Métodos de inteligencia artificial para detectar insuficiencia cardíaca con fracción de eyección preservada dentro de...

Área de la Ciencia:

• Cardiología
• Informática Médica
• Aprendizaje Automático

Sus antecedentes:

• La insuficiencia cardíaca con fracción de eyección preservada (ICFEp) afecta a casi la mitad de los pacientes con insuficiencia cardíaca, lo que supone un riesgo significativo de morbilidad y mortalidad.
• El infradiagnóstico de la ICFEp es común, especialmente en poblaciones no blancas donde las puntuaciones de riesgo tradicionales pueden ser menos precisas.
• Los modelos de predicción existentes pueden no abordar adecuadamente las disparidades diagnósticas en diversos grupos de pacientes.

Objetivo del estudio:

• Desarrollar y validar un modelo de predicción diagnóstica equitativo para la ICFEp basado en los criterios de la Sociedad Europea de Cardiología (ESC).
• Crear un modelo, denominado AIM-HFpEF, capaz de la detección automatizada utilizando datos de registros de salud electrónicos (HCE).
• Comparar AIM-HFpEF con modelos existentes como H2FPEF y HFpEF-ABA para la precisión diagnóstica en diversas poblaciones.

Principales métodos:

• Se aplicó procesamiento del lenguaje natural (PLN) y aprendizaje automático (XGBoost) a datos de HCE de un trust hospitalario terciario de Londres.
• Se derivó el modelo AIM-HFpEF utilizando datos demográficos, clínicos y de ecocardiografía de 3173 pacientes.
• Se validó externamente el modelo en 5383 pacientes y se comparó su rendimiento con H2FPEF y HFpEF-ABA, analizando específicamente el rendimiento en grupos étnicos no blancos y áreas socioeconómicamente desfavorecidas.

Principales resultados:

• El modelo AIM-HFpEF demostró un sólido rendimiento diagnóstico tanto en la cohorte de derivación (AUC=0.88) como en la de validación (AUC=0.88).
• Se observó una precisión diagnóstica consistente en pacientes de etnia no blanca (AUC=0.89) y aquellos de áreas de alta privación socioeconómica (AUC=0.90).
• AIM-HFpEF superó a los modelos H2FPEF y HFpEF-ABA y mostró probabilidades asociadas con un mayor riesgo de muerte, hospitalización y accidente cerebrovascular.

Conclusiones:

• AIM-HFpEF es un modelo de diagnóstico validado y equitativo para la ICFEp que puede integrarse en los sistemas de HCE.
• El modelo facilita la detección totalmente automatizada de la ICFEp, abordando las lagunas diagnósticas.
• Este enfoque tiene el potencial de mejorar el diagnóstico y el manejo oportunos de la ICFEp en diversas poblaciones de pacientes.