Evaluación de la función diastólica: el aprendizaje automático mejora la clasificación de la presión de llenado del...

Área de la Ciencia:

• Cardiología; Imagen Médica; Inteligencia Artificial

Sus antecedentes:

• La clasificación actual de la presión de llenado del ventrículo izquierdo (PFVI) se basa en algoritmos ecocardiográficos definidos por expertos.; Estos algoritmos pueden verse limitados por datos faltantes y una selección subóptima de parámetros.

Objetivo del estudio:

• Evaluar la eficacia del aprendizaje automático (ML) en la mejora de la clasificación de la PFVI.; Identificar los parámetros ecocardiográficos clave priorizados por los modelos de ML para la evaluación de la PFVI.

Principales métodos:

• Un estudio multicéntrico con 250 pacientes sometidos a ecocardiografía y cateterismo cardíaco.; Se entrenaron y validaron ocho modelos de ML utilizando validación cruzada anidada para clasificar la PFVI.; Los modelos de ML realizaron una selección de parámetros para optimizar el rendimiento de la clasificación.

Principales resultados:

• Los modelos de ML lograron una precisión de clasificación del 82 % al 86 %, superando las directrices de la ASE/EACVI de 2016 (precisión del 81 %, 13 % no clasificado).; Los modelos de ML manejaron eficazmente los valores de parámetros faltantes, clasificando a todos los pacientes.; Los parámetros clave identificados por ML incluyeron la deformación de la reserva E mitral/aurícula izquierda, el log(NT-proBNP) y la velocidad de regurgitación tricúspide.

Conclusiones:

• El ML mejora significativamente la clasificación de la PFVI con una mayor viabilidad.; El estudio destaca el valor de los parámetros menos utilizados en la evaluación de la PFVI a través de información impulsada por ML.