Precisión diagnóstica de algoritmos de aprendizaje automático en la detección de insuficiencia cardíaca basada en...

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• La inteligencia artificial (IA) aplicada a los electrocardiogramas (ECG) muestra potencial para la detección de insuficiencia cardíaca (IC).
• Los estudios existentes informan un rendimiento heterogéneo, a menudo confundiendo la disfunción sistólica del ventrículo izquierdo (LVSD) con el síndrome clínico de IC.

Objetivo del estudio:

• Revisar sistemáticamente y meta-analizar la precisión diagnóstica de la IA-ECG para la detección de IC y LVSD.
• Investigar los factores que influyen en el rendimiento de la IA-ECG, incluida la definición del objetivo y los umbrales de fracción de eyección (FE).

Principales métodos:

• Revisión sistemática y metaanálisis de 40 cohortes de pacientes únicas siguiendo las pautas PRISMA-DTA.
• Modelado bivariado jerárquico para sintetizar la precisión diagnóstica, con estratificación y análisis multiumbral para la heterogeneidad de la FE.
• Análisis de meta-regresión para examinar covariables como la validación externa, la configuración de derivaciones y la arquitectura del modelo de IA.

Principales resultados:

• El análisis principal mostró una sensibilidad agrupada del 85,9% y una especificidad del 80,9% (AUC HSROC = 0,902).
• El rendimiento varió significativamente según la definición de la condición objetivo (LVSD vs. IC clínica) y los umbrales de FE.
• Los ECG de 12 derivaciones y las arquitecturas de redes neuronales convolucionales se asociaron con una mayor especificidad (p=0,003 y p=0,024, respectivamente).
• Un análisis secundario de los modelos de clasificación de IC arrojó una sensibilidad agrupada del 96,2% y una especificidad del 92,1%.

Conclusiones:

• La IA-ECG demuestra un rendimiento diagnóstico significativo pero variable para IC y LVSD.
• La implementación precisa requiere una cuidadosa consideración de la definición de la condición objetivo, los umbrales de FE y los factores metodológicos.
• Los puntos finales estandarizados son cruciales para aplicaciones de IA-ECG fiables y reproducibles en la práctica clínica.