Viabilidad del análisis ECG basado en inteligencia artificial para la predicción de enfermedad coronaria obstructiva en la angina estable
Autores coreanos realizaron un estudio de validación que se propuso analizar la viabilidad del análisis electrocardiográfico basado en inteligencia artificial para la predicción de enfermedad arterial coronaria obstructiva en pacientes con angina estable que publicaron el 2 de mayo de 2023 en JMIR Cardio.
JMIR Cardio es la revista oficial del Congreso Europeo sobre eCardiología y eSalud. Los mejores trabajos presentados en la conferencia son seleccionados para JMIR Cardio.
La NOTICIA DEL DÍA hoy se ocupará de esta publicación.
Introduciendo el tema los autores plantean que la enfermedad de las arterias coronarias (EAC) es un importante problema de salud mundial, con una prevalencia e incidencia cada vez mayores en todo el mundo.
Aunque la electrocardiografía (ECG) se ha utilizado como modalidad primaria no invasiva en pacientes con sospecha de EAC, su valor diagnóstico se limita al síndrome coronario agudo (SCA), como el infarto de miocardio con elevación del ST (STEMI).
En pacientes que presentan angina estable, el ECG inicial a menudo muestra hallazgos inespecíficos o normales, lo que resulta en una baja precisión diagnóstica.Por lo tanto, en la mayoría de los casos, se requieren pruebas adicionales, como ECG de ejercicio, tomografía computarizada por emisión de fotón único y angiografía por tomografía computarizada coronaria, independientemente de los hallazgos iniciales del ECG.
En décadas anteriores, se han realizado varios intentos para desarrollar algoritmos automatizados utilizando inteligencia artificial (IA) para analizar señales de ECG para identificar CAD.
Para uso clínico, la mayoría de estos «biomarcadores digitales» AI-ECG se desarrollaron para la evaluación rápida de pacientes que presentan dolor torácico agudo, especialmente para la detección de síndrome coronario agudo.
Sin embargo, para condiciones no agudas, hay escasez de datos sobre el uso de tales algoritmos de IA.
En consecuencia, existe una gran brecha de conocimiento con respecto a si los algoritmos desarrollados para la isquemia aguda pueden usarse en condiciones crónicas estables.
Los autores presumen que los biomarcadores AI-ECG desarrollados originalmente para la isquemia aguda también podrían proporcionar información valiosa sobre la presencia y la gravedad de la enfermedad coronaria en pacientes que presentan angina estable.
Sin embargo, también se consideró la posibilidad de que una puntuación específica para la angina estable pudiera ser más adecuada.
Por lo tanto, los objetivos de este estudio fueron dos:
(1) evaluar la utilidad de los biomarcadores digitales de ECG que se desarrollaron originalmente para afecciones agudas, como el SCA, en la estratificación de riesgo de pacientes que presentan angina estable; y
(2) evaluar la viabilidad de desarrollar un nuevo biomarcador de ECG para la angina estable mediante la reutilización de las características profundas de un sistema de IA existente.
A pesar de la investigación acumulada sobre algoritmos de electrocardiografía (ECG) basados en inteligencia artificial para predecir el síndrome coronario agudo (SCA), su aplicación en la angina estable no está bien evaluada.
Bajo estas premisas, los autores evaluaron la utilidad de un analizador de electrocardiografía cuantitativa (QCG) basado en inteligencia artificial existente en la angina estable y desarrollaron un nuevo biomarcador de ECG más adecuado para la angina estable.
Este estudio de un solo centro comprendió pacientes consecutivos con angina estable.
Se examinó el valor independiente e incremental de las puntuaciones QCG para las enfermedades relacionadas con la enfermedad arterial coronaria (EAC) (SCA, lesión miocárdica, estado crítico, infarto de miocardio con elevación del segmento ST y disfunción ventricular izquierda) para predecir la EAC obstructiva confirmada por angiografía invasiva.
Además, las señales de ECG extraídas por el analizador de QCG se usaron como entrada para desarrollar una nueva puntuación de QCG.
Entre 723 pacientes con angina estable (mediana de edad 68 años; hombres: 470/723, 65 %), 497 (69 %) tenían CAD obstructiva.
Las puntuaciones QCG para SCA y lesión miocárdica se asociaron de forma independiente con CAD obstructiva (odds ratio [OR] 1,09, IC del 95 % 1,03-1,17 y OR 1,08, IC del 95 % 1,02-1,16 por aumento de 10 puntos, respectivamente) pero no mejoraron significativamente rendimiento de la predicción en comparación con las características clínicas.
Sin embargo, la nueva puntuación QCG demostró un mejor rendimiento de predicción para la CAD obstructiva (área bajo la curva característica operativa del receptor 0,802) que las puntuaciones QCG originales, con un valor predictivo incremental en combinación con las características clínicas (área bajo la curva característica operativa del receptor 0,827 frente a 0,730; p < 0,001).
En este estudio, se evaluó la utilidad de los biomarcadores digitales de ECG desarrollados para condiciones agudas, conocidos como puntajes QCG, en la estratificación de riesgo de pacientes con angina estable.
Aunque el poder de discriminación para la detección de cualquier EAC obstructiva fue inferior al de las características clínicas, las puntuaciones QCG relacionadas con la EAC mostraron un valor predictivo independiente e incremental para la presencia de enfermedad de 3 vasos.
Además, para mejorar la estratificación del riesgo de los pacientes con angina estable, los autores desarrollaron un nuevo biomarcador de ECG para la detección de CAD obstructiva en la angina estable mediante el uso de las características profundas del analizador QCG.
El ECG ha proporcionado información valiosa sobre las condiciones fisiológicas y estructurales del corazón y se ha utilizado durante mucho tiempo como una herramienta de diagnóstico principal para diversas enfermedades cardiovasculares.
Además de sus ventajas de bajo costo, rapidez y simplicidad, la adquisición de ECG está bien estandarizada y es reproducible.
Sin embargo, la interpretación humana de las imágenes de ECG depende en gran medida de la experiencia y los conocimientos. Aunque se han utilizado técnicas de interpretación generadas por computadora, se basan en reglas predefinidas y no capturan toda la información compleja contenida en el ECG.
En pacientes con angina estable, el valor diagnóstico del ECG a menudo se ve limitado debido a hallazgos inespecíficos o normales en el estado de reposo.
Según los informes, la precisión diagnóstica del ECG en la detección de CAD obstructiva en la arteria epicárdica fue baja, con un rango de 59% a 62%.
Sin embargo, todavía es posible que haya características de ECG relevantes para la angina estable, pero son tan sutiles que la interpretación visual inevitablemente sería limitada.
Cada vez hay más pruebas de que las técnicas de IA que utilizan redes neuronales convolucionales de aprendizaje profundo permiten la detección de señales y patrones sutiles del ECG que son irreconocibles para el ojo humano o el análisis convencional basado en computadora.
Aunque no se ajustan al conocimiento tradicional, estos enfoques pueden permitir la predicción de enfermedades que antes eran impredecibles con ECG, como la angina estable.
Su uso se extiende más allá de las funciones tradicionales del ECG, como la identificación del ritmo actual, para incluir áreas novedosas, como la predicción de eventos posteriores de fibrilación auricular o fracción de eyección del VI deficiente.
En términos de CAD, estudios previos han demostrado la viabilidad y el buen rendimiento de los modelos AI-ECG como una herramienta de detección rápida para SCA en pacientes que presentan dolor torácico agudo
Aunque se han utilizado varias estructuras de modelos con diferentes algoritmos de IA, estos modelos se han centrado en la predicción de SCA.
Aunque también es concebible que un modelo AI-ECG bien entrenado pueda detectar CAD obstructiva estable, hay una escasez de investigaciones que extrapolen la utilidad clínica de estos modelos de IA para identificar CAD obstructiva en pacientes con angina estable.
En este estudio, se plantea la hipótesis de que las puntuaciones QCG predesarrolladas entrenadas en pacientes en fase aguda también podrían aplicarse a pacientes con angina estable.
Entre 5 puntajes de QCG relacionados con CAD, SCA y puntajes de QCG de lesión miocárdica mostraron asociaciones independientes con la presencia de cualquier enfermedad coronaria obstructiva.
Sin embargo, su rendimiento de predicción fue bajo y no mejoraron significativamente el rendimiento de predicción con respecto a las características clínicas.
Esto no es sorprendente dado que las puntuaciones QCS originales se derivaron de un proceso de aprendizaje profundo que capturaba las señales de ECG de los pacientes en un entorno agudo.
No obstante, ambas puntuaciones exhibieron un rendimiento moderado en la predicción de enfermedad de 3 vasos obstructiva y mostraron un valor predictivo incremental en combinación con las características clínicas.
Estos resultados sugieren que estas puntuaciones de QCG predesarrolladas también tienen cierto potencial para capturar cambios en el ECG en pacientes que presentan angina estable, especialmente en aquellos con CAD extensa, lo que indica una mayor carga de isquemia, como la enfermedad de tres vasos.
Debido a que los hallazgos del ECG en pacientes con angina estable son más sutiles e inespecíficos que los observados en el SCA, la mejor manera de lograr una predicción precisa de EC obstructiva es mediante un modelo dedicado para la angina estable.
Por lo tanto, se procedió a desarrollar una nueva puntuación QCG para la presencia de CAD obstructiva en pacientes con angina estable basada en señales de onda de ECG vectorizadas por el analizador QCG, aplicando un algoritmo de árbol de refuerzo.
La nueva puntuación QCG se desempeñó mejor que las puntuaciones QCG originales en la predicción de CAD obstructiva. En particular, la nueva puntuación QCG mostró un mejor rendimiento para la identificación de pacientes con CAD obstructiva que el modelo con factores de riesgo clínicos convencionales, así como un valor aditivo sobre el modelo con características clínicas.
Ha habido varios informes sobre modelos AI-ECG para pacientes con sospecha de CAD estable.
Un estudio reciente informó que el AI-ECG puede predecir la calcificación de la arteria coronaria subyacente.
Otro estudio realizado por Huang et al informó un modelo AI-ECG para CAD obstructiva (definida como >70 % de estenosis de diámetro) con una precisión general del 90 %, que es más alta que la de este estudio (75,7 % en el conjunto de prueba)
Sin embargo, la precisión en el estudio anterior fue solo del 56% entre aquellos sin un diagnóstico de ECG de infarto agudo de miocardio o isquemia.
Además, la población del estudio comprendió pacientes con CAD obstructiva que se sometieron a una intervención coronaria percutánea y pacientes de control sin CAD documentada o sospechada.
Por lo tanto, es probable que se haya sobrestimado el rendimiento de la IA, ya que la población del estudio comprendía extremos (pacientes con SCA con STEMI, que serían fácilmente diagnosticados en el ECG, y pacientes de control asintomáticos que no requirieron una angiografía coronaria invasiva), y su utilidad inevitablemente puede verse limitada en Práctica clinica.
Por el contrario, se reclutaron pacientes consecutivos que visitaron la consulta externa con síntomas indicativos de angina estable y se sometieron a una angiografía invasiva para confirmar la presencia de EAC obstructiva.
Aunque esta población de estudio se limitó a un único centro terciario, es muy representativa de la práctica clínica diaria.
Además, el valor aditivo de un análisis AI-ECG de las características clínicas para detectar CAD obstructiva podría proporcionar información valiosa a los médicos sobre cuándo considerar la angiografía coronaria invasiva.
Otro estudio presentó un modelo de aprendizaje profundo para CAD obstructiva (definida como estenosis de más del 50 % de diámetro) en pacientes con angina estable, similar al de este estudio
Sin embargo, su análisis se basó en informes de facturación e incluyó pacientes con EAC conocida (58,3 %), incluidos aquellos que se sometieron a revascularización coronaria (intervención percutánea previa [27,4 %]; injerto de derivación de arteria coronaria anterior [19 %]).
Aunque su modelo mostró una mayor precisión para la CAD obstructiva (precisión general del 89,9 %) que la de este estudio, los resultados pueden haberse visto afectados por perfiles de pacientes de alto riesgo, lo que llevó a hallazgos de ECG isquémicos más representativos.
En este estudio, fueron excluidos a los pacientes con antecedentes de CAD o revascularización coronaria, lo que permite demostrar la viabilidad del analizador QCG en una población que requiere una mejor estratificación y, por lo tanto, se beneficia del análisis AI-ECG.
Se han desarrollado varios modelos de AI-ECG para plataformas disponibles comercialmente
Aunque los mecanismos impulsores subyacentes pueden diferir entre los modelos, comúnmente son alimentados por señales de ECG que se procesan previamente como matrices de matriz 1D o 2D
Por lo tanto, puede haber dificultades para aplicar estos modelos AI-ECG en la práctica clínica diaria, ya que es posible que se requiera software adicional para la transformación de la señal de entrada. En comparación, el analizador QCG permite datos de imagen de ECG de 12 derivaciones como entrada, extrayendo señales de onda y vectorizándolas a través del paso de codificación inicial
Informes anteriores han validado el rendimiento consistente del analizador QCG para imágenes de ECG impresas y fotografías de ECG obtenidas como capturas de pantalla de un teléfono inteligente
Actualmente, el analizador QCG está disponible como una aplicación para teléfonos inteligentes, que se puede aplicar directamente en las imágenes de ECG obtenidas por las cámaras de los teléfonos inteligentes o las capturas de pantalla.
Dada su interfaz fácil de usar, el analizador QCG tiene el potencial de usarse tanto en hospitales bien equipados con ECG digitales como en entornos con más recursos limitados con ECG en papel.
Además, el analizador QCG puede incorporar imágenes de ECG obtenidas de registradores de ECG convencionales, lo que permite un entrenamiento más eficaz en una nueva categoría de enfermedades.
A través de una mayor capacitación en un gran volumen de pacientes con angina estable, el analizador QCG también puede ser una herramienta de detección eficaz en las clínicas primarias, que evalúan inicialmente a los pacientes con dolor torácico.
Este estudio tuvo varias limitaciones importantes.
Aunque se reclutaron pacientes consecutivos que visitaron la consulta externa con síntomas indicativos de angina estable y se sometieron a una angiografía coronaria invasiva, el número de pacientes fue relativamente pequeño y se limitó a un solo centro terciario.
Debido a que se evaluó el analizador QCG en pacientes sintomáticos que se sometieron a una angiografía coronaria invasiva, esta población de estudio puede haber presentado una incidencia relativamente mayor de EAC obstructiva en comparación con estudios previos.
Además, el rendimiento de la nueva puntuación QCG, que se obtuvo en este estudio, solo se validó internamente.
Por lo tanto, la generalización de estos resultados es limitada. No obstante, se observó la posibilidad de detectar EAC obstructiva mediante ECG en pacientes con angina estable.
Por lo tanto, se planea una mayor validación externa en un mayor número de pacientes para refinar la nueva puntuación QCG y validarla en grupos de pacientes con diversas características clínicas.
Los autores esperan poder compartir los resultados en un futuro cercano.
En conclusión como algoritmo cuantitativo AI-ECG, el analizador QCG muestra la viabilidad de predecir CAD obstructiva en pacientes con angina estable.
Aunque los puntajes QCG predesarrollados para condiciones relacionadas con CAD mostraron un rendimiento limitado para la detección de CAD obstructiva en angina estable, aún demostraron un valor predictivo independiente e incremental para la presencia de enfermedad de 3 vasos.
Además, se desarrolló una nueva puntuación de QCG mediante el uso de señales de onda de ECG vectorizadas por el analizador de QCG, que superó al modelo convencional con características clínicas.
Con una mayor capacitación en angina estable, el analizador QCG podría ser una herramienta de IA más precisa y rentable para la detección de CAD obstructiva en estos pacientes.
* Park J , Yoon Y , Cho Y , Kim J, Viabilidad del análisis de electrocardiografía basado en inteligencia artificial para la predicción de enfermedad arterial coronaria obstructiva en pacientes con angina estable: estudio de validación. JMIR Cardio 2023;7:e44791. doi: PMID: 37129937
