Modelo de aprendizaje profundo para identificar regurgitación tricuspídea significativa utilizando electrocardiograma...

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• La ecocardiografía transtorácica (ETT) es el estándar para detectar la regurgitación tricuspídea (RT), pero es costosa y depende del operador.
• El electrocardiograma (ECG) de 12 derivaciones está fácilmente disponible, lo que presenta una oportunidad para métodos de diagnóstico alternativos.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje profundo (DL) para detectar RT significativa utilizando señales de ECG de 12 derivaciones y datos clínicos.
• Evaluar el rendimiento diagnóstico de los modelos DL en la identificación de RT en comparación con los métodos tradicionales.

Principales métodos:

• Se utilizó un conjunto de datos de 5432 pacientes con datos de ECG y ETT, con 570 diagnosticados con RT significativa.
• Se empleó una arquitectura de modelo DL que combina redes neuronales convolucionales 1D, atención de canal eficiente y módulos de atención Multihead.
• El modelo se entrenó con 3910 pacientes y se validó en cohortes internas y externas.

Principales resultados:

• El modelo DL logró una precisión de 0.762 y un AUC de 0.857 para predecir RT significativa utilizando señales de ECG, edad y sexo.
• La incorporación de factores clínicos adicionales mejoró la sensibilidad a 0.836 y el AUC a 0.866, con una validación externa satisfactoria.
• El modelo DL demostró un rendimiento diagnóstico sustancial en la identificación de RT significativa.

Conclusiones:

• Los modelos de aprendizaje profundo que utilizan datos de ECG muestran la promesa de facilitar el diagnóstico de RT significativa.
• Este enfoque impulsado por IA podría ofrecer una herramienta de detección más accesible y rentable para la RT.
• Se necesita una mayor validación clínica para establecer la utilidad generalizada de este modelo DL.