Predicción no invasiva de la fibrosis auricular utilizando un modelo de árbol de regresión de la tensión auricular...

Área de la Ciencia:

• Cardiología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La fibrosis auricular contribuye a la miocardiopatía auricular.
• La evaluación invasiva de la fibrosis auricular a través de la tensión auricular izquierda media (MLAV) limita el uso clínico.
• El aprendizaje automático (ML) ofrece un potencial para la predicción no invasiva del MLAV.

Objetivo del estudio:

• Desarrollar y validar un modelo de ML no invasivo para predecir el MLAV.
• Identificar los principales predictores clínicos y ecocardiográficos del MLAV.
• Para mejorar la caracterización de la fibrosis auricular como un continuo.

Principales métodos:

• Estudio prospectivo de 113 pacientes con fibrilación auricular (FA) sometidos a aislamiento venoso pulmonar (IVP).
• Mapeo de tensión de ultraalta densidad (uHDvM) para la estimación del MLAV.
• Modelo de árbol de regresión (algoritmo CART) utilizando datos clínicos y ecocardiográficos.

Principales resultados:

• El modelo de árbol de regresión ML mostró una precisión predictiva moderada (R2 = 0,63).
• El volumen mínimo indexado del atrio izquierdo (LA) y la fracción de vaciado pasivo fueron los predictores más influyentes.
• No hay diferencias significativas en la supervivencia libre de recurrencia de FA basada en MLAV o grupos modelo.

Conclusiones:

• Un nuevo modelo de árbol de regresión basado en ML predice el MLAV de manera no invasiva.
• El volumen mínimo de LA y la fracción de vaciado pasivo son predictores clave.
• Este modelo proporciona una herramienta accesible para caracterizar la cardiomiopatía auricular y guiar el tratamiento.