Aplicación web de aprendizaje automático simplificado para detectar la FEVI reducida a partir de un ECG de 12...

Área de la Ciencia:

• Cardiología
• Informática Médica
• Aprendizaje Automático

Sus antecedentes:

• Los modelos de aprendizaje profundo (DL) muestran resultados prometedores en la identificación de la fracción de eyección ventricular izquierda (FEVI) reducida a partir de electrocardiogramas (ECG).
• La complejidad de los modelos de DL dificulta su adopción clínica generalizada.
• Los modelos simplificados de aprendizaje automático (ML) ofrecen una solución potencial para la detección accesible de la FEVI.

Objetivo del estudio:

• Desarrollar y validar modelos simplificados de ML para detectar la FEVI < 40% utilizando parámetros numéricos de ECG de 12 derivaciones.
• Crear una aplicación web fácil de usar para implementar estos modelos de ML.

Principales métodos:

• Análisis retrospectivo de datos de ECG y ecocardiografía de 21 471 pacientes de dos instituciones.
• Se establecieron cohortes de desarrollo y validación externa, incluidos pacientes con y sin fibrilación auricular (FA).
• Se evaluaron cuatro algoritmos de ML (bosque aleatorio, XGBoost, máquina de vectores de soporte, modelos aditivos generalizados) para predecir resultados continuos y binarios de FEVI.

Principales resultados:

• Para la predicción continua de la FEVI, el bosque aleatorio (RF) mostró valores moderados de R al cuadrado interno (0,68-0,74) pero un rendimiento deficiente en la validación externa.
• Para la clasificación binaria (FEVI < 40%), todos los modelos lograron AUC altos (>0,90) en el grupo no FA internamente.
• RF y XGBoost demostraron un rendimiento sólido en el grupo FA (AUC >0,90 internamente) y una precisión adecuada en la validación externa (AUCs 0,80-0,90).

Conclusiones:

• Se ha desarrollado con éxito una herramienta simplificada basada en web para el cribado preliminar de la FEVI reducida utilizando parámetros de ECG de 12 derivaciones.
• Estos modelos de ML ofrecen un enfoque práctico para la identificación temprana de pacientes con FEVI reducida.