rECHOmmend: Un enfoque de aprendizaje automático basado en ECG para identificar pacientes con mayor riesgo de...

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• El diagnóstico de la enfermedad cardíaca estructural (SHD) es crucial para los resultados del paciente, pero a menudo se retrasa.
• El cribado de la ecocardiografía en toda la población no es práctico para SHD.
• Los modelos de predicción basados en electrocardiograma (ECG) ofrecen una solución escalable para identificar a las personas de alto riesgo.

Objetivo del estudio:

• Desarrollar y validar un nuevo modelo de aprendizaje automático basado en ECG para predecir múltiples afecciones cardíacas estructurales.
• Suponer que un modelo de predicción compuesto mejoraría la prevalencia y los valores predictivos positivos para la ecocardiografía dirigida.
• Mejorar la utilidad práctica de los ECG en la identificación de pacientes con SHD no diagnosticados.

Principales métodos:

• Modelos de aprendizaje automático entrenados en más de 2,2 millones de ECG de 484,765 adultos (1984-2021).
• Se utilizó una etiqueta compuesta que incluía enfermedad valvular moderada/severa, fracción de eyección reducida (< 50%) o aumento del espesor del tabique interventricular (> 15 mm).
• Modelos evaluados mediante validación cruzada, validación en múltiples sitios (10 sitios independientes) y despliegue retrospectivo simulado.

Principales resultados:

• El modelo compuesto de rECHOmmend (edad, sexo, trazas de ECG) alcanzó un AUC de 0,91 con un valor predictivo positivo del 42% con una sensibilidad del 90%.
• Los modelos individuales de enfermedad mostraron valores de AUC de 0,86-0,93 pero valores predictivos positivos más bajos (1-31%).
• La validación multisite confirmó la generalizabilidad del modelo (AUC 0, 91); el despliegue retrospectivo identificó al 4, 5% de los pacientes como de alto riesgo que posteriormente desarrollaron SHD.

Conclusiones:

• Un modelo de aprendizaje automático basado en ECG con un punto final compuesto identifica efectivamente a los pacientes de alto riesgo de SHD no diagnosticado.
• Este modelo compuesto supera a los modelos de una sola enfermedad y ofrece valores predictivos positivos más altos para el cribado práctico.
• El enfoque facilita la ecocardiografía dirigida, abordando el subdiagnóstico de la enfermedad cardíaca estructural.