Identificación de prolapso valvular mitral con riesgo de arritmias y fibrosis a partir del ECG
Investigadores de California, EEUU publicaron en la edición de agosto de 2023 del JACC Advances sus conclusiones referentes a la identificación del prolapso de la válvula mitral con riesgo de arritmias y fibrosis a partir de electrocardiogramas mediante aprendizaje profundo*.
Esta propuesta será comentada en la NOTICIA DEL DÍA de hoy.
El prolapso de la válvula mitral (MVP por sus siglas en inglés) es una valvulopatía común que afecta a más de 170 millones de personas en todo el mundo.
Aunque un subconjunto de pacientes con MVP (0,14%-1,8% anual) desarrollará un paro cardíaco súbito (PCS) o muerte cardíaca súbita (MSC), los predictores de este resultado devastador no están bien definidos.
Se han descrito ondas T invertidas o bifásicas en las derivaciones inferiores del electrocardiograma (ECG) con una prevalencia que oscila entre el 30 y el 78 % en estudios retrospectivos seleccionados de pacientes con MSC/SCA (paro cardíaco repentino).
Sin embargo, las anomalías de la onda T inferior están presentes en el 40% de los MVP incluso si no hay antecedentes de arritmia ventricular.
La prolongación y dispersión del QT en el síndrome MVP maligno se han descrito en algunos estudios, pero no en todos.
Una herramienta de “vigilancia” totalmente automatizada y de fácil obtención en MVP proporcionaría un valor clínico sustancial para identificar rápidamente a aquellos con mayor riesgo arrítmico dentro de grandes cohortes clínicas de MVP en su mayoría benignos.
Anteriormente, la SCD/SCA en MVP se había relacionado con insuficiencia mitral (IM) grave.
Otros estudios han informado de un alto riesgo arrítmico en un fenotipo bivalva con IM leve, anomalías de la onda T en las derivaciones inferiores del ECG y ectopia ventricular compleja (ComVE definida como contracciones ventriculares prematuras [PVC] pleomórficas frecuentes, duplas/tripletes o taquicardia ventricular no sostenida [TVNS])
El fenotipo bivalva se asocia a menudo con disyunción del anillo mitral (DAM) y fibrosis focal en los músculos papilares o en la base inferolateral del ventrículo izquierdo.
Sin embargo, la afectación de estas valvas y la fibrosis focal no son hallazgos consistentes.
Independientemente de la afectación de los velos o del grado de IM, ComVE se detecta en 80 a 100 % de los MVP antes del paro cardíaco o MS.
ComVE se asocia con fibrosis miocárdica y está relacionado con una mayor mortalidad por todas las causas.
Anteriormente los autores han demostrado que se pueden aplicar métodos basados en el aprendizaje automático para analizar con precisión datos de ECG sin procesar para discriminar pacientes con y sin MVP.
Aquí se investigó si los ECG pueden discriminar el fenotipo de propaso valvular mitral “arrítmico” del “no arrítmico”.
Específicamente, se planteó la hipótesis de que un modelo de aprendizaje profundo basado en ECG podría:
1) identificar MVP en riesgo de ComVE, incluidos aquellos que desarrollarán TV sostenida o fibrilación ventricular;
2) identificar nuevos correlatos de ECG de miopatía relacionada con MVP y riesgo arrítmico más allá de los criterios de ECG tradicionales, y en todos los subtipos de MVP mono o bivalvos;
3) seleccionar aquellos MVP con riesgo de fibrosis miocárdica en imágenes de resonancia magnética cardíaca (RMC); y
4) predecir la mortalidad por todas las causas y la muerte cardíaca, incluida la muerte súbita por arritmia.
Señalan los autores que el prolapso de la válvula mitral (MVP) es una valvulopatía común, y que un subgrupo puede desarrollar muerte cardíaca súbita o paro cardíaco.
La ectopia ventricular compleja (ComVE) es un marcador de riesgo arrítmico asociado con fibrosis miocárdica y mayor mortalidad en pacientes portadores de MVP.
Los autores intentaron evaluar si el aprendizaje automático basado en electrocardiogramas (ECG) puede identificar MVP en riesgo de ComVE, muerte y/o fibrosis miocárdica en imágenes de resonancia magnética cardíaca (CMR).
Se entrenó una red neuronal convolucional profunda (CNN) para detectar ComVE utilizando 6916 ECG de 12 derivaciones de 569 pacientes con MVP de la Universidad de California-San Francisco entre 2012 y 2020.
Simultáneamente, se entrenó una CNN separada para detectar el realce tardío de gadolinio (LGE) utilizando 1.369 ECG de 87 pacientes con MVP con RMC con contraste.
La prevalencia de ComVE fue del 28% (160/569).
El área bajo la curva característica operativa del receptor (AUC) de la CNN para detectar ComVE fue de 0,80 (IC del 95%: 0,77–0,83) y se mantuvo alta después de excluir a los pacientes con insuficiencia mitral moderada a grave [0,80 (IC del 95%: 0,77–0,83). )] o MVP bivalva [0,81 (IC 95 %: 0,76–0,85)].
El AUC para detectar la mortalidad por todas las causas fue de 0,82 (IC del 95 %: 0,77 a 0,87).
Los segmentos de ECG relevantes para la predicción de ComVE se relacionaron con la despolarización/repolarización ventricular (segmento ST temprano-medio y QRS de V 1 , V 3 y III).
El RTG (realce tardío con gadolinio) en los músculos papilares o en la pared basal inferolateral estuvo presente en el 24% de los pacientes con RMC disponible; El AUC para la detección de RTG fue de 0,75 (IC del 95 %: 0,68–0,82).
ComVE se detecta en la mayoría de los pacientes con MVP antes de PCS o la MS, comúnmente se asocia con fibrosis miocárdica y está relacionado con una mayor mortalidad por todas las causas.
En este estudio se demostró que el aprendizaje profundo se puede aplicar a ECG estándar de 12 derivaciones para:
1) identificar MVP en riesgo de ComVE, incluidos aquellos que desarrollarán TV sostenida o fibrilación ventricular;
2) identificar nuevos correlatos ECG de enfermedad miocárdica y riesgo arrítmico en los subtipos de MVP mono o bivalvo
3) seleccionar aquellos MVP con fibrosis miocárdica detectada por RMC; y
4) predecir la mortalidad por todas las causas y la muerte cardíaca compuesta.
La capacidad de identificar ComVE, RTG detectado por RMC y mortalidad por todas las causas/muerte cardíaca con una prueba en el lugar de atención económica, rápida y ampliamente disponible, como un ECG de 12 derivaciones, utilizando aprendizaje profundo podría mejorar notablemente la estratificación del riesgo de arritmia en la población con MVP.
Un reciente consenso sobre MVP arrítmico recomienda una monitorización Holter periódica en todos los pacientes independientemente de los síntomas, aunque no especifica la frecuencia de dicha monitorización cuando el Holter inicial es negativo.
Los MVP identificados como en riesgo de ComVE o LGE mediante el aprendizaje profundo basado en ECG pueden beneficiarse de una monitorización ambulatoria de ECG más frecuente y de un seguimiento clínico y de imágenes más cercano.
Anteriormente los autores demostraron que el análisis de ECG de aprendizaje profundo puede discriminar a los individuos con MVP de aquellos sin prolapso.
Sin embargo, la discriminación para MVP «general» no fue tan fuerte como la de MVP arrítmico (es decir, con ComVE) (AUC 0,77 para MVP frente a AUC 0,81 para ComVE en el estudio actual).
Estos hallazgos sugieren que las características del ECG específicas de MVP arrítmico pueden estar ausentes entre los casos de MVP no arrítmicos, en su mayoría benignos, dentro de una base de datos grande.
Entre los «progresores» de ComVE (aquellos tratados con ablación con catéter por radiofrecuencia, o con un DAI después de TV sostenida/fibrilación ventricular), la puntuación CNN de ComVE aumentó con el tiempo, en contraste con aquellos MVP con ComVE sin progresión.
Estos hallazgos sugieren que la CNN tiene una mayor capacidad para discriminar con el tiempo a aquellos con arritmogenicidad progresiva, incluidos aquellos en riesgo de muerte.
Estos hallazgos resaltan el potencial de utilizar el aprendizaje automático basado en ECG en un futuro modelo de predicción de riesgos que incluya datos clínicos y de imágenes para mejorar la estratificación del riesgo y evaluar la necesidad de un DAI de prevención primaria.
Los MVP con ComVE tuvieron una caída breve y temprana en la puntuación ComVE CNN que correspondió al inicio de agentes ganglionares o antiarrítmicos dentro de un período de tiempo similar.
Curiosamente, la puntuación de ComVE CNN aumentó o se estabilizó después de esta caída, lo que sugiere recurrencia de arritmogenicidad y disminución de la respuesta a los medicamentos con el tiempo.
De hecho, los pacientes con MVP desarrollaron eventos arrítmicos graves a pesar del uso de medicamentos, como se señaló anteriormente.
Los MVP sin ComVE también tuvieron un aumento en la puntuación de CNN con el tiempo, aunque constantemente por debajo del umbral de 0,39.
Puede producirse un ligero aumento de la puntuación CNN en MVP debido a condiciones profibróticas como la hipertensión o el envejecimiento normal, aunque es posible que nunca se manifieste clínicamente como ComVE.
Las arritmias ventriculares en MVP se han relacionado tradicionalmente con 2 fenotipos ecocardiográficos.
En el subtipo MVP «hemodinámico» con IM grave, la carga de volumen ventricular aguda o crónica representa un importante desencadenante arrítmico, y más si se asocia a fibrosis miocárdica.
En el fenotipo “bivalvo”, la mecánica anular anormal y la tracción localizada en el miocardio conducen a fibrosis de reemplazo y mayor riesgo arritmogénico incluso en ausencia de RM.
Para investigar las contribuciones de estos 2 fenotipos importantes de MVP en la capacidad de las CNN para predecir ComVE, se realizó análisis de sensibilidad excluyendo a los pacientes con antecedentes de reparación o reemplazo valvular mitral, IM moderada-severa o mayor, o MVP de doble valva. .
Después de tales exclusiones, el AUC permaneció prácticamente sin cambios, lo que sugiere que su capacidad general para discriminar ComVE del ECG se produce independientemente de la influencia de estas condiciones.
Estos hallazgos resaltan que la arritmogenicidad en MVP no puede atribuirse únicamente a 2 fenotipos ecocardiográficos (IM significativa o MVP bivalva).
Como se observa en escenarios clínicos reales, existen “zonas grises” o fenotipos combinados que pueden ser igualmente importantes a la hora de causar arritmia ventricular en MVP.
De hecho, sólo el 20% de los casos de MVP pueden explicarse por una IM grave y tener MVP bivalvo y/o MAD (mitral annular disjunction) aunque no siempre se traduce en MVP.
Si bien la sensibilidad y la especificidad de CNN cambiaron con las exclusiones de IM grave o MVP bivalvo en comparación con el análisis primario, los cambios fueron recíprocos (es decir, una mayor sensibilidad y una menor especificidad o viceversa) y se debieron principalmente al uso del mismo umbral del modelo que el utilizado para el análisis primario; el rendimiento general del modelo se mantuvo sin cambios, como lo muestra un AUC similar.
Es importante destacar que se podrían lograr valores predictivos negativos altos tanto en el análisis primario como en los análisis de sensibilidad, lo cual es esencial para una prueba de detección ideal.
En este estudio, se utilizó un enfoque novedoso de aprendizaje automático especialmente diseñado para demostrar que los principales segmentos de ECG que contribuyen a la predicción de ComVE estaban relacionados con la despolarización y repolarización ventricular.
Estos hallazgos sugieren una miopatía subyacente relacionada con MVP que puede no ser causada únicamente por IM grave.
De hecho, cuando se excluyó a los pacientes con IM moderada-grave, los segmentos de ECG con mayor importancia siguieron siendo los relacionados con la actividad ventricular, mientras que los 2 segmentos de onda P/intervalo PR previamente incluidos ya no estaban entre los 10 principales predictores de segmentos de ECG.
En el estudio, las ondas T bifásicas o invertidas en las derivaciones inferiores, descritas previamente en muestras pequeñas y seleccionadas como una característica cardinal de la MVP bivalva/arrítmica, estuvieron presentes en sólo el 17% de los pacientes con ComVE, y en una proporción similar a aquellos sin COMVE.
Por lo tanto, el enfoque de aprendizaje automático basado en datos proporciona nuevos correlatos de ECG de enfermedad miocárdica y riesgo arrítmico más allá de las características tradicionales de ECG de MVP/ComVE, tanto en los subtipos de MVP mono como en los bivalvos.
En esta cohorte, el RTG estuvo presente en la minoría de MVP con ComVE y RMC con contraste disponible, como se observó en estudios anteriores.
El RTG fue más común en aquellos MVP con ComVE en comparación con aquellos sin ComVE y se localizó en los músculos papilares o en la pared basal inferolateral.
La sensibilidad y el VPN de este modelo de aprendizaje profundo basado en ECG para predecir el RTG fueron excelentes (100%), destacando la utilidad potencial de esta herramienta de detección en un entorno clínico.
Los autores afirman haber demostrado tanto en individuos vivos como en muestras post mortem que los MVP con arritmia ventricular o MSC no tienen consistentemente fibrosis de reemplazo.
Por el contrario, la fibrosis intersticial difusa es común, con y sin IM significativa.
La fibrosis difusa (ya sea primaria o relacionada con la RM) puede causar anomalías en el ECG incluso en ausencia de RTG, lo que reduce la especificidad de la CNN.
Los segmentos de ECG que contribuyeron con mayor fuerza a la predicción del RTG estaban relacionados con la actividad ventricular, lo que posiblemente refleja una miopatía subyacente relacionada con MVP.
Sin embargo, la actividad auricular también afectó la predicción del RTG, lo que probablemente refleja la contribución de la IM grave al desarrollo del RTG.
Curiosamente, cuando se excluyó a los pacientes con IM moderada-grave o mayor, los segmentos de ECG de la onda P y del intervalo PR dejaron de estar entre los 10 principales predictores de segmentos de ECG de RTG, que en cambio estaban todos relacionados con el QRS.
De manera similar a este hallazgo para ComVE, puede haber cambios en el ECG asociados con una miopatía primaria relacionada con MVP que permiten la predicción del RTG basada en el ECG incluso en ausencia de IM significativa.
El análisis de aprendizaje profundo de los ECG puede proporcionar una forma más beneficiosa de seleccionar candidatos para una RMC para detectar fibrosis cuando los fenotipos ecocardiográficos arrítmicos tradicionales, como el MVP bivalvo o la IM grave, están ausentes.
La mayoría de esta muestra incluía blancos no hispanos, lo que limita la generalización del algoritmo de aprendizaje automático basado en ECG.
La definición utilizada de ComVE se basó en la literatura original que destaca la alta carga de EV con o sin TVNS en MVP antes del paro cardíaco, y en una declaración de consenso reciente sobre MVP arrítmica.
Esta definición ha variado en otros estudios que han incluido solo las presentaciones arrítmicas más graves en la definición de ComVE.
Los autores creen que estudiar ComVE como una etapa intermedia de la enfermedad, antes del desarrollo de TV sostenida o fibrilación ventricular, puede ser igualmente importante, si no más, a efectos de estratificación del riesgo.
La mayoría de los casos de ComVE en este estudio tenían TVNS o PVC pleomórficos, lo que confirma una categoría de enfermedad de riesgo intermedio en lugar de baja.
Para el examen de la predicción de la mortalidad por todas las causas y la muerte cardíaca, los investigadores reconocen que no consideraron riesgos competitivos para estos resultados.
Debido a que el LGE fue diagnosticado con CMR la que no se pudo obtener en toda la muestra de 569 pacientes, la cohorte que contó con realce tardío fue pequeña, lo que redujo la generalización de este modelo de predicción de LGE y su aplicabilidad inmediata a la atención del paciente.
Además, se teoriza que en algunos pacientes este algoritmo LGE CNN puede haber detectado características de ECG relacionadas con fibrosis intersticial/difusa en lugar de fibrosis focal.
Sin embargo, no se pudo confirmar esta observación, ya que el mapeo T1 no estaba disponible en todos los pacientes con una RMC.
Si bien este enfoque de interpretabilidad del ECG identificó características que impulsan las predicciones, es posible que estas características no sean necesariamente idénticas a las aprendidas por la CNN.
Estos hallazgos deben validarse aún más en estudios más amplios, multiétnicos y multicéntricos con monitorización integral Holter/eventos y evaluación de RMC.
Concluyendo, una CNN puede detectar pacientes con MVP en riesgo tanto de arritmias ventriculares como de fibrosis medida por RMC a partir de ECG estándar de 12 derivaciones y puede identificar nuevos correlatos de ECG de riesgo arrítmico independientemente de la afectación de las valvas o la gravedad de la IM.
La CNN también tiene buenos resultados para predecir la mortalidad por todas las causas y la muerte cardíaca compuesta.
El análisis de los ECG basado en el aprendizaje profundo puede ayudar a identificar, dentro de una gran base de datos de casos de MVP en su mayoría benignos, aquellos pacientes que requieren un seguimiento más estrecho y/o una RMC.
El aprendizaje profundo puede identificar a los pacientes con MVP en riesgo de arritmias ventriculares, muerte y fibrosis miocárdica a partir de ECG estándar de 12 derivaciones, independientemente de la afectación de las valvas o la gravedad de la IM.
El análisis de los ECG basado en el aprendizaje profundo puede ayudar a identificar, dentro de una gran base de datos de casos de MVP en su mayoría benignos, aquellos con mayor riesgo que requieren una monitorización de ECG ambulatoria más frecuente y/o una RMC.
* Tison GH, Abreau S, Barrios J, Lim LJ, Yang M, Crudo V, Shah DJ, Nguyen T, Hu G, Dixit S, Nah G, Arya F, Bibby D, Lee Y, Delling FN. Identifying Mitral Valve Prolapse at Risk for Arrhythmias and Fibrosis From Electrocardiograms Using Deep Learning. JACC Adv. 2023 Aug;2(6):100446. doi: 10.1016/j.jacadv.2023.100446. Epub 2023 Aug 5. PMID: 37936601; PMCID: PMC10629907.
