión del 0.78 y una puntuación F1 de 0.30. Por otra parte, el en hospital académico no relacionado con el VA, el AUROC fue de 0.93, la precisión del 0.87 y la puntuación F1 de 0.46. Además, el modelo se mostró bien calibrado con un puntaje Brier de 0.02 en todos los sitios. Es decir que el modelo fue capaz de predecir con precisión la presencia de fibrilación atrial en los ECGs de los pacientes.
Finalmente, los investigadores también evaluaron el rendimiento del modelo en diferentes subgrupos de pacientes según características como raza, género, edad y puntuación CHA2DS2-VASc, y encontraron que el modelo funcionaba de manera similar en todos estos grupos. Es por ello que este estudio es tan relevante, ya que considera diversos antecedentes, contextos y condiciones de los pacientes.
Los investigadores concluyeron que los resultados sugieren que el aprendizaje profundo aplicado a los ECGs en ritmo sinusal tiene el potencial de ser una herramienta efectiva para la detección temprana de la fibrilación atrial en diversas poblaciones de pacientes.
