Un modelo de inteligencia artificial que integra el diagnóstico de la lesión culpable y la evaluación del riesgo para...

Área de la Ciencia:

• Medicina cardiovascular
• Aprendizaje automático en la salud
• Análisis por imágenes de diagnóstico

Sus antecedentes:

• El diagnóstico preciso y la predicción del riesgo del síndrome coronario agudo (SAA) son críticos para la salud cardiovascular.
• Los métodos actuales de estratificación del riesgo tienen limitaciones en el diagnóstico oportuno de ACS y la evaluación del riesgo futuro.
• Un enfoque integrado de aprendizaje automático (ML) para el diagnóstico y la predicción sigue siendo una necesidad no satisfecha.

Objetivo del estudio:

• Desarrollar y validar un modelo de ML para el diagnóstico de lesiones del culpable ACS utilizando angiografía de tomografía computarizada coronaria (CCTA).
• Evaluar la capacidad del modelo ML para predecir el riesgo futuro del ACS en plazos óptimos.
• Comparar el rendimiento del modelo ML con la evaluación tradicional de la gravedad de la estenosis.

Principales métodos:

• Un estudio de cohorte multicéntrico incluyó datos retrospectivos (derivación) y prospectivos (validación) de pacientes.
• Se evaluaron cinco algoritmos ML para el diagnóstico de lesiones del culpable ACS; se seleccionó el mejor modelo.
• El rendimiento diagnóstico y predictivo del modelo seleccionado se validó en cohortes independientes.

Principales resultados:

• El modelo de bosque aleatorio (RF) logró un AUC de 0,85 para el diagnóstico de lesiones culpables de ACS en la cohorte de derivación.
• El modelo de RF efectivamente estratificó el riesgo futuro de ACS en cohortes prospectivas (log-rank P < 0,001).
• El modelo de RF demostró un rendimiento superior sobre la gravedad de la estenosis para la predicción del riesgo de ACS a 2 años (valores AUC y NRI).

Conclusiones:

• El modelo de lesiones ACS basado en RF muestra una alta precisión de diagnóstico.
• Este modelo ML es eficaz para la estratificación del riesgo ACS a corto plazo (2 años).
• Los hallazgos apoyan el uso de ML para mejorar la evaluación del riesgo cardiovascular.