Aprendizaje automático para predecir la probabilidad de infarto agudo de miocardio

Área de la Ciencia:

• Cardiología
• Ingeniería biomédica
• Aprendizaje automático

Sus antecedentes:

• Los enfoques diagnósticos actuales para el infarto de miocardio (IM) no tienen en cuenta las variaciones en las concentraciones cardíacas de troponina basadas en la edad, el sexo y el tiempo de muestreo.
• La evaluación del riesgo individualizado es crucial para el diagnóstico oportuno y preciso de MI.

Objetivo del estudio:

• Desarrollar y validar un algoritmo de aprendizaje automático (MI3) que integre la edad, el sexo y las concentraciones cardíacas de troponina I de alta sensibilidad para mejorar la evaluación del riesgo de infarto de miocardio tipo 1.
• Proporcionar una medida individualizada y objetiva de la probabilidad de MI.

Principales métodos:

• Un algoritmo de aprendizaje automático de aumento de gradiente, MI3, fue entrenado en 3013 pacientes y probado en 7998 pacientes con sospecha de MI.
• El algoritmo calcula una puntuación de riesgo (0-100) y estima las métricas de rendimiento diagnóstico individuales (sensibilidad, VAN, especificidad, VPP).
• El rendimiento se evaluó utilizando la calibración y el área bajo la curva característica de funcionamiento del receptor (AUC-ROC), comparando los umbrales de MI3 con las vías clínicas existentes.

Principales resultados:

• El MI3 demostró una calibración excelente y un alto AUC-ROC de 0,963 en el conjunto de ensayos.
• Los umbrales específicos de MI3 se identificaron en pacientes de bajo riesgo (< 1,6) con un 99,7% de VAN y en pacientes de alto riesgo (≥ 49,7) con un 71,8% de VPP.
• MI3 superó a la Sociedad Europea de Cardiología en la vía de eliminación de 0/3 horas y el método del percentil 99 en la identificación de MI.

Conclusiones:

• El algoritmo MI3 ofrece una evaluación individualizada y objetiva de la probabilidad de infarto de miocardio.
• Esta herramienta puede ayudar a identificar pacientes de bajo y alto riesgo, facilitando decisiones clínicas más tempranas e informadas.
• La integración del aprendizaje automático mejora la precisión del diagnóstico más allá de los métodos tradicionales.