Inteligencia artificial que detecta fibrilación auricular oculta durante ritmo sinusal normal
El pasado 14, nuestro querido amigo y destacado integrante del FIAI de la Provincia de Mendoza, Argentina, el Dr. Juan Carlos Manzzardo (a) Juanca1, aportó en el Grupo Educacional de la plataforma del FIAI en Telegram una nota editorial distribuida por Mescape que aludía a inteligencia artificial que detecta fibrilación auricular oculta durante ritmo sinusal normal*.
El artículo original de referencia fue publicado el 1º de agosto en Lancet y se debe a investigadores de la Universidad de Rochester, en USA y puede traducirse como Un algoritmo de ECG con inteligencia artificial para la identificación de pacientes con fibrilación auricular durante el ritmo sinusal: un análisis retrospectivo de la predicción de resultados**.
Para introducir el tema los autores reseñan que la fibrilación auricular es común, subdiagnosticada y asociada con un mayor riesgo de accidente cerebrovascular, insuficiencia cardíaca y mortalidad.
La detección de fibrilación auricular puede ser un desafío debido al bajo rendimiento diagnóstico de un solo electrocardiógrafo (ECG) para detectar frecuentemente, a menudo una fugaz arritmia y también por 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 guías 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 tengan fibrilación auricular 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 por las siglas en inglés de embolic stroke of undetermined source) .
Muchos de estos accidentes cerebrovasculares están relacionados con la ocurrencia de fibrilación auricular, que puede detectarse de manera insuficiente debido a su paroxismo y, a menudo a su 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 recidiva 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 fibrilación auricular, 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 las arritmias auriculares; estos cambios podrían ser importantes para la patogénesis del accidente cerebrovascular isquémico o embólico.
Anteriormente los autores utilizaron 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.
Con este antecedente. presumieron 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 se debiera a cambios estructurales asociados con un historial de fibrilación auricular (o inminencia de que ocurra).
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 Mayo Clinic.
Desarrollaron así, un electrocardiógrafo (ECG) habilitado con inteligencia artificial (AI por sus siglas en inglés) utilizando una red neuronal convolucional para detectar el patrón electrocardiográfico predictor de fibrilación auricular presente durante el ritmo sinusal normal utilizando ECG estándar de 10 segundos y 12 derivaciones.
Una red neuronal 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 diagnósticos de ritmo validados por personal capacitado bajo supervisión cardiólógica.
A los efectos de esta investigación clasificaron a los pacientes con al menos un ECG con un ritmo de fibrilación auricular o aleteo auricular como positivos para la fibrilación auricular
Asignaron ECG a los conjuntos de datos de capacitación o aleccionamiento, validación interna y prueba o comprobación en una proporción de 7: 1: 2. (aleccionamiento (70%), validación interna (10%) y comprobación (20%)).
Calcularon el área bajo la curva (AUC por sus siglas en inglés) de la curva característica de operación del receptor para el conjunto de datos de validación interna para seleccionar un umbral de probabilidad, que aplicaron al conjunto de datos de comprobación.
Evaluaron el rendimiento del modelo en el conjunto de datos de comprobación calculando el AUC y la precisión, sensibilidad, especificidad y puntaje o score F1 con IC de 95% a dos lados.
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 comprobación
3051 (8,4%) pacientes en el conjunto de datos de comprobación 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).
El Valor-F o score F o F1 en estadística es la medida de precisión que tiene un test.
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), y en general precisión a 83,3% (83,0 – 83,7).
Por lo tanto, los autores concluyen que un ECG habilitado con IA adquirido durante el ritmo sinusal normal permite la identificación en el punto de atención de individuos con fibrilación auricular.
* Inteligencia artificial detecta fibrilación auricular oculta durante ritmo sinusal normal – Medscape – 13 de agosto de 2019.
** 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 patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019 Aug 1. pii: S0140-6736(19)31721-0. doi: 10.1016/S0140-6736(19)31721-0. [Epub ahead of print]
