innovaciones destacadas desarrolladas en 2021 en el ámbito Cardiovascular
Un grupo de investigadores europeos pertenecientes al Centro de imágenes vasculares agudas de la Universidad de Oxford del Hospital John Radcliffe, de la División de Medicina Cardiovascular, del Departamento de Medicina de Radcliffe, Universidad de Oxford, del Departamento de Cardiología de la División de Corazón y Pulmones del Centro Médico Universitario de Utrecht, de lid Países Bajos, del Instituto de Ciencias Cardiovasculares e Instituto de Informática de la Salud de la Facultad de Ciencias de la Salud de la Población de Londres, del Sector del Corazón de los Grupos Hospitalarios Hygeia, de Atenas, Grecia y del Departamento de Cardiología de la Facultad de Medicina de la Universidad de Creta, Grecia, publicaron en la edición del 14 de febrero de 2021 del European Journal, un artículo que se abocó a abordar las innovaciones destacadas desarrolladas en 2021 en el ámbito Cardiovascular*.
Se dedicaron presentar algunos de los desarrollos más importantes en el campo de la medicina digital que han aparecido en los 12 meses previos y relacionados con la materia.
El artículo consta de tres secciones principales, de la siguiente manera:
(i) herramientas, técnicas y metodologías de diagnóstico cardiovascular habilitadas por inteligencia artificial,
(ii) big data y modelos de pronóstico para la protección del riesgo cardiovascular, y
(iii) dispositivos portátiles en la evaluación del riesgo cardiovascular. , prevención, diagnóstico y manejo de enfermedades cardiovasculares.
Para concluir el artículo, los autores presentan una breve perspectiva adicional sobre este nuevo dominio, destacando las brechas existentes que están específicamente relacionadas con las tecnologías de inteligencia artificial, como la explicabilidad, la rentabilidad y, por supuesto,
Señalan que la salud digital, un concepto de amplio espectro que ha recibido un impulso significativo como resultado de la pandemia de COVID-19, que está creciendo exponencialmente, mostrando sus músculos con avances científicos y publicaciones asociadas, al mismo tiempo que impulsa tendencias y desarrollos en la industria.
Para la medicina cardiovascular en particular, durante el último año, una cantidad impresionante de nuevas publicaciones autorizadas confirmaron los hallazgos de investigaciones anteriores y propusieron nuevas ideas y prácticas innovadoras relacionadas con el manejo diagnóstico y terapéutico de las enfermedades cardiovasculares, con la promesa de desarrollos revolucionarios durante los próximos años, tanto para las ciencias cardiovasculares como para los cuidados a implementar.
En el año 2021, como en los años inmediatamente anteriores, el campo de la salud digital se ha visto inundado de publicaciones referentes a las diversas aplicaciones de la inteligencia artificial (IA), desde el aprendizaje supervisado al no supervisado, centrándose principalmente en las capacidades de diagnóstico de este impresionante nuevo tecnología.
Además, el papel de los algoritmos de aprendizaje automático en el desarrollo de modelos de pronóstico clínico para la evaluación de riesgos y los sistemas de alerta temprana representa un campo en rápida evolución del que se puede esperar que tenga un efecto catalizador al mejorar la predicción de resultados clínicos a mediano y largo plazo.
De hecho, las perspectivas parecen ser excelentes.
No obstante, aún quedan algunas preguntas. Además del diseño y desarrollo in silico , la explicabilidad de los algoritmos de aprendizaje automático y su metodología de validación deben confirmarse de manera más sólida en estudios longitudinales bien diseñados, así como en la práctica clínica antes de que estos algoritmos lleguen a las guías.
Más allá del campo de la IA, aunque a menudo estrechamente relacionado con él, los desarrollos en dispositivos portátiles se han apoderado de una parte importante de la literatura científica reciente, destacando nuevas posibilidades emergentes para el control y tratamiento más completos de las enfermedades cardiovasculares y sus factores de riesgo relacionados.
Los desarrollos tecnológicos en dispositivos portátiles, especialmente a medida que se expanden para cubrir no solo las necesidades de fitness sino también las de diagnóstico y seguimiento de enfermedades cardiovasculares, obviamente requerirán una regulación más sustancial para garantizar la confiabilidad del dispositivo, respaldada por estudios bien organizados que destaquen su rentabilidad para que las compañías de seguros puedan convencerse de que deberían ser reembolsables.
Herramientas, técnicas y metodologías de diagnóstico cardiovascular basadas en inteligencia artificial
Una nueva era en el análisis de electrocardiogramas
La aplicación de IA al electrocardiograma (ECG) ha experimentado avances significativos recientemente y se ha desarrollado en las siguientes dos amplias categorías:
(i) herramientas para automatizar la interpretación de ECG, ampliando las capacidades humanas a través de escalabilidad masiva, importante ya que los factores de forma móviles permiten la adquisición de señales y
(ii) algoritmos para identificar condiciones que no son visibles para los lectores humanos mediante redes de capacitación para identificar patrones múltiples, complejos y no lineales en la señal de ECG para encontrar enfermedades ocultas (confirmadas mediante otras pruebas como imágenes) o enfermedades inminentes.
A diferencia de las herramientas de automatización en las que una sobrelectura humana proporciona un estándar de oro, los algoritmos que identifican condiciones ocultas o futuras requieren información adicional del paciente.
Varios grupos han utilizado grandes conjuntos de datos etiquetados para entrenar redes neuronales para aplicar con precisión códigos de diagnóstico a ECG de una o varias derivaciones.
Hannun et al . 1 usó 91 232 ECG de una sola derivación de un parche portátil para entrenar una red para proporcionar 12 clases de ritmo y descubrió que la red superó la lectura del cardiólogo promedio.
Posteriormente, dos megaensayos que utilizaron relojes inteligentes basados en tecnología de fotopletismografía reclutaron a 419 297 y 246 541 pacientes para detectar fibrilación auricular (FA) en menos de 9 meses.
Estos ensayos confirmaron la capacidad de inscribir masivamente a los sujetos y adquirir datos, a costa de altas tasas de abandono temprano y un bajo rendimiento de la enfermedad (<0,5 % en ambos estudios), y con una caracterización clínica limitada de los sujetos del estudio.
Los ensayos en curso evaluarán estas herramientas en el contexto de pacientes seleccionados por riesgo de arritmia.
Finalmente, ha habido informes recientes de investigaciones interesantes que tenían como objetivo desarrollar y validar un algoritmo de ECG habilitado por IA capaz de realizar un análisis de ECG integral de 12 derivaciones comparable al de los cardiólogos en ejercicio.
Además, el AI-ECG ha identificado afecciones cardíacas ocultas y manifiestas, que incluyen disfunción ventricular, miocardiopatía periparto, cardiopatía amiloide, e hipertensión pulmonar, así como afecciones no cardíacas como hiperpotasemia y cirrosis.
Además, se han utilizado algoritmos especiales para el diagnóstico precoz de enfermedades valvulares como la estenosis aórtica severa asintomática u oligosintomática y la insuficiencia mitral, hipertrofia ventricular izquierda, infarto de miocardio, y una serie de otras condiciones.
Los hallazgos comunes en estos estudios incluyen un sólido rendimiento clínico [área bajo la curva (AUC) a menudo >0,90] y detección de la enfermedad meses o años antes del diagnóstico clínico.
Queda por evaluar la importancia de estos hallazgos, teniendo en cuenta la escalabilidad de la electrocardiografía y, por lo tanto, la contribución de la IA a su mayor y más sustancial utilización.
El ECG es una herramienta de diagnóstico omnipresente que ha servido a los médicos durante más de un siglo.
Con el apoyo de técnicas de inteligencia artificial de aprendizaje profundo, está entrando claramente en una nueva era, en la que puede demostrar ser un poderoso detector de enfermedades cardíacas clínicas y subclínicas, yendo más allá de los límites de la observación humana.
No cabe duda de que cuando las capacidades anteriores del ECG se combinen con las características en evolución de los dispositivos portátiles como los teléfonos inteligentes, las posibilidades de un proceso de diagnóstico mucho más amplio y pluralista aumentarán rápidamente.
Inteligencia artificial-electrocardiograma y ensayos clínicos
Los ensayos clínicos son esenciales para demostrar la capacidad de nuevas herramientas digitales como AI-ECG para mejorar la salud humana.
Es probable que se requiera un nivel 3 o superior para la aprobación reglamentaria, lo que permite variaciones en pruebas específicas y diferencias regionales.
Existe una necesidad apremiante de ensayos clínicos adicionales para evaluar las herramientas de AI-ECG. Una búsqueda en Clinicaltrials.gov el 8 de octubre de 2021 de ensayos que utilizaban los términos «inteligencia artificial» y «ECG» arrojó 27 estudios, con solo 5 completados.
El primer ensayo prospectivo de ECG-IA publicado, el estudio Eagle, demostró cómo los ensayos pragmáticos digitales pueden reclutar sujetos de manera eficaz y rápida, y cómo el ECG-IA puede tener un impacto positivo en la práctica clínica.
Asignó al azar a 120 equipos de atención primaria de 45 clínicas u hospitales en Minnesota y Wisconsin a un brazo de intervención (los médicos tienen acceso a los resultados del AI-ECG para la detección de disfunción ventricular izquierda cuando solicitan un ECG clínico de forma rutinaria) o a un brazo de control (sin resultados de AI).
A pesar del desarrollo de la pandemia, se inscribieron >22 000 pacientes en 8 meses, y el AI-ECG aumentó el diagnóstico en la cohorte general [odds ratio (OR) 1,32, P = 0,007].
El rendimiento de la prueba (AUC = 0,92) coincidió con el de la cohorte retrospectiva inicial (0,93).
Curiosamente, la utilización general de la ecocardiografía fue similar en ambos grupos, pero en el grupo de intervención, se ordenaron más ecocardiogramas para pacientes con un AI-ECG positivo (38,1 % control frente a 49,6 % intervención, P < 0,001), lo que sugiere que el AI- El ECG no condujo a más ecocardiogramas, sino a una mejor selección de pacientes para someterlos a imágenes.
Imágenes cardiovasculares
Las imágenes han sido pioneras en la aplicación de IA en el cuidado de la salud, debido a la naturaleza repetitiva del procesamiento y la evaluación de imágenes.
La inteligencia artificial puede mejorar la calidad de las imágenes y, por lo tanto, el tiempo de escaneo y dosificación, y ayudar en la segmentación, el procesamiento y el análisis.
Además, la mayoría de los datos se recuperan de una única fuente de datos estandarizada, lo que los hace más accesibles para análisis a gran escala.
Durante la pandemia, los críticos señalaron que, a pesar de los esfuerzos masivos, la IA no tuvo impacto en la atención de los pacientes con COVID-19, mientras que los ensayos controlados aleatorios simples y directos salvaron vidas.
Sin embargo, esto muestra claramente solo una cara de la moneda. La pandemia generó una mayor carga para los recursos de radiología, ya que se realizaron tomografías computarizadas (TC) de forma rutinaria en todos los pacientes.
La inteligencia artificial es clave en todas las partes de la canalización de imágenes, incluida la adquisición, el procesamiento y los análisis.
Además, se han publicado una gran cantidad de artículos durante la pandemia, que muestran el valor pronóstico de las mediciones de la puntuación de calcio en las tomografías computarizadas de tórax con COVID-19.
Esas mediciones se pueden automatizar mediante el aprendizaje profundo, brindando a los médicos información, no solo sobre el estado pulmonar de los pacientes con COVID-19, sino también sobre sus riesgos cardiovasculares.
La inteligencia artificial permitirá los análisis automatizados de los exámenes de TC de tórax de rutina para la detección cardiovascular oportunista, lo que permitirá un tratamiento preventivo temprano.
Todos estos desarrollos, junto con la notable autorización de la Administración de Drogas y Alimentos de una nueva tecnología para identificar accidentes cerebrovasculares en tomografías computarizadas cerebrales habilitadas por IA, ofrecen la perspectiva de un futuro brillante en el diagnóstico médico.
Fotografía de retina para detectar enfermedades cardiovasculares
Otra aplicación de imágenes que puede determinar el riesgo en una amplia gama de enfermedades es la fotografía de la retina. La fotografía de la retina es una modalidad de imagen no invasiva que ayuda en el diagnóstico y tratamiento de las principales enfermedades oculares, pero también puede proporcionar información sobre la vasculatura humana y, por lo tanto, sobre las enfermedades cardiovasculares.
Estudios anteriores codificados manualmente han demostrado que las anomalías vasculares de la retina son predictivas de enfermedades cardiovasculares.
El aprendizaje profundo puede ampliar este conocimiento a través de la automatización y detección de señales más sutiles que no son claramente visibles para el ojo humano.
Recientemente se han publicado varios estudios a gran escala que se centran en el valor predictivo de las características extraídas de las fotografías de la retina. Los estudios han demostrado que los algoritmos de aprendizaje profundo pueden predecir los niveles de biomarcadores como la hemoglobina para detectar la anemia, así como la edad, el sexo, la composición corporal y los niveles de creatinina, aunque se justifica la validación externa antes de que pueda adoptarse ampliamente en la detección de la población.
Otro estudio interesante investigó la capacidad predictiva de las puntuaciones de calcio de la arteria coronaria (CAC) habilitadas para el aprendizaje profundo derivadas de los datos de escaneo de la retina.
Las tomografías computarizadas y las mediciones de la retina se realizaron el mismo día y la puntuación derivada de las imágenes de la retina mostró un AUC de 0,74 para predecir CAC > 0.
Aunque es superior a otros factores de riesgo individuales, como la edad, el sexo y el colesterol, el valor predictivo el valor en el modelo clínico multivariable fue limitado (AUC de 0,782 a 0,784).
Sin embargo, la puntuación de CAC derivada de las exploraciones de la retina mostró un rendimiento similar en la predicción de los resultados cardiovasculares al CAC medido por tomografía computarizada (ambas AUC 0,71).
Además, los autores demostraron en el Biobanco del Reino Unido que esta puntuación CAC basada en la retina podría mejorar la estratificación del riesgo en aquellos con riesgo límite o intermedio.
Sin embargo, este método tiene ciertas desventajas. Las pruebas en el hogar aún no están disponibles y las imágenes de baja calidad se excluyeron en los análisis informados, lo que probablemente limite la validez externa.
Los datos del mundo real son necesarios para estimar el valor agregado en la evaluación de la población, y el desarrollo de aplicaciones móviles para autoevaluaciones es necesario antes de su implementación a gran escala.
Sin embargo, estas aplicaciones de aprendizaje profundo ya son útiles en aquellos que ya se someten a exámenes de retina regulares, como los pacientes diabéticos, para detectar retinopatía.
Para finalizar esta sección, se debe hacer al menos una breve mención de la capacidad diagnóstica y la rentabilidad del enfoque combinado de imágenes, donde el uso de IA y resonancia magnética produce el índice de ateroma de las arterias coronarias o los vasos periféricos como subproducto. de la evaluación diagnóstica primaria de otros órganos.
Automatización del procesamiento de imágenes.
Si bien la aplicación de la IA en imágenes cardiovasculares para la toma de decisiones clínicas aún está en sus inicios, el uso de la IA para automatizar el procesamiento de imágenes en otros campos, como la oftalmología, como se mencionó anteriormente, la oncología y la dermatología, ya ha madurado.
Sin embargo, recientemente se han publicado varios estudios prometedores que utilizan diferentes modalidades de imágenes y han demostrado que la cardiología puede ponerse al día con los otros dominios de la enfermedad.
Un gran estudio colaborativo internacional mostró que el coeficiente de variación en la medición del grosor de la pared del ventrículo izquierdo por resonancia magnética cardiovascular fue significativamente menor para el aprendizaje automático en comparación con los expertos humanos.
Este estudio involucró a una cohorte de pacientes con miocardiopatía hipertrófica, donde las variaciones en las mediciones del grosor de la pared impactan directamente en la toma de decisiones clínicas al afectar el cálculo del riesgo de muerte súbita y, por lo tanto, la indicación para la implementación preventiva de un desfibrilador cardioversor implantable (DCI).
Otro ejemplo reciente de automatización es la clasificación de biopsias endomiocárdicas de la Sociedad Internacional para el Trasplante de Corazón y Pulmón en pacientes con trasplante de corazón.
Los autores compararon la clasificación histológica realizada por patólogos expertos con un conducto automatizado asistido por computadora y mostraron un rendimiento similar del clasificador de evaluación histológica cardíaca asistida por computadora (CACHE) en comparación con el patólogo.
Además, mostraron solo una atenuación limitada del rendimiento cuando se aplicó a un conjunto de datos de validación externa, lo que indica una buena generalización en diferentes protocolos de exploración y preparación de tejidos. Los esfuerzos de colaboración internacional en el campo de la investigación de trasplantes se han visto obstaculizados por las variaciones en la clasificación de los centros individuales, lo que aumenta la relación ruido-señal en la detección de resultados biológicamente significativos cuando se combinan conjuntos de datos de centros individuales.
La clasificación automática habilitada por CACHE puede desempeñar un papel fundamental en el avance del campo de la investigación de trasplantes.
Finalmente, la IA se aplicará cada vez más en el campo de la ecocardiografía.
Estudios anteriores han demostrado que la IA puede identificar diferentes vistas de eco, segmentar estructuras cardíacas, estimar la fracción de eyección y diagnosticar enfermedades como la amiloidosis cardíaca.
Recientemente, un estudio de Stanford también mostró que los algoritmos de aprendizaje profundo pueden detectar marcapasos o cables ICD y, curiosamente, pueden predecir la edad, el sexo, la altura y el peso con base en imágenes de eco.
Además, utilizaron métodos de mapeo de sensibilidad basados en gradientes para resaltar las regiones de interés para la interpretación humana.
Los métodos de visualización para desbloquear los llamados algoritmos de caja negra son esenciales para que los profesionales de la salud adopten por completo los resultados generados por los modelos de IA.
Estos algoritmos ayudarán a los profesionales no capacitados con la interpretación de ecocardiogramas cuando la experiencia cardiológica sea de disponibilidad limitada.
Un estudio reciente mostró que el aprendizaje profundo puede incluso ayudar a las enfermeras no capacitadas a realizar ecocardiogramas limitados para la evaluación estándar del tamaño del ventrículo izquierdo y derecho y el derrame pericárdico, lo que permite el uso de ecocardiogramas en entornos no cardiológicos, como atención primaria, salas de COVID o Areas remotas.
Sin embargo, antes de su implementación generalizada, se justifican estudios adicionales sobre seguridad y generalización.
Big data y modelos pronósticos para la predicción del riesgo cardiovascular
Aprendizaje automático para la predicción de riesgos
El modelado de predicción de riesgos clínicos basado en el aprendizaje automático ha sido un campo activo de investigación.
Durante los primeros meses de la pandemia, se desarrollaron cientos de estos modelos.
Los modelos de predicción clínica se desarrollan comúnmente para informar a los médicos sobre la probabilidad de que una determinada enfermedad esté presente (diagnóstico), o para predecir un determinado estado de salud en el futuro (pronóstico), para pacientes individuales, y para utilizar ese conocimiento en el cuidado de esos pacientes.
Mediante la aplicación de técnicas de aprendizaje automático que pueden utilizar relaciones de datos complejas entre predictores y resultados sin necesidad de que el modelador los especifique previamente, se espera que la precisión de las predicciones mejore en comparación con los enfoques tradicionales de modelado de predicción de riesgos, y que su aplicación ser menos intensivo en mano de obra al lado de la cama.
Sin embargo, no se garantizan mejoras en la precisión predictiva.
Por ejemplo, un estudio que desarrolló modelos de aprendizaje automático para predecir el riesgo de muerte después de un infarto agudo de miocardio (IAM) encontró que los modelos de aprendizaje automático no eran uniformemente superiores a un enfoque de regresión logística tradicional en una cohorte de 755 402 pacientes con IAM.
De hecho, de los tres modelos utilizados, dos fueron superiores al modelo de regresión logística para la estratificación del riesgo.
Además, esos dos modelos estaban mucho mejor calibrados entre grupos de pacientes en función de la edad, el sexo, la raza y el riesgo de mortalidad y, por lo tanto, eran más adecuados para la predicción del riesgo.
Por el contrario, se encontró que el tercer modelo, basado en una red neuronal, era inferior al modelo de regresión logística utilizado en el estudio. Puede haber razones pragmáticas para esta inferioridad, pero probablemente estén relacionadas con la metodología utilizada y, en particular, con los tamaños de muestra de cada una de las poblaciones del estudio.
No obstante, en otros entornos, los enfoques de aprendizaje automático han arrojado resultados prometedores.
Uno de esos estudios desarrolló modelos para predecir el riesgo de muerte, infarto de miocardio y hemorragia grave después de un síndrome coronario agudo (SCA).
Los modelos basados en aprendizaje automático se desarrollaron a partir de una cohorte con 19 826 pacientes adultos con SCA y se demostró que predicen el riesgo con AUC altas en la validación externa, a 1 año (AUC: 0,81–0,92) y 2 años (AUC: 0,84– 0,93).
Sistemas de alerta temprana
Los sistemas de alerta temprana son modelos predictivos de pronóstico que tienen como objetivo informar a los médicos sobre importantes resultados de salud futuros.
A menudo, estos sistemas de alerta temprana se utilizan para monitorear a los pacientes y actualizar estas predicciones a lo largo del tiempo.
Por ejemplo, para predecir fallas circulatorias en pacientes ingresados en cuidados intensivos, se desarrolló un modelo de aprendizaje automático que hacía una nueva predicción para cada paciente cada 5 minutos.
Se demostró que los sistemas de alerta temprana desarrollados arrojan AUC altas, entre 0,88 y 0,94.
Sin embargo, estos modelos también producían de dos a tres alarmas por paciente por día.
Esto puede dar lugar a la denominada fatiga de alarma, que puede dar lugar a respuestas inadecuadas e incluso puede afectar a la seguridad del paciente.
Por lo tanto, para estos sistemas de alerta temprana y otros modelos de predicción de riesgos utilizados para guiar las decisiones clínicas, es esencial garantizar la seguridad y la eficacia para mejorar los resultados de los pacientes, por ejemplo, a través de un ensayo controlado aleatorio (ECA) que compare el sistema de alerta temprana con el estándar de cuidado.
Uno de estos ECA evaluó un sistema de alerta temprana basado en aprendizaje automático para la hipotensión intraoperatoria pendiente.
Este sistema de alerta temprana actualiza cada 20 s la probabilidad de un evento hipotensor en los próximos 15 min (advertencia cuando la probabilidad estimada es > 85 %) en función de la forma de onda de la presión arterial.
En un ECA con 60 pacientes adultos de cirugía no cardiaca electiva, el sistema de alerta temprana, en combinación con una guía de diagnóstico hemodinámico y un protocolo de tratamiento, redujo la mediana del tiempo total de hipotensión por paciente de 32,7 min con el tratamiento estándar a 8 min.
Big data: representatividad y equidad algorítmica
El acceso a bases de datos grandes y diversas con registros de salud electrónicos crea nuevas e importantes oportunidades de investigación.
Estas grandes bases de datos incluyen Clinical Practice Research Datalink (CPRD), con datos muy detallados de más de 5 millones de personas representativas de la población del Reino Unido.
Usando los datos de CPRD, un estudio interesante desarrolló y validó varios modelos de predicción de riesgo basados en aprendizaje automático para predecir el riesgo de hipercolesterolemia familiar en pacientes de atención primaria.
Se demostró que estos modelos de predicción tienen AUC altas de alrededor de 0,89.
La gran escala y representatividad de las grandes bases de datos también permite estudiar grupos específicos que de otro modo serían difíciles de estudiar.
Por ejemplo, un estudio comparó la incidencia y los resultados de las enfermedades cardiovasculares en personas sin hogar utilizando un vínculo entre CPRD, estadísticas de episodios hospitalarios y la Oficina de Estadísticas Nacionales para obtener datos de mortalidad.
Este estudio mostró que las personas sin hogar tienen un riesgo 1,8 veces mayor de desarrollar enfermedades cardiovasculares y 1,6 veces más probabilidades de morir dentro de 1 año después del diagnóstico de la enfermedad cardiovascular, en comparación con personas similares que no tienen hogar.
Finalmente, las bases de datos grandes y diversas, donde los grupos minoritarios también están bien representados, son esenciales para garantizar que los algoritmos desarrollados sean justos, es decir, no perjudicar sistemáticamente a determinados grupos de personas.
Esto requiere la evaluación del desempeño de los algoritmos en subgrupos importantes.
Por ejemplo, un estudio reciente sobre la predicción del riesgo de enfermedad cardiovascular aterosclerótica mostró un rendimiento comparable de las ecuaciones de cohortes agrupadas existentes y los modelos basados en aprendizaje automático recientemente desarrollados en subgrupos asiáticos e hispanos, para los cuales el rendimiento hasta ahora era incierto.
Dispositivos portátiles en la evaluación del riesgo cardiovascular, la prevención, el diagnóstico y el tratamiento de las enfermedades cardiovasculares
Wearables en la evaluación y gestión del riesgo de fibrilación auricular
El papel de la actividad física como factor de riesgo modificable para el desarrollo de FA se estudió recientemente en un estudio prospectivo bien organizado, que incluyó a 93 669 participantes de la cohorte prospectiva del Biobanco del Reino Unido, sin antecedentes prevalentes de FA, que usaban una muñequera – Acelerómetro triaxial basado en 1 semana.
El sensor capturó la aceleración a 100 Hz con un rango dinámico de ±8 g. El resultado primario del estudio fue la FA incidente.
De acuerdo con los hallazgos del estudio, una mayor actividad física derivada del acelerómetro se asocia con un menor riesgo de incidentes de FA y accidente cerebrovascular, después del ajuste por factores de riesgo clínicos.
Los sensores portátiles pueden permitir tanto la evaluación objetiva de la actividad física como la modificación del riesgo de FA a través de comentarios específicos. Los autores consideran que los futuros esfuerzos preventivos para reducir el riesgo de fibrilación auricular pueden ser más efectivos si tienen como objetivo el cumplimiento de los umbrales de actividad objetivos.
Otro estudio que tuvo como objetivo investigar la asociación entre los cambios en la actividad física y la aparición de FA reportó hallazgos similares.
Se estudiaron un total de 1.410 participantes de la población general (46,2% mujeres, edad media 74,7 ± 4,1 años), con factores de riesgo pero sin diagnóstico previo de FA, a los que se les realizó seguimiento continuo de episodios de FA junto con evaluación acelerométrica diaria de actividad física, utilizando un grabador de bucle implantable, durante un período medio de 3,5 años.
Según los hallazgos del estudio, los cambios intraindividuales en la actividad física se asociaron con la aparición de episodios de FA, detectados mediante monitorización continua, en una población de alto riesgo.
Para cada persona, una disminución de 1 h en la actividad física diaria durante la semana anterior aumentó las probabilidades de aparición de FA al día siguiente en aproximadamente un 25 %, mientras que la asociación más fuerte se observó en el grupo con la actividad más baja en general.
Además de estos dos estudios recientes y reveladores sobre la relación entre la actividad física de una persona y la aparición de FA, un número significativo de estudios en curso o publicados recientemente han evaluado las capacidades de los dispositivos ponibles, centrándose en la relación entre el resultado clínico individual y la carga. de episodios registrados de FA clínica o subclínica.
Wearables en la evaluación y el manejo de la insuficiencia cardíaca
La insuficiencia cardíaca (IC), una enfermedad de rápido crecimiento a nivel internacional, también tiene una afinidad de larga data con la tecnología portátil, ya que la fisiopatología de la enfermedad y sus consecuencias clínicas requieren un seguimiento estrecho y continuo a largo plazo.
De hecho, los dispositivos portátiles ofrecen una oportunidad única para evaluar de cerca el estado de los pacientes y una serie de indicadores, fuera de los entornos clásicos.
En pacientes con insuficiencia cardíaca, los datos de los dispositivos portátiles de consumo, como el recuento de pasos de actividad física o la frecuencia cardíaca, pero también un control más intenso de factores como la presión de la arteria pulmonar o la retención de líquidos, han sido durante mucho tiempo el objetivo de estos dispositivos en evolución.
Cuando miramos los hallazgos y mensajes de los estudios relevantes más recientes, los del estudio multicéntrico LINK-HF de Stehlik et al ., que evaluaron la precisión de la monitorización remota no invasiva para predecir la rehospitalización por IC, fueron muy reveladores.
Este fue un estudio de 100 pacientes con insuficiencia cardíaca, con una edad de 68,4 ± 10,2 años (solo 2% mujeres). Los investigadores demostraron que la telemetría fisiológica multivariante de un sensor portátil, en combinación con el análisis de aprendizaje automático, puede lograr una detección temprana precisa de una rehospitalización inminente con una precisión predictiva comparable a la de los dispositivos implantables.
Los autores enfatizan, sin embargo, que la eficacia clínica y la posibilidad de generalización de este enfoque no invasivo de bajo costo para la mitigación de la rehospitalización aún necesitan más pruebas.
Mirando los problemas de manera más amplia, además del uso de tecnología electrónica moderna para la monitorización hemodinámica continua en pacientes con insuficiencia cardíaca, ha quedado claro que dicha tecnología puede y debe usarse para la educación y el apoyo en el manejo terapéutico de estos pacientes.
El estudio EPIC-HF (Herramienta de activación del paciente entregada electrónicamente para la intensificación de medicamentos para la insuficiencia cardíaca crónica con fracción de eyección reducida) evaluó a pacientes de un sistema de salud diverso que tenían insuficiencia cardíaca y fracción de eyección reducida, asignándolos aleatoriamente a la atención habitual frente a las herramientas de activación del paciente .
Las herramientas (un video de 3 minutos y una lista de verificación de una página) alentaron a los pacientes a trabajar en colaboración con sus médicos para «hacer un cambio positivo» en su medicación para la insuficiencia cardíaca.
Los hallazgos fueron claros. Una herramienta de activación del paciente entregada electrónicamente antes de la visita a la clínica de cardiología mejoró la intensificación de las terapias médicas dirigidas por las guías por parte de los médicos.
Infarto de miocardio con elevación del segmento ST
La gran mayoría de los dispositivos portátiles actualmente ofrecen registro de ECG de una sola derivación, lo que permite la detección de FA y, más raramente, otras arritmias en un grado satisfactorio.
Sin embargo, tales registros de ECG no pueden detectar de forma fiable los cambios de ST/T debido a la isquemia miocárdica regional.
Sin embargo, se han puesto muchas expectativas en esta posibilidad, ya que el registro de ECG mediante dispositivos portátiles, respaldado por telemonitorización para detectar los primeros signos de isquemia miocárdica, podría limitar sus efectos a menudo destructivos.
Mühlestein et al. , en su publicación relativamente reciente, revisaron la viabilidad de combinar grabaciones de una sola derivación en teléfonos inteligentes en serie para crear un ECG virtual de 12 derivaciones capaz de diagnosticar de manera confiable el infarto de miocardio con elevación del segmento ST.
El estudio incluyó a 200 sujetos (edad media 60 años, 43% mujeres).
Para todos los pares interpretables de ECG de teléfonos inteligentes, en comparación con los ECG estándar de 12 derivaciones ( n = 190), la sensibilidad, la especificidad y los valores predictivos positivo y negativo para el infarto de miocardio con elevación del segmento ST (STEMI) o STEMI equivalente (bloqueo de rama izquierda del haz de His ) logrados por el teléfono inteligente fueron 0,89, 0,84, 0,70 y 0,95, respectivamente.
Los autores concluyeron que un ECG equivalente de 12 derivaciones construido a partir de múltiples grabaciones en serie de una sola derivación desde un teléfono inteligente puede identificar STEMI con una buena correlación con un ECG estándar de 12 derivaciones.
Al igual que en el estudio anterior, un estudio prospectivo también investigó la viabilidad y la precisión de un reloj inteligente para registrar múltiples derivaciones electrocardiográficas y detectar cambios en el segmento ST asociados con el SCA, en comparación con un ECG estándar de 12 derivaciones.
Se utilizó un reloj inteligente disponible comercialmente en 100 participantes.
El reloj se colocó en diferentes posiciones del cuerpo para obtener nueve trazados de ECG bipolares (correspondientes a las derivaciones de Einthoven, II y III, y las derivaciones precordiales, V1-V6), que se compararon con un ECG estándar simultáneo de 12 derivaciones.
En gran medida, hubo una concordancia entre los hallazgos de los trazados del reloj inteligente y los ECG estándar para la identificación de un ECG normal, cambios en el segmento ST y ausencia de elevación del segmento ST.
Los resultados de los dos estudios anteriores dan motivos para el optimismo de que, en un futuro próximo, se superarán las dificultades técnicas, de modo que el registro de dispositivos portátiles ganará la suficiente fiabilidad para el registro de cambios isquémicos en el ECG.
Conclusiones
No cabe duda de que 2020 ha sido un año extraordinario, dominado por la pandemia del COVID-19.
En estas circunstancias difíciles para la humanidad, y con la mayoría de las áreas de investigación cardiovascular comprometidas debido a los bloqueos nacionales, la ciencia de datos perduró.
La capacidad de la IA para extraer y analizar grandes volúmenes de datos de forma remota permitió que este campo de la medicina cardiovascular continuara su evolución, y hemos visto importantes descubrimientos que han transformado muchos aspectos de la atención clínica.
Desde mejoras en el flujo de trabajo hasta la segmentación automatizada de imágenes, la predicción precisa del riesgo cardiovascular o el reconocimiento facial de eventos para detectar enfermedades cardíacas, la IA ahora es una parte importante de la medicina cardiovascular. Los estudios destacados en este artículo brindan solo un pequeño vistazo a este campo en auge, creando más anticipación de lo que vendrá a la práctica clínica en los próximos años.
La Sociedad Europea de Cardiología ha reconocido desde el principio la importancia del campo de rápida evolución de las tecnologías de salud digital y lo ha priorizado como un dominio estratégico de la medicina cardiovascular.
La familia European Heart Journal está a la vanguardia del esfuerzo internacional para establecer altos estándares en la publicación de estudios de IA, promoviendo activamente la traducción de tecnologías de IA en aplicaciones clínicas.
Recientemente se ha incluido una nueva sección sobre salud digital en la EHJ, con el objetivo de cultivar la cultura de la digitalización en todo el espectro de la medicina cardiovascular.
Además, se ha agregado una nueva revista (EHJ Digital Health) a la familia EHJ.
Finalmente, la Unión Europea ha lanzado recientemente un esfuerzo para regular el uso de algoritmos de IA como dispositivos médicos, especialmente para la predicción de riesgos. Los algoritmos de IA deberán recibir la marca CE como dispositivos médicos a partir de mayo del próximo año.
Este enfoque está siendo adoptado tanto por la Administración de Alimentos y Medicamentos como por la Autoridad Europea de Medicamentos y tendrá implicaciones directas en la implementación clínica de las calculadoras de riesgo cardiovascular de IA recientemente desarrolladas que incluirse en las guías clínicas en el futuro.
* Antoniades C, Asselbergs FW, Vardas P. The year in cardiovascular medicine 2020: digital health and innovation. Eur Heart J. 2021 Feb 14;42(7):732-739. doi: 10.1093/eurheartj/ehaa1065. PMID: 33388767; PMCID: PMC7882364.
