Selectividad fenotípica de la electrocardiografía mejorada por inteligencia artificial en el diagnóstico...

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• Los modelos de AI-ECG generalmente se desarrollan para anomalías cardíacas específicas.
• La comprensión de sus asociaciones fenotípicas es crucial para la aplicación clínica.
• Este estudio investiga si los modelos AI-ECG son marcadores de riesgo cardiovascular específicos o generales.

Objetivo del estudio:

• Evaluar si los modelos AI-ECG funcionan como clasificadores específicos de la enfermedad o como marcadores de riesgo cardiovascular más amplios.
• Evaluar las asociaciones fenotípicas de los modelos AI-ECG.

Principales métodos:

• Se utilizaron datos de los registros electrónicos de salud y de las posibles cohortes (233.689 individuos).
• Se implementaron seis modelos AI-ECG (cinco para condiciones específicas, uno para el sexo) y seis modelos experimentales no cardiovasculares.
• Se emplearon estudios de asociación de todo el fenómeno (PheWAS) y regresión logística/Cox para analizar las asociaciones con fenotipos transversales y de nueva aparición.

Principales resultados:

• Los cinco modelos AI-ECG específicos de la enfermedad asociados con fenotipos cardiovasculares (ORs 2.16-4.41, p<10−6).
• Los modelos mostraron amplias asociaciones con diversas afecciones cardiovasculares, no solo su objetivo.
• Las asociaciones fenotípicas fueron similares a través de diferentes modelos AI-ECG y consistentes a través de conjuntos de datos y análisis.

Conclusiones:

• Los modelos AI-ECG detectan y predicen un amplio espectro de enfermedades cardiovasculares, no solo sus objetivos específicos.
• Esta amplia asociación desafía su uso como herramientas de diagnóstico binario.
• Los resultados apoyan la utilidad de los modelos AI-ECG como biomarcadores cardiovasculares integrales.