Análisis de supervivencia profundo a partir de electrocardiogramas de adultos y pediátricos: un estudio de referencia...

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Informática Médica

Sus antecedentes:

• La inteligencia artificial aplicada a la electrocardiografía (IA-ECG) muestra potencial para la predicción de mortalidad.
• Los enfoques heterogéneos de IA y los conjuntos de datos privados limitan las ideas generalizables sobre metodologías de IA efectivas.
• Se necesita una evaluación sistemática en diversas cohortes de centros médicos para comprender las opciones de diseño de modelos de IA-ECG.

Objetivo del estudio:

• Evaluar sistemáticamente las opciones de diseño de modelos de IA-ECG para la predicción de mortalidad.
• Comparar diferentes metodologías de IA, incluidos los métodos de clasificación de supervivencia profunda y basados en el horizonte.
• Evaluar el impacto de las covariables demográficas y el entrenamiento multisede en el rendimiento del modelo de IA-ECG.

Principales métodos:

• Se evaluaron modelos para la predicción de mortalidad por todas las causas utilizando métodos de clasificación de supervivencia profunda y basados en el horizonte.
• Se compararon varias arquitecturas neuronales (CNN, transformadores) con modelos de referencia solo demográficos y de aumento de gradiente.
• Se utilizaron tres cohortes grandes y diversas de centros médicos: MIMIC-IV (EE. UU.), Code-15 (Brasil) y BCH (EE. UU.).

Principales resultados:

• Los principales modelos de IA-ECG lograron un buen rendimiento predictivo (concordancia mediana del 0,78-0,83).
• La incorporación de la edad y el sexo mejoró el rendimiento en todos los conjuntos de datos.
• El entrenamiento multisede superó significativamente al entrenamiento específico del sitio (mejora del 5-22%), incluso en cohortes de adultos y pediátricas.

Conclusiones:

• Los métodos de supervivencia profunda ofrecen ventajas sobre los clasificadores basados en el horizonte para la predicción de mortalidad por IA-ECG.
• Las características demográficas como la edad y el sexo mejoran la precisión predictiva.
• El entrenamiento entre cohortes es crucial para desarrollar modelos de IA-ECG robustos y generalizables aplicables a diversas poblaciones.