Aprendizaje automático para predecir la enfermedad arterial coronaria de alto riesgo en el ensayo SCOT-HEART

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• El aprendizaje automático (ML) es prometedor para predecir los hallazgos de la angiografía CT coronaria (CCTA).
• La predicción precisa puede optimizar la utilización de los recursos sanitarios.

Objetivo del estudio:

• Desarrollar y evaluar modelos de ML para predecir la enfermedad arterial coronaria (CAD) y la carga de placa de baja atenuación (LAP) utilizando datos clínicos.
• Comparar el rendimiento de los modelos de ML con las puntuaciones tradicionales de riesgo cardiovascular.

Principales métodos:

• Se utilizaron datos de 1769 pacientes en el ensayo SCOT-HEART.
• Modelos XGBoost ML entrenados utilizando datos demográficos, clínicos, de electrocardiografía y de pruebas de tolerancia al ejercicio.
• Utilizó validación cruzada de 10 veces y búsqueda de cuadrícula para la optimización de hiperparámetros.

Principales resultados:

• Los modelos de ML predijeron la presencia de CAD en el CCTA con un AUC de 0,80, superando la puntuación de riesgo cardiovascular a 10 años (AUC 0,75).
• Los predictores clave para CAD incluyeron la puntuación de riesgo, la edad, el sexo, el colesterol y la prueba de tolerancia al ejercicio anormal.
• La predicción del aumento de la carga de LAP utilizando ML mostró un rendimiento similar al de la puntuación de riesgo (AUC 0,75 frente a 0,72).

Conclusiones:

• Los modelos ML mejoran la predicción de la presencia de CAD en el CCTA en comparación con las puntuaciones de riesgo estándar.
• Los factores clínicos por sí solos no fueron suficientes para mejorar la predicción del aumento de la carga de LAP.