Predicción del riesgo de terapias inapropiadas con CDI mediante aprendizaje automático

Investigadores japoneses publicaron en la edición del 9 de noviembre de 2023 del Scientific Reports su análisis referente a la predicción del riesgo de terapias inapropiadas con desfibrilador automático implantable mediante aprendizaje automático*

La NOTICIA DEL DÍA de hoy comentará esta publicación.

En el inicio, los autores plantean que los desfibriladores automáticos implantables (DAI) son muy eficaces para reducir las tasas de mortalidad debida a taquiarritmia ventricular entre a la  pacientes cardíacos de alto riesgo.

Varios estudios previos han informado sobre modelos de predicción para la terapia adecuada con DAI y la prevención de la muerte súbita cardíaca con DAI.

Sin embargo, entre el 8 y el 40% de los pacientes con DAI presentan un tratamiento inadecuado.

La terapia inadecuada con DAI no sólo socava la calidad de vida sino que también aumenta el riesgo de mortalidad por todas las causas.

Casi el 80% de las descargas inapropiadas del DAI son causadas por fibrilación auricular (FA) o taquicardia supraventricular, y en estudios previos también se han indicado varios factores predictivos de descarga inapropiada del DAI, como la ausencia de diabetes mellitus (DM).

Sin embargo, hasta la fecha, ningún modelo de predicción o sistema de puntuación ha podido predecir con precisión una terapia inadecuada con DAI.

Recientemente, se han publicado estudios basados en aprendizaje automático (ML por sus siglas en inglés) en el campo de las arritmias.

Utilizando varias técnicas de ML, uno de estos estudios intentó predecir futuras arritmias ventriculares utilizando señales ventriculares y otro intentó estimar el riesgo de recurrencia después de la ablación de la FA utilizando datos de tomografía computarizada cardíaca.

Además, también se han demostrado las capacidades predictivas mejoradas de los modelos basados en ML con respecto a los modelos clínicos convencionales.

En un estudio, los modelos basados en ML sin aprendizaje profundo, que combinaban datos de electrocardiograma (ECG) de 12 derivaciones y características clínicas en una tabla de datos, mejoraron aún más la predicción del resultado del paciente.

En cuanto a la investigación sobre los CDI, un estudio anterior intentó predecir tormentas eléctricas mediante el aprendizaje automático utilizando datos de monitorización remota.

Sin embargo, hasta donde se sabe, ningún estudio ha utilizado ML para predecir una terapia inapropiada con DAI.

La hipótesis de los autores es que los modelos basados en ML entrenados utilizando características clínicas y exámenes no invasivos, como ECG de 12 derivaciones y datos de ecocardiografía por ultrasonido (UCG), podrían proporcionar modelos de predicción superiores.

Además, se intentó extraer los factores considerados importantes en los modelos de ML para crear un sistema de puntuación más práctico para la aplicación clínica.

Su objetivo fue desarrollar modelos predictivos basados en aprendizaje automático para identificar terapias inapropiadas con desfibrilador automático implantable (DAI).

El estudio incluyó 182 casos consecutivos (edad promedio 62,2 ± 4,5 años, 169 hombres) y empleó 14 modelos de predicción que no son de aprendizaje profundo (método de retención).

Estos modelos utilizaron parámetros de electrocardiograma seleccionados y características clínicas recopiladas después de la implantación del DAI.

A partir del análisis de importancia de las características del mejor modelo de ML, se establecieron puntuaciones fácilmente calculables.

Entre los pacientes, 25 (13,7%) experimentaron una terapia inadecuada y se identificaron 16 predictores significativos.

Utilizando la eliminación recursiva de características con validación cruzada, se redujeron las características a seis con alta importancia:

– antecedentes de arritmia auricular (arritmo Atr),  

– miocardiopatía isquémica (ICM),

– ausencia de diabetes mellitus (DM),

– falta de terapia de resincronización cardíaca (CRT), nivel en el punto J en V3 (STJV3) y

– amplitudes de onda R en V5 (amplificador V5R).

El clasificador de árboles adicionales arrojó el área más alta bajo la curva de características operativas del receptor (AUROC; 0,869 en datos de prueba).

Por lo tanto, la puntuación Cardi35 se definió como [+ 5,5*Atr-arritmo − 1,5*CRT + 1,0*V3STJ + 1,0*V5R − 1,0*ICM − 0,5*DM], lo que demostró un índice de riesgo de 1,62 (P < 0,001).

Un valor de corte de la puntuación + 5,5 mostró un AUROC alto (0,826).

El enfoque ML puede generar un modelo de predicción sólido, y la puntuación Cardi35 fue un predictor conveniente de una terapia inapropiada.

Se desarrolló un modelo basado en ML que logró un AUROC de 0,869 en los datos de la prueba para predecir una terapia CDI inapropiada.

Si bien las consecuencias adversas de una terapia inadecuada con DAI son bien conocidas, existen datos limitados sobre su predicción.

En particular, varios de los factores identificados como importantes en este estudio se alinean con los hallazgos de investigaciones anteriores.

Por ejemplo, las arritmias auriculares se han identificado sistemáticamente como un desencadenante común de un tratamiento inadecuado con DAI.

La ausencia de DM como factor significativo podría atribuirse a la posibilidad de que los pacientes con DM pudieran estar más inmóviles y presentar disfunción autonómica.

Además, las personas con ICM tienen menos probabilidades de experimentar una terapia CDI inadecuada en comparación con aquellas sin ICM.

Un estudio previo demostró que las descargas inadecuadas del DAI provocadas por arritmias auriculares eran más prevalentes en pacientes sin ICM que en aquellos que la presentan.

Además, se ha establecido que los entornos adecuados pueden suprimir eficazmente la fibrilación auricular (FA), lo que podría explicar la menor incidencia de terapia inadecuada con DAI en pacientes con antecedentes de terapia de resincronización cardíaca (TRC).

Sin embargo, ningún estudio previo ha demostrado un vínculo claro entre el nivel del punto J del segmento ST en V3 y las amplitudes de la onda R de V5 con una terapia inadecuada con DAI.

Se han considerado dos teorías plausibles para explicar esta asociación.

En primer lugar, la amplitud V5R puede estar correlacionada con la hipertrofia ventricular izquierda, que a su vez podría desencadenar fibrilación auricular (FA).

La inclusión de la amplitud V5R como criterio diagnóstico de hipertrofia ventricular izquierda en un electrocardiograma (ECG) respalda esta hipótesis.

En segundo lugar, el nivel del punto J del segmento ST en V3, un marcador asociado con el síndrome de Brugada, podría influir en la aparición de arritmias auriculares.

En un estudio previo, se informó sobre el tratamiento inadecuado con DAI en pacientes con síndrome de Brugada y su relación con las arritmias auriculares.

El aprendizaje automático aplicado a datos de ECG de 12 derivaciones se ha desarrollado principalmente utilizando técnicas de aprendizaje profundo, que utilizan datos numéricos de ECG representados como gráficos de tiempo-voltaje en formato CSV.

Si bien el aprendizaje profundo ofrece la ventaja de lograr una alta precisión, exige una cantidad sustancial de datos y recursos informáticos de alto rendimiento para lograr uno de diagnóstico superior.

En particular, los datos de ECG en formato CSV no están disponibles en hospitales y clínicas generales, lo que puede limitar la generalización de resultados y modelos.

Por el contrario, los métodos que no son de aprendizaje profundo, como los empleados en el presente estudio, pueden no alcanzar el mismo nivel de rendimiento.

Sin embargo, ofrecen la ventaja de poder construir modelos predictivos con relativa facilidad, incluso con un número menor de muestras, manteniendo al mismo tiempo una buena robustez y reproducibilidad.

Si bien en investigaciones previas, se han explorado varios predictores, incluidos los antecedentes del paciente , el desarrollo de modelos predictivos sigue siendo un desafío.

Empleando aprendizaje automático (ML), se ha introducido la puntuación Cardi35, que sirve como modelo predictivo con un AUROC de 0,826.

Este rendimiento es comparable al de los modelos complejos de ML, que a menudo superan la precisión de los sistemas de puntuación clínicos.

Esta diferencia es evidente cuando se consideran las puntuaciones clínicas establecidas para la ablación de la fibrilación auricular (FA), donde los AUROC suelen oscilar entre 0,55 y 0,65, y los modelos que alcanzan un AUROC de 0,75 se consideran raros.

En el contexto de los modelos ML, Shade et al. logró un AUROC de 0,82 mediante resonancia magnética con contraste, y Tang et al. obtuvieron un AUROC de 0,86 utilizando un modelo ML que incorporaba datos de ECG y ECG intracardíaco.

Este estudio ha demostrado un AUROC que es comparable, lo que indica una precisión suficiente.

Creemos que este modelo de ML puede emplearse eficazmente como sistema de puntuación para predecir una terapia con DAI inapropiada.

El aspecto fundamental de la puntuación Cardi35 es que no designa ningún factor de alto riesgo a menos que haya antecedentes de arritmia auricular.

Esta observación puede deberse a la dificultad inherente a la predicción de la FA y la taquicardia supraventricular mediante exámenes no invasivos.

Estudios anteriores han explorado el uso de la ecocardiografía y el ECG de aprendizaje profundo para pronosticar la FA.

Sin embargo, estos estudios lograron un AUROC inferior a 0,7 o se basaron en grandes cantidades de datos (más de 450.000 conjuntos de datos).

Por lo tanto, en un estudio de esta escala, predecir la arritmia auricular en pacientes sin antecedentes de tales afecciones habría presentado un desafío formidable.

No obstante, es valioso evaluar si los pacientes con antecedentes de arritmia auricular tienen un riesgo elevado.

Un estudio reciente ha presentado datos de pronóstico a largo plazo desalentadores en relación con el implante de DAI para la prevención primaria.

En consecuencia, resulta fundamental evaluar la presencia de diabetes mellitus (DM), terapia de resincronización cardíaca (TRC) y amplitud de V5R en individuos con antecedentes de arritmia auricular, especialmente en aquellos sin miocardiopatía isquémica (MCI), para evaluar el riesgo potencial. de terapia inadecuada con DAI.

Teniendo en cuenta la precisión de esta puntuación, podría ayudar a determinar la necesidad de una estrategia agresiva de control del ritmo en pacientes de alto riesgo o evaluar si se debe considerar el implante de un DAI caso por caso.

Este estudio tuvo varias limitaciones.

En primer lugar, se trataba de una cohorte pequeña y los hallazgos no han sido objeto de validación externa.

Si bien pudo mostrarse un alto rendimiento de diagnóstico a través del método de espera, el modelo ML que se construyó con los 182 casos no se evaluó externamente.

Tanto el modelo como la puntuación Cardi35 requieren validación con conjuntos de datos externos adicionales.

En segundo lugar, debido a la naturaleza retrospectiva del estudio, la información disponible fue limitada.

Por ejemplo, se sabe que factores como el índice de volumen de la aurícula izquierda y la disfunción diastólica del ventrículo izquierdo están asociados con la fibrilación auricular (FA).

Sin embargo, estos datos con frecuencia estaban ausentes en conjuntos de datos más antiguos y los resultados podrían haber diferido si estas variables se hubieran incluido en el análisis.

En tercer lugar, actualmente no existe un método estandarizado para generar puntuaciones clínicas a partir de modelos de ML.

En este estudio, se diseñaron puntuaciones utilizando las de importancia de características y valores SHAP (SHapley Additive exPlanations), y el número de factores seleccionados se determinó teniendo en cuenta la aplicación clínica práctica.

Sin embargo, esta decisión fue algo arbitraria y no se puede descartar la posibilidad de un sistema de puntuación más óptimo.

A pesar de estas limitaciones, la puntuación Cardi35 mantiene un alto nivel de precisión, lo que subraya su valor en la práctica clínica.

Concluyendo, este estudio ha demostrado la eficacia del enfoque de aprendizaje automático (ML) en el desarrollo de modelos de predicción resilientes para terapias inapropiadas con DAI.

La puntuación Cardi35, derivada de este modelo, ofrece un medio conveniente para evaluar si se debe seguir una estrategia agresiva de control del ritmo o si se debe considerar la implantación de un DAI para pacientes específicos.

* Tateishi R, Suzuki M, Shimizu M, Shimada H, Tsunoda T, Miyazaki H, Misu Y, Yamakami Y, Yamaguchi M, Kato N, Isshiki A, Kimura S, Fujii H, Nishizaki M, Sasano T. Risk prediction of inappropriate implantable cardioverter-defibrillator therapy using machine learning. Sci Rep. 2023 Nov 9;13(1):19586. doi: 10.1038/s41598-023-46095-y. PMID: 37949876; PMCID: PMC10638417.