Aprendizaje automático para la predicción de eventos CV adversos en adultos con tetralogía de Fallot reparada

Un grupo de investigadores de Canadá, EEUU e Israel publicaron en la edición de junio de 2023 del Circulation  Cardiovascular Imaging los resultado de un estudio que analizó el rol del aprendizaje automático para la predicción de eventos cardiovasculares adversos en adultos con tetralogía de Fallot reparada utilizando variables de resonancia magnética clínica y cardiovascular*.

Los mismos serán comentados hoy en la NOTICIA DEL DÍA.

Señalan los autores que la aplicación de parámetros de rutina obtenidos de la práctica clínica para la predicción precisa y eficiente de eventos cardiovasculares adversos mayores (MACE) en adultos después de la reparación de la tetralogía de Fallot es muy deseable.

Los autores presentan un nuevo modelo de aprendizaje automático para la predicción de MACE en adultos con reparación de tetralogía de Fallot utilizando 2 bases de datos institucionales preexistentes, al que llamaron modelo de inteligencia artificial derivado de datos de pacientes de Toronto (AiTOR).

Para el desarrollo del modelo AiTOR, se seleccionaron variables clínicas y de imágenes fácilmente disponibles (a diferencia de las puntuaciones de riesgo publicadas anteriormente basadas en parámetros invasivos o medidas especializadas).

El modelo AiTOR demostró una gran capacidad de predicción de MACE a 5 años en función de 57 variables extraídas directamente de la historia clínica electrónica (área bajo la curva, 0,82 [IC 95 %, 0,74–0,89]).

El rendimiento del modelo AiTOR fue superior a la predicción MACE mediante el modelo convencional de Cox (regresión lineal).

A pesar de la naturaleza del mundo real del modelo AiTOR, la capacidad predictiva de MACE igualó o superó las puntuaciones de riesgo publicadas anteriormente.

Cuando el modelo AiTOR se restringió a las 10 características más fuertes (5 variables de imágenes magnéticas cardiovasculares [que miden los volúmenes del ventrículo derecho al final de la sístole y al final de la diástole, la fracción de eyección biventricular y la regurgitación pulmonar], 3 variables de ejercicio cardiopulmonar [que evalúan la capacidad funcional], y 2 variables demográficas relacionadas con la edad [en la reparación de la tetralogía de Fallot y en la resonancia magnética cardiovascular]) el rendimiento del modelo no cambió significativamente.

Sin embargo, cuando se eliminaron las variables de ejercicio cardiopulmonar, el rendimiento del modelo disminuyó significativamente.

El sólido rendimiento del modelo que utiliza datos clínicos fácilmente accesibles sugiere que el aprendizaje automático se puede aplicar ampliamente para optimizar y mejorar la atención cardiovascular.

Se requerirán estudios de seguimiento que incluyan múltiples centros con un seguimiento más prolongado y puntos de tiempo en serie para determinar el valor del modelado de aprendizaje automático para la estratificación del riesgo en la reparación de la tetralogía de Fallot.

A pesar de la reparación exitosa de la tetralogía de Fallot (rTOF) en la infancia, la edad avanzada se asocia con una mayor morbilidad y mortalidad.

La identificación de pacientes con mayor riesgo de resultados clínicos adversos, como muerte súbita cardíaca o arritmia maligna, ha sido el foco de la intensificación de los esfuerzos de investigación en las últimas décadas.

Las puntuaciones de riesgo publicadas anteriormente para la predicción de eventos cardiovasculares adversos mayores (MACE) se han visto restringidas en gran medida por la cantidad de variables clínicas incluidas en los modelos y, por lo general, han incorporado medidas invasivas o especializadas que no se utilizan en la práctica clínica habitual.

Como resultado, los modelos existentes para la predicción de MACE se han visto limitados por el rango de aplicabilidad clínica y la modesta capacidad predictiva.

La inteligencia artificial (IA) es un campo de la informática, que es muy prometedor para la medicina cardiovascular en términos de mayor precisión y eficiencia para el diagnóstico de enfermedades y la predicción de resultados adversos.

El aprendizaje automático (ML por sus siglas en inglés), un subtipo de IA, ha incorporado con éxito una serie de variables no seleccionadas para la predicción de MACE en enfermedades cardíacas adquiridas.

Sería muy deseable la creación de un modelo de predicción de riesgo con excelente capacidad discriminativa en cardiopatías congénitas, que incorpore variables de uso habitual y ampliamente disponibles.

En este estudio, el objetivo principal fue explorar la creación de un modelo de ML robusto para la predicción del riesgo en rTOF utilizando una amplia gama de variables clínicas y de imágenes aplicadas a una cohorte clínica de pacientes del mundo real.

Se presume que el modelo ML discriminaría con éxito MACE de 5 años en un grupo relativamente no seleccionado de adultos con rTOF.

Se aplicó un algoritmo de aprendizaje automático a 2 bases de datos institucionales no superpuestas de adultos con tetralogía de Fallot reparada:

(1) para el desarrollo de modelos, un registro de resonancia magnética clínica y cardiovascular construido prospectivamente;

(2) para la validación del modelo, una base de datos retrospectiva compuesta por variables extraídas de la historia clínica electrónica.

El resultado compuesto MACE incluyó mortalidad, muerte súbita resucitada, taquicardia ventricular sostenida e insuficiencia cardíaca. El análisis se restringió a individuos con MACE o seguimiento ≥5 años.

Se entrenó un modelo de bosque aleatorio mediante aprendizaje automático (n=57 variables). La validación de submuestreo aleatorio repetido se aplicó secuencialmente al conjunto de datos de desarrollo seguido de la aplicación al conjunto de datos de validación.

Se identificaron 804 individuos (n=312 para desarrollo y n=492 para validación).

La predicción del modelo (área bajo la curva [IC del 95 %]) para MACE en el conjunto de datos de validación fue fuerte (0,82 [0,74–0,89]) con un rendimiento superior al de un modelo multivariable de Cox convencional (0,63 [0,51–0,75]; P = 0,003 ) .

El rendimiento del modelo no cambió significativamente con la entrada restringida a las 10 características más fuertes (orden decreciente de fuerza: volumen sistólico final del ventrículo derecho indexado, fracción de eyección del ventrículo derecho, edad en la resonancia magnética cardiovascular, edad en la reparación, umbral anaeróbico ventilatorio absoluto, volumen telediastólico ventricular indexado, umbral anaeróbico ventilatorio, capacidad aeróbica máxima, fracción de eyección del ventrículo izquierdo y fracción de regurgitación pulmonar, 0,81 [0,72–0,89];P = 0,232).

La eliminación de los parámetros de ejercicio resultó en un rendimiento inferior del modelo (0,75 [0,65–0,84]; P = 0,002).

En este estudio, se describió un nuevo modelo de IA para la predicción de resultados clínicos adversos en rTOF desarrollado y validado mediante técnicas de ML.

Los hallazgos clave incluyeron lo siguiente:

1. el modelo AiTOR desarrollado a partir de variables clínicas y de imágenes tuvo una fuerte capacidad predictiva de MACE en rTOF a los 5 años que igualó o superó la discriminación de las puntuaciones de riesgo publicadas previamente cuando se aplicó a esta población; 
2. el rendimiento del modelo AiTOR fue sólido a pesar de la naturaleza del mundo real del conjunto de datos de validación compuesto únicamente por variables de rutina obtenidas de un registro de salud electrónico institucional sin la inclusión de medidas invasivas o especializadas; y
3. la fuerza del modelo AiTOR se mantuvo incluso después de la restricción a las diez variables más fuertes. 

La predicción precisa de la muerte súbita en rTOF ha sido el foco de la intensificación de los esfuerzos de investigación en las últimas décadas.

En comparación con la población mayor de sujetos con cardiopatía adquirida, la supervivencia cada vez mayor de la población rTOF relativamente joven puede soportar un impacto acumulativo sustancial del riesgo a lo largo de la vida.

La puntuación de riesgo inicial ampliamente reconocida y citada a menudo para la idoneidad de la terapia de choque con desfibrilador cardíaco implantable para la prevención primaria publicada por Khairy et al en 2008 se basó, al menos en parte, en medidas invasivas como la prueba de estimulación para la taquicardia ventricular durante las pruebas electrofisiológicas y directa. mediciones de presión obtenidas durante el cateterismo cardíaco, que pueden estar disponibles solo ocasionalmente.

En un intento por ampliar la aplicabilidad de la puntuación de Khairy y junto con el reconocimiento de que la CMR puede proporcionar una discriminación de enfermedades sólida y multifacética en rTOF, Bokma y sus colegas crearon un modelo para la predicción de la mortalidad por todas las causas y la arritmia ventricular en 2017 utilizando el componente no invasivo de la puntuación de Khairy junto con la adición de medidas derivadas de CMR de disfunción sistólica significativa (LVEF <45 % y RVEF <30 %), lo que da como resultado una estadística C de 0,75 (IC, 0,63–0,85).

Más recientemente, Ghonim et al ampliaron los predictores de mortalidad por todas las causas en rTOF, creando una puntuación de riesgo con la inclusión de LGE (late gadolinium enhancement) del VD y el ventrículo izquierdo además de las medidas de CMR de función sistólica, parámetros de ejercicio, BNP, edad e historial. de arritmia.

Digno de mención es la ponderación del sistema de puntuación de Ghonim hacia la presencia de LGE con 40 de los 100 puntos disponibles asignados en presencia de LGE VD grave, lo que convierte a esta variable en el predictor más fuerte de resultado.

En consecuencia, el rendimiento de su modelo se debilitó después de la eliminación de LGE, disminuyendo de un AUC de 0,87 (IC, 0,78–0,95) a un AUC de 0,81 (IC, 0,71–0,91).

Aunque está indicado para la evaluación dirigida de pacientes específicos en circunstancias seleccionadas, existen limitaciones importantes para la administración de contraste basado en gadolinio por vía intravenosa que han impedido la adopción generalizada de imágenes LGE en la práctica clínica para la vigilancia en rTOF, algunas de las cuales incluyen la naturaleza algo invasiva de la inyección de contraste, el riesgo de depósito de gadolinio a largo plazo en estructuras extracardiacas, contraindicación para la administración en pacientes con insuficiencia renal y dificultades técnicas relacionadas con la realización e interpretación de LGE en el VD de paredes relativamente delgadas y de forma única.

Aunque es una variable prometedora en el campo de la investigación, la LGE en rTOF puede ser relativamente escasa en la atención clínica de rutina debido al uso restringido; en la cohorte presentada por los autores, solo 27 sujetos (4%) tenían imágenes LGE disponibles para revisión y, como tal, fue la menos disponible de todas las variables estudiadas.

Se han propuesto otros parámetros de RMC para la estratificación del riesgo, como la masa del VD y la relación masa/volumen del VD; sin embargo, estas medidas no se han incorporado universalmente en los protocolos de laboratorio de CMR de rutina hasta el momento.

Aunque la masa del VD estaba disponible en el 100 % de los pacientes estudiados en el conjunto de datos de desarrollo prospectivo, solo estaba disponible en el 18 % del conjunto de datos de validación retrospectiva y, por lo tanto, no pudo ser probada por el modelo AiTOR.

De manera similar, faltaba BNP en un gran porcentaje de pacientes, disponible en solo el 30% (n = 196), lo que atestigua el uso selectivo de este parámetro en el entorno clínico (en oposición a la investigación)

El diseño del nuevo modelo propuesto y los resultados del estudio tienen el potencial de hacer avanzar la atención clínica de varias maneras.

A diferencia de muchos de los modelos descritos anteriormente para la estratificación del riesgo, el modelo AiTOR se validó utilizando un conjunto de datos compuesto por medidas clínicamente disponibles comúnmente utilizadas en la vigilancia de rutina de adultos con rTOF que se extrajeron de datos reales. historias clínicas electrónicas mundiales de los sujetos seguidos en el programa.

Como tal, los autores creen que estos resultados pueden generalizarse más ampliamente que las puntuaciones de riesgo derivadas de medidas que son de naturaleza invasiva y se usan preferentemente en solo unos pocos centros selectos.

A pesar de la naturaleza ampliamente disponible de las variables utilizadas para la predicción, el rendimiento de este modelo fue al menos tan bueno y, en algunos casos, superior al rendimiento de las puntuaciones de riesgo previamente establecidas con un AUC de 0,82 (IC, 0,74–0,89;

Además, cabe mencionar el alineamiento entre las variables más fuertes seleccionadas por el modelo y las guías de manejo actuales que respaldan la vigilancia rutinaria de CMR y estudios de ejercicio con una frecuencia de estudio creciente de acuerdo con el perfil de riesgo fisiológico.

Hay varias fortalezas únicas relacionadas con la puntuación de riesgo derivada de la IA, que son dignas de mención.

Los modelos no lineales, como los que se usan para ML, pueden identificar patrones discriminativos complejos a partir de grandes volúmenes de datos sin suposiciones subyacentes.

A diferencia del modelo tradicional de Cox, que identifica los puntos de corte para el riesgo y explora las interacciones entre un número seleccionado de variables de forma lineal, el enfoque ML emplea una metodología más poderosa, de modo que los rangos de riesgo se pueden definir junto con las interacciones dinámicas entre las variables de forma no lineal. y moda no paramétrica.

A través de las propiedades de mitigación inherentes del algoritmo ML, la naturaleza del algoritmo de bosque aleatorio utilizado en el modelo AiTOR permitió la exploración de un mayor número y una mayor complejidad de variables sin las restricciones típicas asociadas con el modelado convencional.

Atestiguando este hecho y en línea con publicaciones previas, el diagrama de bosque aleatorio que aplicó para ML fue superior a la predicción MACE de regresión lineal tradicional, lo que confirma un enfoque más sólido de la estratificación del riesgo en los nuevos métodos de estratificación del riesgo, en comparación con los métodos convencionales.

Las 10 funciones principales identificadas con AiTOR están completamente de acuerdo con las puntuaciones de riesgo publicadas que incorporan medidas de CMR (RVESVi -volumen sistólico final del ventrículo derecho indexado-, RVEDVi -volumen diastólico final del ventrículo derecho indexado-, RVEF -Fey del VD-, LVEF -Fey del VI- y PR -regurgitación pulmonar-), variables demográficas (edad) y parámetros de ejercicio (VAT -umbral anaeróbico ventilatorio-, capacidad aeróbica máxima).

Específicamente, las 3 características más fuertes, RVESVi, RVEF, y edad han sido identificadas como discriminadores clave de riesgo en puntajes de riesgo publicados previamente, aunque en diferentes puntuaciones.

Más allá de la confirmación de la literatura existente para la identificación de variables, el modelo de los autores amplía la comprensión de la predicción del riesgo al sugerir un rango de valores donde las tasas de eventos adversos aumentan, concretamente en RVESVi 82 a 122 mL/m 2, en RVEF 30 a 45% y en individuos entre 35 y 49 años de edad (fuera de estos rangos, no se espera que la mejora de parámetros [como una disminución en RVESVi o un aumento en RVEF] se traduzca en modulación del riesgo).

De manera tranquilizadora, el modelo AiTOR mantuvo un desempeño sólido a pesar de la restricción a las 10 variables más fuertes que demostraron un AUC de 0,81 (IC, 0,72–0,89), que no fue estadísticamente diferente del AUC del modelo completo de 0,82 utilizando el complemento completo de variables (n = 57 ), lo que atestigua la portabilidad potencial del modelo AiTOR dentro del entorno clínico utilizando una lista enfocada de variables.

El debilitamiento del modelo después de la exclusión de los parámetros de ejercicio subraya la contribución incremental a la predicción del riesgo de las medidas de capacidad funcional, que son complementarias a las medidas de imagen de la función y el tamaño ventricular, dada la incorporación de variables clínicas junto con imágenes para la predicción de resultados clínicamente relevantes, el modelo propuesto amplía el cuerpo actual de la literatura de IA en rTOF.

La aplicación de técnicas de ML puede mejorar la eficiencia y la precisión de la predicción del riesgo de eventos adversos en la medicina cardiovascular y, en este sentido, el modelo AiTOR promete una posible mejora en la vigilancia de rTOF.

A diferencia de los puntajes de riesgo publicados previamente diseñados para predecir la mortalidad por todas las causas y las causas arrítmicas de muerte, esta puntuación de riesgo también incluye la insuficiencia cardíaca, lo que mejora su aplicabilidad a la población rTOF contemporánea que continúa envejeciendo con un riesgo creciente asociado de insuficiencia cardíaca.

En particular, la cohorte de validación para el modelo se construyó a partir de datos ampliamente capturados de los registros de salud electrónicos que representan un espectro completo de gravedades de regurgitación pulmonar con informes de CMR de múltiples lectores que abarcan décadas y, como tal, tiene potencial para una interpretación amplia y una aplicación generalizada.

Sin embargo, existen algunas limitaciones de este estudio dignas de mención.

Si bien la inclusión del estudio requirió una CMR y, como tal, está en consonancia con las pautas contemporáneas para la vigilancia en rTOF, Se excluyeron sujetos de alto riesgo con dispositivos permanentes (como marcapasos o desfibriladores) que se sabe que están en riesgo de eventos arrítmicos desestabilizadores de acuerdo con el protocolo institucional.

Si bien los puntos de datos faltantes para algunas variables (como BNP y LGE) pueden afectar la discriminación del modelo hasta cierto punto, se observó que esto refleja la naturaleza práctica del conjunto de datos del mundo real donde las medidas especializadas se obtuvieron con moderación según lo indicado clínicamente; a pesar de estas limitaciones, el modelo tiene una gran capacidad predictiva, que se ve reforzada por su prometedora aplicabilidad clínica.

Finalmente, la naturaleza unicéntrica de este estudio puede limitar la validez externa de los resultados, aunque esto se ve parcialmente mitigado por el hecho de que el modelo fue desarrollado y validado utilizando 2 poblaciones distintas y completamente independientes sin ninguna disminución en el rendimiento desde el desarrollo hasta los conjuntos de datos de validación.

Las direcciones futuras deberían incluir la validación de este modelo en una cohorte más grande de múltiples centros, con un seguimiento más prolongado junto con la incorporación de puntos de tiempo en serie.

En última instancia, la aplicabilidad clínica de este modelo debe probarse con respecto al potencial para una estratificación de riesgo más sólida con el objetivo final de mejorar los resultados clínicos en rTOF.

Como conclusiones, en este estudio de un solo centro, un modelo de predicción basado en ML compuesto por parámetros fácilmente disponibles funcionó bien en una cohorte de validación independiente.

Se requerirán estudios adicionales, que idealmente incorporen múltiples centros con un seguimiento más prolongado y puntos de tiempo en serie, para determinar el valor de este modelo para la estratificación del riesgo y el impacto final en el manejo clínico en rTOF.

* Ishikita A, McIntosh C, Hanneman K, Lee MM, Liang T, Karur GR, Roche SL, Hickey E, Geva T, Barron DJ, Wald RM. Machine Learning for Prediction of Adverse Cardiovascular Events in Adults With Repaired Tetralogy of Fallot Using Clinical and Cardiovascular Magnetic Resonance Imaging Variables. Circ Cardiovasc Imaging. 2023 Jun;16(6):e015205. doi: 10.1161/CIRCIMAGING.122.015205. Epub 2023 Jun 20. PMID: 37339175; PMCID: PMC10281184.