Aprendizaje profundo para predecir la hipertrofia ventricular izquierda a partir del electrocardiograma | JoVE Visualize

Área de la Ciencia:

Cardiología
Inteligencia Artificial
Imágenes Médicas

Sus antecedentes:

La hipertrofia ventricular izquierda (HVI) es un predictor significativo de enfermedad cardiovascular.
Los modelos previos de aprendizaje automático supervisado para la clasificación de HVI utilizando datos de ECG y clínicos lograron un AUROC de 0,85 pero requirieron validación externa.
La validación externa es crucial para evaluar la generalización de los modelos predictivos.

Objetivo del estudio:

Desarrollar un modelo de aprendizaje profundo (DL) para mejorar la clasificación de la HVI derivada de resonancia magnética cardíaca (RMC).
Evaluar externamente el rendimiento del modelo DL en la cohorte Estudio de Salud en Pomerania (SHIP).
Evaluar la viabilidad de las herramientas de cribado basadas en DL para la predicción de HVI.

Principales métodos:

Se desarrolló un modelo DL de red completamente convolucional utilizando ECG de 12 derivaciones y variables clínicas de 48.835 participantes del UK Biobank.
El modelo predijo la masa ventricular izquierda indexada (iLVM), y se utilizó regresión logística para la recalibración.
El rendimiento se evaluó utilizando el área bajo la curva operativa del receptor (AUROC) en conjuntos de entrenamiento, validación y prueba, y externamente en la cohorte SHIP.

Principales resultados:

El modelo DL logró un AUROC de 0,97 en la cohorte del UK Biobank, superando significativamente a los métodos anteriores.
El complejo QRS y la frecuencia ventricular en el ECG se identificaron como predictores clave de la HVI.
El modelo DL demostró una generalización modesta a la cohorte SHIP (AUROC 0,78), con variaciones atribuidas a perfiles clínicos, adquisición de ECG y etiquetado de CMR.

Conclusiones:

Las herramientas de cribado escalables basadas en DL para la predicción de HVI a partir de ECG son factibles.
Es necesario un mayor desarrollo del modelo utilizando conjuntos de datos más grandes y diversos para mejorar la generalización.
Las diferencias en las características de la cohorte y la adquisición de datos impactan el rendimiento del modelo en diferentes poblaciones.