Aprendizaje profundo basado en ECG pediátrico para predecir la disfunción y remodelación ventricular izquierda

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• La inteligencia artificial (IA) muestra potencial para el análisis de ECG en adultos, pero está poco explorada en poblaciones pediátricas.
• La detección de la disfunción del ventrículo izquierdo (LV) y la remodelación en niños que usan ECGs mejorados con IA es una necesidad crítica no satisfecha.

Objetivo del estudio:

• Desarrollar y validar un algoritmo de IA para la detección de disfunción de LV, hipertrofia y dilatación en pacientes pediátricos.
• Evaluar el rendimiento del algoritmo frente a expertos humanos y en cohortes de validación externas.

Principales métodos:

• Se entrenó una red neuronal convolucional con ecocardiogramas emparejados de pacientes pediátricos (≤18 años).
• El modelo identificó la disfunción de LV, la hipertrofia y la dilatación, evaluadas utilizando las métricas AUROC y AUPRC.
• El rendimiento se probó en conjuntos de datos de validación internos, de urgencias y externos.

Principales resultados:

• El modelo de IA demostró un gran rendimiento en la detección de anomalías de LV, comparable o superior a los parámetros de referencia pediátricos.
• La validación externa mostró altos valores predictivos negativos para los resultados compuestos (99,0% - 99,2%).
• El mapeo de saliencia identificó las características clave del ECG predictivas de la disfunción y remodelación de LV.

Conclusiones:

• Un algoritmo de IA validado externamente puede detectar efectivamente la disfunción de LV y la remodelación en niños a través del ECG.
• Esta tecnología ofrece un método barato para ampliar el acceso a la atención cardíaca pediátrica especializada.
• La herramienta de IA democratiza la experiencia en cardiología pediátrica, mejorando potencialmente la detección y el manejo tempranos.