Rol de la ecocardiografía para evaluar la respuesta a la TRC
Autores pertenecientes a la Universidad de Rennes, Francia, al Centro de Innovación Cardiológica y Departamento de Cardiología del Hospital Universitario de Oslo, Noruega y del Departamento de Ciencias Cardiovasculares, de Leuven, Lovaina, Bélgica, publicaron en la edición del 10 de junio de 2021 de PLoS One los resultados de un estudio que pretendió evaluar el valor de las vistas ecocardiográficas con el fin de seleccionar las mejores características para estimar la respuesta a la TRC*. Este artículo será el eje de la NOTICIA DEL DÍA de hoy.
La terapia de resincronización cardíaca (TRC) es una de las terapias más efectivas para los pacientes que padecen insuficiencia cardíaca con fracción de eyección reducida.
La TRC mejora la calidad de vida y reduce significativamente las tasas de hospitalización por insuficiencia cardíaca y la mortalidad por todas las causas.
Entre el 20 y el 30% de los pacientes con insuficiencia cardíaca con fracción de eyección reducida presentan un bloqueo de rama izquierda (BRI). Estos pacientes podrían beneficiarse de un implante de TRC, con una remodelación inversa del ventrículo izquierdo (VI), una mejora de la función sistólica, un mejor control de los síntomas y, finalmente, una mejor calidad de vida y esperanza de vida.
A pesar de sus beneficios clínicos y su costo / beneficio bien establecidos, sigue siendo una opción de tratamiento ampliamente infrautilizada.
El tema de la «falta de respuesta» a la TRC ha recibido una gran atención en las investigaciones. Sin embargo, las recomendaciones permanecen sin cambios durante los últimos años, principalmente basadas en marcadores de actividad eléctrica cardíaca, sin la integración de nuevos marcadores relacionados con la evaluación de la disincronía mecánica cardíaca y los acoplamientos electromecánicos.
Para superar este importante problema, se han propuesto varios métodos. Una solución es mejorar la implantación de TRC.
La implantación óptima del electrodo VI se basa principalmente en la posibilidad de conseguir una vena adecuada y unos buenos parámetros de estimulación.
Por lo tanto, se espera que la mayor parte de la ganancia que podría esperarse de la TRC esté en el proceso de selección.
Se han realizado enormes esfuerzos y se ha logrado una mejor comprensión de la disincronía mecánica y el acoplamiento electromecánico en los últimos años utilizando herramientas de imagen que son mucho más robustas que en el pasado.
Otra solución apunta a mejorar la identificación y caracterización de los pacientes que probablemente respondan bien a la TRC.
Entre muchos métodos, algunos autores han sugerido que el análisis de la ecocardiografía speckle tracking podría mejorar la selección de candidatos a TRC.
El objetivo es caracterizar mejor la función mecánica regional del VI mediante esta técnica. En particular, algunos marcadores derivados de la estimación del movimiento de la pared del VI (picos y tiempos) se han asociado con la respuesta de la TRC.
El análisis de la deformación (strain) del VI también ha demostrado ser útil para comprender la mecánica del VI y proporcionar información para la estimación de la respuesta al procedimiento.
La mejor práctica para evaluar la deformación mecánica general del VI mediante ecocardiografía bidimensional es adquirir 3 vistas diferentes
I) la vista de 4 cámaras que muestra las dos aurículas y los dos ventrículos;
II) la vista de 2 cámaras (2ch) enfocada solo en la aurícula izquierda y el ventrículo izquierdo y
III) la vista de eje largo apical (3ch) enfocada en la parte izquierda del corazón con la aorta.
Los datos adquiridos con estas vistas se pueden procesar para extraer una amplia variedad de características. Los métodos de Machine Learning (ML) se pueden aplicar para procesar estas características con el fin de estimar la respuesta a TRC, como se muestra en un trabajo reciente del grupo de loa autores, que inicialmente se limitó a la vista de 4 cámaras.
Otros trabajos también han aplicado ML para predecir la respuesta a la TRC o los resultados después de la implantación. Pero un paso crítico en este enfoque es un estudio de análisis de características apropiado, que implica la estimación de la importancia relativa de cada característica de entrada para el resultado de la decisión global.
Además, este análisis de características puede conducir a un paso de selección de características en el que se reduce el número de características utilizadas mientras se mantiene un nivel de rendimiento aceptable.
Al reducir la dimensión del problema de esta manera, se mejoran las propiedades de convergencia y generalización del método ML, al tiempo que se minimiza el sobreajuste.
Con respecto a la estimación de la respuesta a la TRC, un trabajo reciente aplicó un método no supervisado basado en Multiple Kernel Learning y agrupación de K-medias a un conjunto de 1106 pacientes con IC.
Después del paso de agrupamiento, los autores identificaron cuatro grupos naturales y caracterizaron estos grupos a través del conocimiento experto de acuerdo con sus fenotipos.
Este enfoque de ingeniería de datos permitió la identificación de dos fenogrupos que presentan una mayor proporción de algunas características clínicas que se sabe en la literatura que predicen la respuesta a la TRC.
En este trabajo, se propuso otra visión del problema, directamente centrada en el análisis cuantitativo de la deformación miocárdica (strain) para la selección de las vistas y características ecocardiográficas más informativas para la estimación de la respuesta de la TRC.
Para ello, aplicamos un enfoque supervisado, basado en el método Random Forest (RF) y centrado en un conjunto de características cuantitativas avanzadas extraídas de las curvas de strain, utilizando tres vistas ecocardiográficas diferentes.
Se extrajeron varias características de las curvas de deformación longitudinal de 130 pacientes y se han aplicado diferentes métodos de selección de características (out-of-bag random forest, wrapping and filtering).
Los modelos Random Forest tienen la ventaja de disponer del Out-of-Bag error, lo que permite obtener una estimación del error de test sin recurrir a la validación cruzada, que es computacionalmente costosa.
Los resultados muestran que más del 50% de las 20 características más importantes se calculan a partir de la vista de 4 cámaras.
Aunque las características de las vistas de 2 y 3 cámaras están menos representadas en las características más importantes, algunas de las primeras se han identificado para proporcionar información complementaria.
También se proporciona un análisis e interpretación exhaustivos de las características más informativas, como un primer paso hacia la construcción de una cadena de aprendizaje automático para una mejor selección de candidatos para la indicación de CRT.
En conclusión, los autores señalan que en el presente estudio, se aplicaron diferentes métodos de análisis de características para seleccionar un conjunto cuantitativo de ellas extraídas de diferentes vistas y métodos de análisis ecocardiográficos cardíacos.
Descubrieron que la mayoría de las características significativas derivadas del strain para la predicción de la respuesta CRT se obtienen de la vista de 4 cámaras.
Según estos datos, la evaluación de la dinámica del strain en la vista de 4 cámaras proporciona la información más importante para predecir la respuesta de CRT.
La vista de 2 cámaras podría proporcionar información adicional y complementaria sobre la deformación del VI.
Este análisis fue un primer paso hacia un desarrollo mejorado de métodos de aprendizaje automático multivariado para la predicción de la mejor respuesta a la TRC.
* Gallard A, Galli E, Hubert A, Bidaut A, Le Rolle V, Smiseth O, Voigt JU, Donal E, Hernández AI. Echocardiographic view and feature selection for the estimation of the response to CRT. PLoS One. 2021 Jun 10;16(6):e0252857. doi: 10.1371/journal.pone.0252857. PMID: 34111154; PMCID: PMC8191962.
