Aprendizaje profundo basado en ECG y factores de riesgo clínicos para predecir la fibrilación auricular

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• La estimación del riesgo de fibrilación auricular incidente (FA) es crucial para la atención preventiva.
• El análisis de ECG de 12 derivaciones habilitado por IA muestra el potencial para una predicción eficiente del riesgo de AF.
• El valor añadido de la IA más allá de los factores de riesgo clínicos establecidos para la FA sigue siendo objeto de investigación.

Objetivo del estudio:

• Evaluar la precisión predictiva de un modelo de IA (ECG-AI) para el riesgo de AF incidente.
• Para comparar el rendimiento del ECG-AI con el puntaje de riesgo clínico CHARGE-AF.
• Evaluar el poder predictivo combinado de ECG-AI y CHARGE-AF para el riesgo de FA.

Principales métodos:

• Se entrenó una red neuronal convolucional (ECG-AI) para predecir el riesgo de FA a 5 años a partir de ECGs de 12 derivaciones.
• Los modelos de riesgos proporcionales de Cox se ajustaron utilizando ECG-AI, CHARGE-AF y un enfoque combinado CH-AI.
• El rendimiento del modelo se evaluó mediante discriminación (AUC) y calibración en cohortes de validación interna y externa.

Principales resultados:

• El modelo combinado CH-AI demostró la mayor precisión predictiva (AUC) en todos los conjuntos de ensayos.
• El ECG-AI y el CHARGE-AF mostraron un rendimiento predictivo comparable individualmente.
• Se observó un bajo error de calibración tanto para el ECG-AI como para el CH-AI, lo que indica estimaciones de riesgo fiables.

Conclusiones:

• El análisis de ECG basado en IA ofrece una utilidad predictiva comparable a las puntuaciones de riesgo clínico para la FA incidente.
• El modelo ECG-AI y los factores de riesgo clínico son complementarios, lo que mejora la precisión predictiva general.
• El ECG-AI facilita la cuantificación eficiente y precisa del riesgo futuro de AF.