Los algoritmos de inteligencia artificial (IA) aplicados a la electrocardiografía en ritmo sinusal (RS) han demostrado ser capaces de detectar la fibrilación auricular (FA) concomitante. El presente trabajo analiza el potencial de la IA-ECG como predictor de episodios futuros de FA en un seguimiento a largo plazo.
Dada la morbilidad asociada y el curso con frecuencia asintomático de la FA, la capacidad de predecir su aparición ha sido una prioridad clínica y un objetivo de investigación desde hace tiempo. Para ello se han empleado datos extraídos del ECG y scores clínicos como el CHARGE-AF, validado en poblaciones tanto americanas como europeas. A pesar de su probada capacidad predictiva, su cálculo es laborioso y complejo, haciendo deseable disponer de herramientas de predicción más sencillas y directas. La IA aplicada al ECG ha demostrado ser una poderosa herramienta a la hora de detectar la marca electrocardiográfica del riesgo latente de FA durante ritmo sinusal, con datos publicados que hablan de un área bajo la curva de 0,87 en el mes siguiente a la realización del ECG; sería ideal conocer la relación temporal entre un IA-ECG positivo y el riesgo futuro, en años, de desarrollar FA, y ese es el objetivo de los autores del presente trabajo. Emplean para ello el estudio de envejecimiento de la Mayo Clinic, una cohorte prospectiva de sujetos diseñada para analizar la prevalencia, incidencia y factores de riesgo de deterioro cognitivo leve y demencia. A partir de esa base de datos identifican los sujetos con, al menos, un ECG en ritmo sinusal en los dos años precedentes a la visita basal. Excluyen los sujetos con historia conocida de FA.
El resultado del modelo IA-ECG FA calculado por el algoritmo se refiere específicamente a la probabilidad de FA concurrente dentro de los 30 días del ECG analizado. Para hacernos una idea de la complejidad del análisis, emplean una matriz 8x5000, donde 8 se refiere a una derivación del ECG o un eje espacial, mientras que 5000 representa el eje temporal y contiene elementos morfológicos y temporales, permitiendo detectar características que se escapan al ojo humano.
El score CHARGE-AF se calculó según publicación previa: 0,508 x edad (5 años) + 0,465 x raza blanca + 0,248 x altura (10 cm) + 0,115 x peso (15 kg) + 0,197 x presión sistólica (20 mmHg) – 0,101 x presión diastólica (10 mmHg) + 0,359 x fumador activo + 0,349 x tto antihipertensivo + 0,237 x diabetes + 0,701 x ICC + 0,496 x infarto miocardio.
La predicción de riesgo de FA futura se basó en un único resultado del modelo IA-ECG AF y el score CHARGE-AF calculados para cada participante en la visita basal. Se seleccionó un punto arbitrario de corte de >0,5 para el modelo IA-ECG AF, empleando el ECG más reciente entre 0 y 2 años previos. Mediante modelos de riesgos proporcionales de Cox analizan el valor pronóstico independiente y la interacción entre el modelo de FA con IA-ECG y el score CHARGE-AF.
Analizan un total de 1936 participantes, con una edad media de 75,8 años, CHA2DS2-VASc medio de 3 y un score CHARGE-AF medio de 14. El seguimiento medio fue de 7,4 años (RIQ 4,7-10,9), durante el cual se documentó FA en 333 participantes (17,2%). La incidencia acumulada de FA fue mayor en los mayores cuartiles tanto del modelo IA-ECG FA tanto como del score CHARGE-AF. Aquellos con un resultado del IA-ECG FA >0,5 en la visita basal presentaron una incidencia acumulada de FA del 21,5% a los dos años y del 52,2% a los 10 años. Tanto el modelo de IA-ECG (HR 1,76) como el score CHARGE-AF (HR 1,90) predijeron de forma independiente la FA sin interacción significativa (p=0,54). El estadístico C fue de 0,69 para el modelo AI-ECG, 0,69 para el score CHARGE-AF y 0,72 para el combinado. Una diferencia significativa entre ambos fue que el score CHARGE-AF basal no mostró capacidad predictiva más allá de los 8 años tras la visita basal, mientras sí lo hizo el IA-ECG FA.
Durante la discusión los autores inciden en que la IA-ECG es una prueba en tiempo real no-subjetiva, que puede obtenerse de la historia clínica del paciente de forma automática. El punto de corte óptimo está pendiente de definir, dado el incremento progresivo en las curvas de incidencia acumulada de FA para cada cuartil incremental del IA-ECG FA, pero consideran que el punto de corte empleado arbitrariamente de 0,5 presentó una significativa capacidad predictiva. Los autores incluso comentan que umbrales mucho más elevados para el IA-ECG (tales como >90%) podrían tener interés en pacientes en los que detectar una FA inminente podría justificar la anticoagulación ante un elevado riesgo de eventos cerebrales, u obviar la necesidad de monitorización ambulatoria costosa y prolongada en pacientes con accedente cerebral inexplicado.
Entre las limitaciones que los propios autores comentan se encuentra la aplicabilidad de los resultados a poblaciones más jóvenes con una menor prevalencia de FA, o con diferentes características a la población sobre la que se deriva. Otra gran limitación, inherente a todos los estudios de análisis predictivos, es qué hacer a partir de esa predicción.
Concluyen que tanto un modelo de inteligencia artificial basado en el ECG como el score CHARGE-AF predijeron de forma independiente la aparición de FA. Sin embargo, la IA permite valorar el riesgo de FA con un único test y sin la necesidad de extracción laboriosa de datos.
En las últimas guías de FA de la sociedad europea de Cardiología se describe extensamente la búsqueda de FA, tanto de forma oportunista como sistemática, dados los riesgos asociados a la misma. Una herramienta que permita predecir su aparición, basada en un único test sencillo y no costoso como es el ECG, se convierte en un arma potente para el establecimiento de medidas preventivas y de seguimiento adaptadas a dicho riesgo. Si bien, su aplicabilidad en la clínica diaria y el punto de corte óptimo aún están por definir, es evidente que la inteligencia artificial aplicada al análisis del ECG ha llegado para quedarse.
Artificial Intelligence-Electrocardiography to Predict Incident Atrial Fibrillation: A Population-Based Study
G. Chrisopoulos et al. Circ Arrhythm Electrophysiol. 2020. Published ahead of print
