Predicción de la disfunción sistólica del ventrículo izquierdo en la insuficiencia cardíaca con inteligencia artificial | JoVE Visualize

Área de la Ciencia:

Cardiología
Inteligencia Artificial
Diagnóstico Médico

Sus antecedentes:

La evaluación objetiva de la función ventricular izquierda es crucial para guiar la terapia de la insuficiencia cardíaca (IC).
La fracción de eyección del ventrículo izquierdo (FEVI) es dinámica y su disminución se asocia con un aumento de la morbilidad y la mortalidad.
La identificación de pacientes en riesgo de disminución de la FEVI puede mejorar el pronóstico y permitir una intervención oportuna.

Objetivo del estudio:

Desarrollar y validar un modelo de aprendizaje profundo (PULSE-HF) que prediga los cambios en la función sistólica del ventrículo izquierdo a partir de electrocardiogramas (ECG) en pacientes con insuficiencia cardíaca.
Evaluar la capacidad del modelo para identificar a los pacientes con probabilidad de tener una FEVI inferior al 40% en el plazo de un año.

Principales métodos:

Se desarrolló un modelo de aprendizaje profundo, PULSE-HF, que integra formas de onda de ECG de 12 derivaciones con mediciones previas de FEVI.
Se desarrolló y probó retrospectivamente el modelo con datos de un hospital (enero de 2000-junio de 2021).
Se validó externamente el modelo en cohortes retrospectivas de dos hospitales adicionales (datos recopilados entre enero de 2000-junio de 2021 y 2008-2019).

Principales resultados:

PULSE-HF demostró una fuerte capacidad discriminatoria, con áreas bajo la curva característica operativa del receptor (AUROC) de 87,5-91,4% en tres cohortes de IC para predecir una FEVI < 40% en el plazo de un año.
Para pacientes con una FEVI basal > 40%, PULSE-HF identificó a aquellos en riesgo de empeoramiento de la FEVI con AUROC de 81,6-86,3%.
El rendimiento del modelo se mantuvo constante en varios subgrupos y una versión simplificada de la derivación I mostró un rendimiento similar al del modelo de 12 derivaciones.

Conclusiones:

PULSE-HF predice de manera robusta el empeoramiento de la FEVI en pacientes con diagnóstico previo de insuficiencia cardíaca.
Este enfoque de aprendizaje profundo ofrece una plataforma valiosa para identificar a los pacientes con mayor riesgo de empeoramiento de la disfunción sistólica.
La capacidad del modelo para predecir la disminución de la FEVI a partir de ECG puede facilitar estrategias de manejo proactivo en la atención de la insuficiencia cardíaca.