Validación y análisis de trayectoria longitudinal de un modelo de ECG basado en IA para la estenosis aórtica: desde...

Área de la Ciencia:

• Cardiología Cardiología.
• La inteligencia artificial es inteligencia artificial.
• Diagnóstico médico Diagnóstico médico

Sus antecedentes:

• La detección temprana de la estenosis aórtica (SA) es crucial, ya que el diagnóstico tardío puede conducir a una disfunción ventricular izquierda irreversible.
• Los métodos actuales a menudo identifican a los pacientes tarde, lo que requiere una intervención oportuna.
• El modelo AK-AVS, que utiliza el ECG mejorado con IA, tiene como objetivo predecir la progresión y los resultados de la EA antes.

Objetivo del estudio:

• Evaluar la capacidad de los patrones longitudinales de ECG mejorados con IA para predecir los resultados años antes de la intervención para la estenosis aórtica.
• Evaluar el potencial de cribado comunitario del modelo AK-AVS.
• Analizar distintas trayectorias de AK-AVS y su asociación con la mortalidad.

Principales métodos:

• Se llevaron a cabo dos análisis: la validación comunitaria del modelo AK-AVS en los participantes del ARIC y el análisis longitudinal de la trayectoria de los ECG de los receptores de TAVR.
• El agrupamiento no supervisado identificó trayectorias AK-AVS; las asociaciones de mortalidad se evaluaron utilizando la regresión de Cox y la mejora de la reclasificación neta.
• El rendimiento del modelo AK-AVS se evaluó para la detección de EA moderada / severa y su asociación con la futura hospitalización de EA y el riesgo de insuficiencia cardíaca.

Principales resultados:

• En el cribado comunitario (n=16 AS moderado/severo), AK-AVS logró un AUROC de 0,79, con un 75% de sensibilidad y especificidad.
• Las predicciones de falsos positivos en el cribado identificaron a individuos con un riesgo significativamente mayor de futura hospitalización por EA e insuficiencia cardíaca.
• El análisis longitudinal reveló tres trayectorias distintas de AK-AVS (bajo estable, progresión acelerada, persistentemente alta), con patrones elevados que predicen independientemente la mortalidad y mejoran la reclasificación del riesgo más allá de las puntuaciones tradicionales.

Conclusiones:

• Los patrones longitudinales de la trayectoria del AI-ECG pueden detectar la progresión de la enfermedad de AS hasta 4,5 años antes del reemplazo de la válvula aórtica transcatéter (TAVR).
• Estos patrones mejoran la predicción de la mortalidad más allá de las puntuaciones de riesgo tradicionales.
• La validación comunitaria sugiere una utilidad potencial del cribado, con "falsos positivos" que indican un riesgo futuro.