ECG con inteligencia artificial y fibrilación auricular
Investigadores de la Clínica Mayo, de Rochester EEUU, acaban de publicar en el Lancet del 7 de septiembre los resultados de un análisis retrospectivo de la capacidad de predicción de resultados en relación a la aplicación de un algoritmo de ECG con inteligencia artificial para la identificación de pacientes que presentan episodios de fibrilación auricular durante el ritmo sinusal*. Su trabajo ameritó un Editorial en el mismo número del Lancet**.
Señalan los autores a manera de introducción que la fibrilación auricular es común, subdiagnosticada y asociada con un mayor riesgo de accidente cerebrovascular, insuficiencia cardíaca y mortalidad.
La detección de la arritmia puede ser un desafío debido al bajo rendimiento diagnóstico de un solo electrocardiógrafo (ECG) para detectar con frecuencia a menudo una fugaz arritmia y la naturaleza engorrosa de la monitorización prolongada.
Los puntajes clínicos de riesgo se pueden utilizar para identificar a los pacientes en riesgo, pero solo tienen un rendimiento modesto. Debido a estas limitaciones, las principales sociedades médicas han emitido pautas inconsistentes sobre la detección de fibrilación auricular.
Una prueba de bajo costo, ampliamente disponible y no invasiva que facilite la identificación de pacientes que probablemente la tengan tendría importantes implicaciones diagnósticas y terapéuticas.
Por ejemplo, hasta un tercio de los accidentes cerebrovasculares no tienen una causa conocida: el denominado accidente cerebrovascular embólico de origen indeterminado (ESUS embolic stroke of undetermined source) .
Muchos de estos accidentes cerebrovasculares están relacionados con la presencia de FA, que puede detectarse de manera insuficiente debido a su paroxismo y, a menudo, de naturaleza asintomática.
Los pacientes con ESUS tienen un alto riesgo de accidente cerebrovascular recurrente, y cuando se documenta la fibrilación auricular, la anticoagulación reduce el riesgo de padecerlo en forma reiterada y podría reducir la mortalidad.
Sin embargo, el uso empírico de anticoagulantes después de ESUS, ya sea con warfarina o un anticoagulante oral directo, no se ha demostrado que sea beneficioso y aumenta el riesgo de sangrado; por lo tanto, la determinación de si hay fibrilación auricular es crucial para guiar la terapia.
La monitorización ambulatoria prolongada del ritmo cardíaco se usa con frecuencia para detectar arritmias, particularmente después de ESUS. Los enfoques incluyen la inserción de grabadoras de bucle implantables y parches portátiles.
Estas estrategias son invasivas o inconvenientes, costosas, requieren una infraestructura de monitoreo y tienen un bajo rendimiento.
Cada vez hay más pruebas de que los pacientes que desarrollan fibrilación auricular, incluso en un corazón aparentemente normal, tienen cambios estructurales en las aurículas que predisponen a presentarla; estos cambios podrían ser importantes para la patogénesis del accidente cerebrovascular isquémico o embólico.
Los investigadores manifiestan que han utilizado el aprendizaje automático en forma de redes neuronales profundas para identificar patrones sutiles en el ECG estándar de 12 derivaciones para identificar la presencia de disfunción ventricular asintomática y presumen que podrían entrenar una red neuronal para identificar los hallazgos sutiles presentes en un ECG estándar de 12 derivaciones adquirido durante el ritmo sinusal normal que corresponda a cambios estructurales asociados con un historial de fibrilación auricular (o inminente).
Dicha prueba de diagnóstico podría ser económica, ampliamente disponible e inmensamente útil después de ESUS para guiar la terapia. Para probar esta hipótesis, capacitaron, validaron y probaron una red neuronal profunda utilizando una gran cohorte de pacientes de la Base de datos digitales de la Mayo Clinic.
De esta forma desarrollaron un electrocardiógrafo (ECG) habilitado con inteligencia artificial (AI por sus siglas en inglés) utilizando una red neuronal convolucional para detectar la característica electrocardiográfica de la fibrilación auricular presente durante el ritmo sinusal normal utilizando ECG estándar de 10 segundos y 12 derivaciones.
Convolucional es un tipo de red neuronal artificial donde las neuronas corresponden a campos receptivos de una manera muy similar a las neuronas en la corteza visual primaria de un cerebro biológico.
Se incluyeron todos los pacientes de 18 años o más con al menos un ECG digital normal de ritmo sinusal normal, de 10 segundos y 12 derivaciones adquirido en posición supina en el laboratorio de ECG de Mayo Clinic entre el 31 de diciembre de 1993 y el 21 de julio de 2017, con certificación del ritmo validada por personal capacitado bajo supervisión cardiológica.
Los pacientes y sus ECG disponibles digitalmente se asignaron aleatoriamente a tres conjuntos de datos: un conjunto de datos de entrenamiento (70% de la cohorte de pacientes) utilizado para entrenar la red, un conjunto de datos de validación interna (10% de la cohorte de pacientes) para optimizar la red y una prueba conjunto de datos (20% de la cohorte de pacientes) para identificar la capacidad del ECG con IA para detectar la fibrilación auricular.
Se calculó el área bajo la curva (AUC) de la curva ROC para el conjunto de datos de validación interna para seleccionar un umbral de probabilidad, que aplicaron al conjunto de datos de prueba y se evaluó el rendimiento del modelo en el conjunto de datos de prueba calculando el AUC y la precisión, sensibilidad, especificidad y puntaje F1 con IC de 95%.
Se incluyeron 180.922 pacientes con 649.931 ECG de ritmo sinusal normal para el análisis: 454.789 ECG registrados de 126.526 pacientes en el conjunto de datos de entrenamiento, 64.340 ECG de 18.116 pacientes en el conjunto de datos de validación interna y 130.802 ECG de 36.280 pacientes en el conjunto de datos de prueba.
3051 (8.4%) pacientes en el conjunto de datos de prueba habían verificado fibrilación auricular antes del ECG de ritmo sinusal normal probado por el modelo.
Un solo ECG habilitado con IA identificó fibrilación auricular con un AUC de 0 · 87 (IC 95% 0 · 86 – 0 · 88), sensibilidad de 79,0% (77,5 – 80,4), especificidad de 79,5 % (79,0 – 79,9), puntaje F1 de 39,2% (38,1 – 40,3) y precisión general de 79,4% (79,0 – 79,9).
La inclusión de todos los ECG adquiridos durante el primer mes de la ventana de interés de cada paciente (es decir, la fecha de inicio del estudio o 31 días antes del primer ECG de fibrilación auricular registrado) aumentó el AUC a 0 · 90 (0 · 90 – 0 · 91), sensibilidad a 82,3% (80,9 – 83,6), especificidad a 83,4% (83, 0 – 83,8), puntaje F1 a 45,4% (44,2 – 46, 5), (F1es la medida de precisión que tiene un test) y en general precisión a 83,3% (83,0 – 83,7).
La interpretación de estos resultados permite afirmar que un ECG habilitado con IA adquirido durante el ritmo sinusal normal permite la identificación de individuos con fibrilación auricular.
Los editorialistas de Lancet** reflexionan que hay varios puntos fuertes del enfoque adoptado por Attia y sus colegas. Primero, utilizaron una gran cohorte de pacientes y sus ECG y evitaron sesgos al dividir a los pacientes en tres conjuntos de datos, lo que demuestra un enfoque sólido.
Sus hallazgos serán de importancia clínica, especialmente en la identificación de la fibrilación auricular silenciosa, y podrían tener implicaciones importantes para la prevención secundaria de pacientes con ESUS en términos de proporcionar una anticoagulación oral adecuada para prevenir las recurrencias del accidente cerebrovascular
Además, este enfoque podría conducir a un cambio de paradigma en el registro del ritmo sinusal en lugar de la fibrilación auricular en un ECG, con un enfoque específico en la identificación de cambios estructurales.
El algoritmo habilitado para IA requeriría una validación adicional en una cohorte de pacientes diferente, probando una población extrahospitalaria más saludable, así como un riguroso ensayo clínico prospectivo
* Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, Carter RE, Yao X, Rabinstein AA, Erickson BJ, Kapa S, Friedman PA. An artificial intelligence-enabled ECG algorithm for the identification of patientswith atrial fibrillation during sinus rhythm: a retrospective analysis of outcomeprediction. Lancet. 2019 Sep 7;394(10201):861-867. doi: 10.1016/S0140-6736(19)31721-0. Epub 2019 Aug 1.
** Hendriks JML, Fabritz L. AI can now identify atrial fibrillation through sinus rhythm. Lancet. 2019 Sep 7;394(10201):812-813. doi: 10.1016/S0140-6736(19)31719-2. Epub 2019 Aug 1.
