Enfoque de aprendizaje multinacional federado para entrenar modelos de ECG y ecocardiograma para la detección de...

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• La detección de la cardiomiopatía hipertrófica (CMH) es crucial para los nuevos tratamientos dirigidos.
• La baja prevalencia y la superposición de síntomas con enfermedades comunes dificultan el diagnóstico oportuno.
• El aprendizaje automático (ML) ofrece potencial para la detección y diferenciación automatizadas de HCM.

Objetivo del estudio:

• Desarrollar modelos de ML para la detección de HCM utilizando ECGs y ecocardiogramas.
• Mejorar la generalización del modelo en múltiples cohortes internacionales.
• Diferencia la CMH de otras afecciones cardíacas como la estenosis aórtica, la hipertensión y la amiloidosis cardíaca.

Principales métodos:

• Modelos de ECG entrenados y validados por una sola institución en datos externos.
• Aprendizaje federado para modelos multiinstitucionales de ECG y ecocardiograma en los Estados Unidos y Japón.
• Modelos validados en conjuntos de ensayos mantenidos y discriminación evaluada con respecto a otras afecciones cardíacas.

Principales resultados:

• Los modelos de aprendizaje federados lograron una excelente discriminación entre las instituciones (C-estadísticas 0,90-0,96).
• Los modelos diferenciaron efectivamente la CMH de la hipertensión, la estenosis aórtica y la amiloidosis cardíaca (C-estadísticas 0.83-0.94).
• La detección automatizada mostró una mayor sensibilidad que la interpretación manual por parte de los cardiólogos.

Conclusiones:

• El aprendizaje federado mejora significativamente la generalización de los modelos de detección de HCM.
• Los modelos de ML que utilizan ECGs y ecocardiogramas pueden detectar y diferenciar HCM de manera confiable.
• Este enfoque mejora las capacidades de diagnóstico de la miocardiopatía hipertrófica.