El aprendizaje profundo puede desenmascarar la enfermedad del tejido conductor de un ECG ambulatorio

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• La bradiarritmia es una causa frecuente y grave de síncope, a menudo intermitente y difícil de detectar.
• El monitoreo convencional del ECG tiene limitaciones en cuanto a precisión y velocidad, lo que aumenta los riesgos de recurrencia.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo para la detección de bradiarritmia pasada utilizando un ECG de 24 horas.
• Para evaluar la capacidad del modelo para identificar bradiarritmias específicas como pausas sinusales y bloqueo cardíaco.

Principales métodos:

• Se entrenó un modelo de aprendizaje profundo en grabaciones de ECG ambulatorias de 14 días para identificar bradiarritmias anteriores.
• El modelo analizó los datos de ECG de las últimas 24 horas para detectar pausas sinusales (≥3s durante el día, ≥6s en cualquier momento) y bloqueo cardíaco completo.

Principales resultados:

• La validación externa mostró una alta precisión (AUC 0,87-0,93) para la detección de varias bradiarritmias, con excelentes valores predictivos negativos (97,9-99,9%).
• El modelo también predijo eventos futuros de bradiarritmia con un AUC de 0,88 para el criterio final compuesto.

Conclusiones:

• El ECG ambulatorio habilitado para aprendizaje profundo puede revelar una enfermedad subyacente del tejido de conducción.
• Esta tecnología ofrece potencial para la identificación y el manejo más temprano de la bradiarritmia intermitente, mejorando los resultados de los pacientes.