Inteligencia artificial para predecir episodios arrítmicos de alta frecuencia en pacientes con dispositivos electrónicos implantables
En la edición del 7 de enero de 2022, autores coreanos publicaron los resultados de un ensayo clínico que analizó la capacidad de la inteligencia artificial para predecir episodios arrítmicos de alta frecuencia auricular clínicamente relevantes en pacientes con dispositivos electrónicos cardíacos implantables que será comentado en la NOTICIA DEL DÍA*.
Múltiples ensayos clínicos han demostrado que los episodios auriculares de alta frecuencia (AHRE por sus siglas en inglés de atrial high-rate episodes ) más prolongados se asocian con un mayor riesgo de fibrilación auricular (FA), accidente cerebrovascular isquémico y resultados cardiovasculares adversos.
Por lo tanto, las pautas actuales de la Sociedad Europea de Cardiología (ESC) recomiendan una evaluación cardiovascular integral, incluido el riesgo de accidente cerebrovascular, las comorbilidades médicas y los factores de riesgo, en pacientes con AHRE detectados por dispositivos implantados.
En particular, en pacientes con una duración más prolongada de AHRE, una monitorización más intensiva puede ser más útil.
Estudios clínicos previos han demostrado múltiples predictores de AHRE en pacientes con marcapasos.
Sin embargo, estos predictores inconsistentes indican paradójicamente que la etiología es ambigua. Por lo tanto, estimar con precisión los AHRE clínicamente relevantes es una parte importante del manejo óptimo del paciente después de la implantación de un marcapasos.
El aprendizaje automático (ML por la siglas en inglés de machine learning) ofrece un enfoque computacional y alternativo al modelado predictivo estándar que reconoce características complejas dentro de los datos.
Se refiere al proceso por el cual los ordenadores desarrollan el reconocimiento de patrones o la capacidad de aprender continuamente y realizar predicciones basadas en datos, tras lo cual realizan ajustes sin haber sido programados específicamente para ello.
Hasta la fecha, ha habido varias investigaciones de algoritmos de ML para la genética de la enfermedad coronaria, los resultados de la terapia de resincronización cardíaca, como la mortalidad y la hospitalización relacionada con la insuficiencia cardíaca (IC), la IC con fracción de eyección conservada y la estimación de la recurrencia de la taquicardia ventricular y la mortalidad después de ablación con catéter.
Los aitores presumen que los algoritmos de ML pueden producir un modelo predictivo para AHRE clínicamente relevantes en pacientes individuales que pueden ser más útiles que los predictores informados anteriormente.
En este documento, se buscó determinar qué clase de algoritmos ML tiene la mayor precisión predictiva utilizando datos de un registro multicéntrico prospectivo.
El objetivo fue desarrollar modelos basados en ML para predecir AHRE clínicamente relevantes en función de los parámetros clínicos de pacientes con marcapasos implantados en comparación con la regresión logística (LR).
Se incluyeron 721 pacientes sin fibrilación auricular o aleteo auricular conocidos de un registro prospectivo multicéntrico (11 hospitales terciarios) que comprendía todas las regiones geográficas de Corea desde septiembre de 2017 hasta julio de 2020.
Se desarrollaron modelos predictivos de AHRE clínicamente relevantes utilizando el algoritmo de bosque aleatorio (RF random forest), algoritmo de vectores de soporte inteligente (SVM support vector machine) y algoritmo de refuerzo de gradiente extremo (XGB extreme gradient boosting).
El entrenamiento de predicción del modelo fue realizado por siete hospitales, y el rendimiento del modelo se evaluó utilizando datos de cuatro hospitales. Durante una mediana de seguimiento de 18 meses, se observaron AHRE clínicamente relevantes en 104 pacientes (14,4 %).
Los tres modelos basados en ML mejoraron la discriminación de los AHRE (área bajo la curva característica operativa del receptor: RF: 0,742, SVM: 0,675 y XGB: 0,745 frente a LR: 0,669).
El modelo XGB tuvo una mayor resolución en el puntaje de Brier (RF: 0.008, SVM: 0.008 y XGB: 0.021 vs. LR: 0.013) que los otros modelos.
El uso de modelos basados en ML en la clasificación de pacientes se asoció con una mejor predicción de AHRE clínicamente relevantes después de la implantación de un marcapasos.
Como conclusión, el estudio ilustró la utilidad de los algoritmos de ML en la estimación de AHRE clínicamente relevantes en pacientes con marcapasos implantados utilizando características de preimplantación fáciles de obtener.
La clasificación de los pacientes que utilizan estos modelos puede respaldar las decisiones clínicas sobre la terapia de anticoagulación para prevenir resultados adversos en pacientes seleccionados.
Desde esta perspectiva, los modelos deben construirse y validarse individualmente para cada diagnóstico. Se puede obtener más evidencia de alta calidad mediante la aplicación de algoritmos de ML; en consecuencia, los datos obtenidos pueden ayudar en el manejo óptimo de estos pacientes con toma de decisiones compartida.
* Kim M, Kang Y, You SC, Park HD, Lee SS, Kim TH, Yu HT, Choi EK, Park HS, Park J, Lee YS, Kang KW, Shim J, Sung JH, Oh IY, Park JS, Joung B. Artificial intelligence predicts clinically relevant atrial high-rate episodes in patients with cardiac implantable electronic devices. Sci Rep. 2022 Jan 7;12(1):37. doi: 10.1038/s41598-021-03914-4. PMID: 34996990; PMCID: PMC8741914.
