«Machine learning» para selección de pacientes respondedores a la TRC

Un grupo de autores europeos de distintas nacionalidades publicó en la edición de enero de este año en el European Journal of Heart Failure los resultados de un estudio multicéntrico randomizado que incluyó un número significativo de pacientes, que investigó las características fenotípicas de aquellos con IC que respondieron a la terapia de resincronización cardíaca basado en un modelo de aprendizaje automático computarizado*. 

El aprendizaje automático, también conocido en inglés como machine learning, es un campo de la computación que lleva a otro nivel a la inteligencia artificial, haciendo que las computadoras “aprendan a pensar”.

El machine learning desarrolla algoritmos que hacen que las máquinas puedan aprender por su cuenta y responder a determinadas preguntas con bastante certeza. Para desarrollar estos algoritmos, existen dos modalidades: aprendizaje supervisado y no supervisado.

Rápidamente, en el aprendizaje supervisado se entrena al algoritmo otorgándole las preguntas, denominadas características, y las respuestas, denominadas etiquetas. Esto se hace con la finalidad de que el algoritmo las combine y pueda hacer predicciones.

En cambio en el no supervisado solo se le otorgan las características, sin proporcionarle al algoritmo ninguna etiqueta**.

Los autores de la publicación del European…. señalan en la introducción de su trabajo que el objetivo de la medicina personalizada es optimizar la adaptación de los tratamientos a pacientes específicos con el fin de maximizar la respuesta al tratamiento, lo que, como requisito previo, requiere una caracterización fenotípica precisa del paciente del que se trate. 

El síndrome de insuficiencia cardíaca (IC) comprende grupos de pacientes particularmente heterogéneos, a lo que se agrega el limitado éxito de algunas opciones de tratamiento. 

Los enfoques de aprendizaje automático (ML por sus siglas en inglés) basado en modelos informáticos se han aplicado en el diagnóstico, la clasificación, la evaluación de los reingresos y la adherencia a la medicación de los pacientes con insuficiencia cardíaca, así como para identificar distintos grupos de pacientes en varios trastornos, incluida la insuficiencia cardíaca con fracción de eyección preservada, y para predecir la mortalidad en pacientes con sospecha de enfermedad coronaria. 

La ML supervisada implica el uso de algoritmos iterativos que «aprenden» de un conjunto de datos de entrenamiento grande y etiquetado con precisión; Si bien a menudo con un diagnóstico «exacto», generalmente es imposible inferir la «razón de diagnóstico» empleada en estos algoritmos. 

Sin embargo, los enfoques no supervisados ​​no intentan identificar una «verdad» diagnóstica o pronóstica, sino que agrupan a los pacientes en función de múltiples características, que pueden ser demográficas, históricas o según medidas de determinados parámetros. 

Al agrupar a los pacientes similares en múltiples dimensiones, es posible analizar las características de los individuos agrupados de manera similar y relacionarlos con los resultados o las respuestas terapéuticas. 

Previamente, los autores demostraron que el aprendizaje múltiple sin supervisión (MKL, por sus siglas en inglés de Multiple Kernel Learning) puede aplicarse para encontrar similitudes entre los pacientes, en base a una amplia gama de datos heterogéneos, como los descriptores complejos basados ​​en imágenes de la estructura y la función del ventrículo, de manera «agnóstica» .

Una de esas áreas en las que la caracterización fenotípica más precisa podría mejorar la selección de pacientes es la terapia de resincronización cardíaca (TRC) que, a pesar de las pautas claras sobre qué pacientes deben tratarse, una proporción sustancial de los pacientes no responde a esta terapia. 

Los enfoques basados ​​en este modelo integrando parámetros clínicos con datos ecocardiográficos complejos sobre la deformación miocárdica y los cambios de volumen del ventrículo izquierdo medidos a lo largo de todo el ciclo cardíaco podrían superar algunas de las limitaciones de los enfoques tradicionales para la selección de pacientes para TRC, y proporcionar un ejemplo de cómo se puede utilizar la ML para mejorar  a los pacientes con insuficiencia cardíaca con determinadas características, con respecto a los resultados y la respuesta al tratamiento. 

Por lo tanto, los investigadores europeos utilizaron datos del estudio Multicéntrico de Implantación de Desfibrilador Automático con Terapia de Resincronización Cardíaca (MADIT-CRT), un gran ensayo clínico aleatorizado de 1820 pacientes con fracción de eyección del ventrículo izquierdo ≤ 30%, QRS ≥ 130 ms, clase de la NYHA ≤ II)  para determinar si el ML no supervisado podría ayudar en la identificación de los pacientes que probablemente respondan a la TRC.

Estudiaron a 1106 de este grupo de pacientes asignados al azar a TRC con un desfibrilador (CRT-D, n = 677) o un desfibrilador cardioversor implantable (ICD, n = 429). 

Se utilizó un algoritmo ML no supervisado para clasificar a los sujetos por similitudes en los parámetros clínicos, y trazas del volumen y la deformación del ventrículo izquierdo al inicio del estudio en grupos mutuamente exclusivos. 

El efecto del tratamiento de la TRC-D en el resultado primario (muerte por cualquier causa o evento de insuficiencia cardíaca) y en la respuesta de volumen se comparó entre estos grupos. 

El análisis identificó cuatro grupos fenotípicos, significativamente diferentes en la mayoría de las características clínicas basales, los valores de biomarcadores, las medidas de la estructura y función del ventrículo izquierdo y derecho y la aparición de los resultados primarios. 

Dos de estos grupos incluyeron una mayor proporción de características clínicas conocidas predictivas de respuesta a TRC, y se asociaron con un efecto del tratamiento de CRT-D sustancialmente mejor en el resultado primario [cociente de riesgo (FC) 0,35; Intervalo de confianza (IC) del 95%: 0,19-0,64; P = 0,0005 y HR 0,36; IC del 95%: 0,19 a 0,68; P = 0,001] de lo observado en los otros grupos (interacción P = 0,02).

Como conclusiones los autores subrayan que estos resultados sirven como prueba de concepto de que, al integrar los parámetros clínicos y los datos de imágenes del ciclo cardíaco completo, la ML no supervisada puede proporcionar una clasificación clínicamente significativa de una cohorte de pacientes con IC fenotípicamente heterogénea y podría ayudar a optimizar la tasa de pacientes que responden a terapias de resincronización.

* Cikes M, Sanchez-Martinez S, Claggett B, Duchateau N, Piella G, Butakoff C, Pouleur AC, Knappe D, Biering-Sørensen T, Kutyifa V, Moss A, Stein K, Solomon SD, Bijnens B. Machine learning-based phenogrouping in heart failure to identify responders to cardiac resynchronization therapy. Eur J Heart Fail. 2019 Jan;21(1):74-85. doi: 10.1002/ejhf.1333. Epub 2018 Oct 17.

** Zambrano Juan, ¿Aprendizaje supervisado o no supervisado? Conoce sus diferencias dentro del machine learning y la automatización inteligente. https://medium.com/@juanzambrano/aprendizaje-supervisado-o-no-supervisado-39ccf1fd6e7b