Eventos cardiovasculares adversos en las placas coronarias que no están siendo evaluadas por intervención coronaria...

Área de la Ciencia:

• Imágenes cardiovasculares
• La inteligencia artificial en la medicina
• Aprendizaje automático para la predicción de riesgos

Sus antecedentes:

• La mayoría de los síndromes coronarios agudos (SAC) surgen de placas coronarias no obstructivas, denominadas "placas vulnerables", que conllevan un alto riesgo de eventos cardiovasculares adversos importantes (EACM).
• Las técnicas de imagen actual tienen un poder predictivo limitado para estas placas vulnerables, y su manejo óptimo sigue siendo incierto.
• La identificación de lesiones de alto riesgo que no limitan el flujo es crucial para avanzar en la medicina personalizada en la enfermedad arterial coronaria.

Objetivo del estudio:

• Desarrollar y validar externamente una puntuación de riesgo basada en el aprendizaje automático (ML) para predecir la historia natural de lesiones coronarias que no limitan el flujo en pacientes con SCA.
• Integrar las características de la placa de la tomografía de coherencia óptica (OCT) con los datos clínicos utilizando IA para mejorar la estratificación del riesgo.
• Crear una herramienta clínicamente aplicable para identificar placas de alto riesgo y guiar estrategias de manejo personalizadas.

Principales métodos:

• El estudio PREDICT-AI es un ensayo multicéntrico, prospectivo y observacional en el que participaron 500 pacientes con ACS con imágenes de tres vasos OCT.
• El análisis de placa basado en inteligencia artificial (software OctPlus) caracterizará las lesiones, cuantificando características como el grosor de la tapa fibrosa y el arco lipídico.
• Un proceso de ML de tres pasos derivará y validará una puntuación de riesgo para predecir la MACE, con resultados adjudicados sin tener en cuenta los hallazgos de los PTU.

Principales resultados:

• El estudio está diseñado para generar una puntuación de riesgo que prediga la MACE tanto en el paciente como en las placas.
• La validación externa evaluará la generalizabilidad y la solidez del modelo ML desarrollado.
• El análisis basado en la IA de los datos de los PTU tiene como objetivo proporcionar una caracterización detallada de las placas microstruturales.

Conclusiones:

• El estudio PREDICT-AI dará lugar a una herramienta de estratificación de riesgos impulsada por la IA para imágenes intracoronarias de alta resolución.
• Esta herramienta tiene el potencial de mejorar significativamente las estrategias de manejo personalizado para pacientes con enfermedad arterial coronaria.
• Se espera que los hallazgos apoyen la transición hacia la medicina de precisión en el campo de la cardiología.