Aprendizaje profundo multimodal para predecir eventos adversos cardíacos y cerebrovasculares importantes...

Área de la Ciencia:

• Cardiología
• La informática médica
• Inteligencia artificial en el cuidado de la salud

Sus antecedentes:

• Los eventos adversos cardiovasculares y cerebrovasculares mayores (MACCE) posteriores a la cirugía no cardíaca aumentan significativamente la morbilidad, la mortalidad y los costos de atención médica.
• La predicción precisa y rápida del riesgo es esencial para una gestión perioperatoria eficaz.
• Es posible que los índices de riesgo actuales no reflejen completamente los perfiles de riesgo individuales de los pacientes.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo multimodal para predecir los MACCE de 30 días después de una cirugía no cardíaca.
• Para integrar los datos demográficos, los códigos de procedimiento de la CIE-10 y las formas de onda crudas de ECG de 12 derivaciones.
• Comparar el rendimiento del modelo con los índices de riesgo establecidos.

Principales métodos:

• Estudio de cohorte retrospectivo (2006-2020) en un centro académico terciario.
• Red neuronal profunda basada en transformadores para el procesamiento de señales de ECG.
• Máquina de aumento de gradiente (GBM) que integra las características del ECG, los datos demográficos y los códigos ICD-10.

Principales resultados:

• El modelo multimodal de GBM logró un AUROC de 0,902, superando el GBM de referencia (0,842), el Índice de Riesgo Cardíaco Revisado (0,813) y la clase ASA (0,759).
• El modelo demostró un rendimiento superior en la predicción de los MACCE de 30 días.
• El estudio incluyó a 165.577 pacientes, con una incidencia del 0,6% de ECMA a los 30 días.

Conclusiones:

• Un modelo de aprendizaje profundo multimodal que integra ECGs sin procesar y datos clínicos mínimos ofrece una predicción superior del riesgo de MACCE a los 30 días.
• Este enfoque mejora la estratificación del riesgo perioperatorio.
• Los requisitos mínimos de datos del modelo apoyan una amplia adopción clínica.