Modelo predictivo para la selección de la modalidad de reemplazo de válvula aórtica en la estenosis aórtica grave
Un grupo de especialistas tailandeses que se desempeñan en instituciones de alta complejidad de su país y uno de ellos en el Departmento de Medicina Cardiovascular de la Mayo Clinic de Rochester desarrollaron un modelo predictivo basado en aprendizaje automático para la selección de la modalidad de reemplazo de válvula aórtica en pacientes con estenosis aórtica grave*, que será comentado en la NOTICIA DEL DÍA.
Introducen el tema los autores señalando que la estenosis aórtica (EA) es un problema cardiovascular importante que se prevé que afectará a una parte importante de la población de mayor edad.
El reemplazo quirúrgico de la válvula aórtica (SAVR por sus siglas en inglés) se ha considerado tradicionalmente el tratamiento estándar.
En los últimos 10 años, el reemplazo valvular aórtico transcatéter (TAVR por sus siglas en inglés) ha surgido como una modalidad alternativa no quirúrgica que puede proporcionar eficacia y seguridad comparables para pacientes seleccionados con EA grave.
La recomendación actual para pacientes con estas condiciones que han sido aprobados para recibir una válvula bioprotésica es SAVR o TAVR.
A los pacientes con riesgo prohibitivo de SAVR se les recomienda TAVR o cuidados paliativos como terapia de destino.
La eficacia de SAVR está respaldada por más de 50 años de experiencia, con datos suficientes en diferentes grupos de edad.
Si bien TAVR es una opción no quirúrgica que brinda beneficios, incluido un menor riesgo de muerte por todas las causas y fibrilación auricular, la durabilidad de la válvula sigue siendo una preocupación importante.
Equilibrar los objetivos de longevidad del paciente y durabilidad de la válvula es fundamental a la hora de seleccionar la modalidad de reemplazo valvular.
También se han incorporado varios factores específicos del paciente para la decisión final basada en un proceso de toma de decisiones compartido por un equipo cardíaco multidisciplinario compuesto por al menos un cardiólogo no invasivo, un cardiólogo intervencionista y un cirujano cardíaco.
Aún no se ha logrado un consenso definitivo sobre el tratamiento de primera línea para el grupo de edad de pacientes entre 65 y 85 años.
El mayor uso de modelos predictivos se ha convertido en una parte importante de las decisiones de gestión de la salud.
Actualmente, los datos sobre los factores relacionados con el reemplazo de la válvula aórtica siguen siendo limitados.
Este estudio tuvo como objetivo desarrollar modelos predictivos para evaluar la información disponible del paciente recopilada durante la evaluación previa al procedimiento, que incluye datos demográficos, clínicos, de investigación de laboratorio y de imágenes cardíacas que impactan la selección de una modalidad de reemplazo de la válvula aórtica.
Utilizando registros médicos de un hospital universitario de Tailandia, estos modelos reflejan el proceso de toma de decisiones de pacientes mayores de 65 años en un centro terciario de alto volumen en un país en desarrollo.
Los autores evaluaron el rendimiento de un modelo predictivo basado en aprendizaje automático utilizando variables periprocedimiento existentes para la selección de la modalidad de reemplazo valvular.
Analizaron 415 pacientes en una cohorte longitudinal retrospectiva de pacientes adultos sometidos a reemplazo de válvula aórtica por estenosis aórtica.
Se recopiló de cada paciente un total de 72 variables clínicas, incluidos datos demográficos, comorbilidades y características de la investigación preoperatoria.
Se ajustaron modelos utilizando LASSO (operador de selección y contracción mínima absoluta) y técnicas de árbol de decisión.
LASSO es un método de análisis de regresión que realiza selección de variables y regularización para mejorar la exactitud e interpretabilidad del modelo estadístico producido por este.
El análisis de regresión es un método estadístico que permite examinar la relación entre dos o más variables e identificar cuáles son las que tienen mayor impacto en un tema de interés
Es un proceso estadístico para entender cómo una variable depende de otra variable.
La precisión de la predicción de la matriz de confusión se utilizó para evaluar el rendimiento del modelo.
La variable independiente más predictiva para la selección de válvula mediante regresión LASSO fue la puntuación de fragilidad.
Las variables que predicen SAVR consistieron en una puntuación baja de fragilidad (valor igual o inferior a 2) y enfermedades coronarias complejas (DVD/TVD, Double Vessel Disease – TVD = Triple Vessel Disease).
Las variables que predijeron la TAVR consistieron en una puntuación alta de fragilidad (6 o más), antecedentes de cirugía de revascularización coronaria (CABG), aorta calcificada y enfermedad renal crónica (ERC).
El modelo predictivo generado por LASSO logró una precisión del 98 % en la selección de la modalidad de reemplazo de válvula a partir de los datos de prueba.
El modelo de árbol de decisión constaba de menos parámetros importantes, a saber, puntuación de fragilidad, ERC, puntuación STS (predictor de la morbilidad y mortalidad postoperatoria en pacientes que van a la cirugía cardiaca valvular), edad e historial de ICP.
El factor más predictivo para la selección del reemplazo valvular fue la puntuación de fragilidad.
Los modelos predictivos que utilizaron diferentes métodos de aprendizaje estadístico lograron una excelente tasa de precisión predictiva de concordancia de entre el 93% y el 98%.
En este estudio, se utilizaron datos de observación para construir un modelo que prediga la selección de la modalidad de reemplazo de la válvula aórtica (SAR versus TAVR) en las instituciones en Tailandia.
Los resultados representan uno de los primeros modelos predictivos sobre este aspecto entre los países en desarrollo.
Este modelo se basa en información fundamental obtenida de forma rutinaria durante la evaluación previa al procedimiento en entornos de atención terciaria entre pacientes elegibles para el reemplazo de válvula aórtica bioprotésica.
La generalización de la aplicación del modelo es una fortaleza clave de este modelo: podría ayudar en la toma de decisiones compartida entre los proveedores de atención y los pacientes para seleccionar una modalidad de reemplazo valvular adecuada.
Además, en escenarios no convencionales, en los que las características de los pacientes no son paralelas a las de los ensayos clínicos, este modelo podría ser beneficioso para proporcionar un mayor nivel de confianza en la orientación para la selección de la modalidad.
Las recomendaciones actuales sobre la selección de válvulas entre TAVR y SAVR se basan principalmente en el perfil clínico del paciente.
En la disfunción sistólica del ventrículo izquierdo sintomática o asintomática (FEVI <50%) con EA grave, los factores favorables para elegir SAVR son los pacientes más jóvenes (edad <65 años) con una longevidad superior a 20 años y una anatomía vascular desafiante para TAVR.
En ausencia de consideraciones anatómicas para la TAVR, los pacientes mayores de 80 años o los pacientes más jóvenes con una esperanza de vida inferior a 10 años son candidatos preferibles para la TAVR.
La toma de decisiones compartida debe realizarse en pacientes mayores de 65 años, ya que tanto TAVR como SAVR muestran mérito como recomendación de primera línea.
La selección de válvulas para esta categoría de edad sigue siendo un gran desafío y la evaluación de los datos para determinar los factores relacionados con la modalidad de selección puede ayudar a informar tanto a los médicos como a los pacientes.
Este estudio demostró el gran valor de la información sobre la práctica clínica local, que representa recursos, países y población de pacientes locales limitados.
Debido a la creciente demanda de reemplazo valvular aórtico transcatéter (TAVR), numerosos centros médicos con menos experiencia están llevando a cabo este procedimiento.
Sin embargo, la mayoría de los modelos validados se derivan de centros altamente competentes, que potencialmente carecen de una representación de la evidencia del mundo real en entornos con recursos limitados.
A pesar del aumento reconocido del riesgo quirúrgico asociado con factores adicionales como la ERC, estos elementos no están integrados explícitamente en los algoritmos de toma de decisiones para seleccionar entre TAVR y reemplazo quirúrgico de la válvula aórtica (SAVR).
Las decisiones clínicas a menudo dependen de la experiencia del operador, que puede no estar en línea con las directrices científicas establecidas.
Este estudio ilustra que los predictores observados en entornos con volúmenes más pequeños se alinean con las recomendaciones de las directrices, estableciendo una métrica de control de calidad para las prácticas clínicas del mundo real en entornos con recursos limitados.
Se ha demostrado que la utilización de inteligencia artificial (IA) en la planificación previa al procedimiento de TAVR mediante tomografías computarizadas disminuye la confiabilidad interobservador.
Los resultados de esta investigación contribuyen significativamente a mejorar las evaluaciones preoperatorias, particularmente en centros médicos con menos experiencia.
En consecuencia, esto fomenta una distribución equitativa de los procedimientos TAVR entre centros con distintos niveles de experiencia.
El objetivo principal de este enfoque es aliviar las disparidades en la atención médica a escala global, reflejando la intención de este estudio de dilucidar los factores que influyen en la determinación de la elegibilidad de un paciente para el reemplazo de la válvula aórtica.
Además, la evaluación de los parámetros de anomalía de la válvula extraaórtica antes del procedimiento y sus mediciones posteriores juega un papel crucial en la determinación del pronóstico a largo plazo.
En particular, la disfunción irreversible del ventrículo derecho (VD) surge como un factor definitorio que delimita a los pacientes con un peor pronóstico a largo plazo cuando se yuxtapone con aquellos sin disfunción del VD.
Es imperativo subrayar que estos intrincados hallazgos pueden eludir la detección mediante la aplicación de IA, dado que tales factores pueden inicialmente parecer poco visibles dentro del alcance del conocimiento disponible en ese momento.
La utilización de la inteligencia artificial (IA) en el procesamiento de imágenes multimodales previas al procedimiento, como se aclara en un estudio de Maier et al., se erige como una iniciativa notable destinada a mejorar los resultados de los pacientes.
En particular, este enfoque se alinea con este paradigma, específicamente en el contexto de discernir la idoneidad de los pacientes para el reemplazo valvular aórtico transcatéter (TAVR) o el reemplazo quirúrgico de la válvula aórtica (SAVR) dentro de un marco clínico análogo al de los autores tailandeses.
El modelo, que se distingue por su capacidad de ser utilizado incluso por operadores con experiencia limitada, surge como una herramienta valiosa para seleccionar pacientes elegibles para procedimientos TAVR.
Esto no sólo agiliza el proceso de toma de decisiones, sino que también contribuye a reducir los pasos procesales y la carga sanitaria general, maximizando así la utilidad de la información fácilmente disponible.
La singularidad de esta cohorte surge de la selección de pacientes con riesgos cardiovasculares muy altos y los compara con otras cohortes asiáticas de alto riesgo con una tasa de supervivencia comparable a 1 año del 84,7% y 88,6% para TAVR y SAVR, respectivamente.
A partir de los resultados de la selección de variables, este estudio mostró que la edad, la puntuación STS, la puntuación de fragilidad y la ERC son los predictores de mayor valor.
Estos hallazgos enfatizan distintos predictores de la selección de válvulas en los que se utilizaron datos accesibles recopilados en el punto de servicio para generar el modelo de predicción.
El proceso de decisión para la selección de la válvula normalmente ha dependido del equipo de válvulas cardíacas en colaboración con el paciente y su familia.
El estudio identifica factores asociados con estas decisiones de modalidad.
La fragilidad, el STS y la ERC son variables importantes seleccionadas por el modelo que logró una precisión del 94% en la predicción de la modalidad valvular.
Estos factores reflejan factores que los médicos sopesan en la práctica del mundo real y exploran más detalladamente en función de lo que la guía estándar ya ha recomendado.
Además del desempeño de este modelo para derivar factores relacionados, la cohorte demostró perfiles de resultados similares en comparación con otras cohortes clínicas, lo que de hecho respaldó la eficiencia del modelo de decisión para mantener el status quo.
Estos factores deben estudiarse prospectivamente para explorar más a fondo su importancia en el resultado.
Aún se desconoce si estos parámetros importantes están justificados para ser parte de los criterios de selección de pacientes y será necesario un estudio a largo plazo para explorar la relación entre los factores predictivos y los resultados a largo plazo.
Debido a la actual falta de disponibilidad de datos de resultados, es importante comenzar a compilar las características clínicas y demográficas en una gran base de datos de registro que contenga datos de procedimientos futuros y atención posprocedimiento, así como datos de resultados.
A pesar de que la toma de decisiones basada en la opinión de expertos sobre el reemplazo valvular para pacientes individuales se considera una práctica estándar, nunca se ha documentado el fundamento de cada decisión en diferentes circunstancias.
Este modelo señala los factores clínicamente importantes que los expertos utilizaron para determinar una modalidad adecuada de reemplazo valvular.
Por lo tanto, esos factores pueden incorporarse a una directriz local y usarse para ayudar en el diseño de estudios adicionales para explorar el impacto en los resultados a largo plazo.
El estudio tiene limitaciones que deben ser reconocidas.
En primer lugar, es posible que los sujetos inscritos en un solo centro no representen las características de los pacientes en los países desarrollados.
Además, el presente tuvo un tamaño de muestra pequeño, lo que no es factible para todos los métodos de aprendizaje automático.
Sin embargo, los métodos utilizados (es decir, imputación, regresión LASSO, árbol de decisión) son válidos con un tamaño de muestra pequeño.
Además, el centro en cuestión es uno de los de mayor volumen de TAVR de Tailandia.
En conclusión, se han descrito las predicciones de estos modelos de aprendizaje automático sobre la probabilidad de selección de la modalidad de reemplazo de la válvula aórtica entre una cohorte a largo plazo.
Este estudio se encuentra entre los primeros en presentar modelos que reflejan una práctica clínica profunda en un país en desarrollo.
También se construyó y validó la herramienta para predecir la selección de la modalidad de reemplazo de válvula.
Estos datos locales pueden ayudar a abordar una variedad de factores asociados con la atención médica que impactan la toma de decisiones en el proceso de selección de válvulas.
La información de este modelo también podría usarse para determinar la calidad de la atención al paciente y dar forma a futuros diseños de estudios que puedan optimizar los criterios de selección de pacientes.
Los resultados podrían servir como una herramienta de asistencia para guiar a los médicos en su evaluación de variables clínicas importantes que impactan la selección del procedimiento de reemplazo valvular óptimo según el perfil clínico de un individuo en entornos clínicos con recursos limitados.
Se requieren más estudios para explorar los beneficios clínicos del modelo predictivo y los factores en la práctica clínica.
* Chokesuwattanaskul R, Petchlorlian A, Lertsanguansinchai P, Suttirut P, Prasitlumkum N, Srimahachota S, Buddhari W. Machine Learning-Based Predictive Model of Aortic Valve Replacement Modality Selection in Severe Aortic Stenosis Patients. Med Sci (Basel). 2023 Dec 29;12(1):3. doi: 10.3390/medsci12010003. PMID: 38249079; PMCID: PMC10801609.
