Dado que las terapias del desfibrilador automático implantable (DAI) son indicadores pronósticos de eventos adversos, cualquier estrategia que permita predecirlas en el corto plazo podría tener un gran impacto en el manejo.
Los choques del DAI, tanto apropiados como inapropiados, se asocian con un incremento del riesgo de morbilidad, mortalidad, hospitalización por insuficiencia cardiaca (IC) y empeoramiento de calidad de vida. Mientras los estudios poblacionales nos permiten obtener estratificaciones de riesgo a largo plazo, muy pocos factores (si es que existe alguno con elevada fiabilidad) permiten predecir una taquicardia ventricular (TV) inminente. Los autores se plantean la posibilidad de predecir terapias apropiadas para TV/FV a través de los datos de DAI y DAI-TRC en monitorización remota, comparando la regresión logística tradicional con un abordaje basado en machine learning (ML) que podría identificar nuevas variables.
Emplean los datos del IMPACT (Randomized trial of atrial arrhythmia monitoring to guide anticoagulation in patients with implanted defibrillator and cardiac resynchronization devices) en un análisis post hoc. Se trata de un estudio aleatorizado, multicéntrico, controlado de 2.718 pacientes con IC y un DAI o un DAI-TRC, que buscaba analizar taquiarritmias auriculares y el empleo de anticoagulación. Todas las terapias del dispositivo fueron asignadas como apropiadas o inapropiadas por dos investigadores ciegos e independientes. Emplean datos de monitorización remota en los 30 días previos a la terapia para desarrollar, de forma separada, un modelo de regresión logística multivariado y otro de red neural para predecir las terapias apropiadas del dispositivo. Para “alimentar” a este último emplean 28 variables del dispositivo (que a lo largo de los 30 días se transforma en un total de 28 x 30 = 840 características). Analizan un total de 59.807 transmisiones de 2.413 pacientes (64 años, 26% mujeres, 64% DAI). 151 pacientes recibieron terapias apropiadas (141 choques y 10 ATP) y emplean datos de 2.115 pacientes con transmisiones completas que no recibieron terapias para el análisis y generación del modelo.
La regresión logística identificó 6 variables, de las que finalmente 2 fueron comunes con el modelo de ML: la impedancia de choque y la ectopia ventricular (EV) se asociaron significativamente con un mayor riesgo de terapias apropiadas (SS 39%, E 91%, AUC: 0,72). El modelo basado en red neural que empleó ML fue significativamente más preciso (S 54%, E 96%, AUC: 0,90; p < 0,01 para la comparación), identificando también patrones de cambio en la impedancia del electrodo auricular, la FC media y la actividad del paciente como predictores de terapias apropiadas. Emplean diferentes conjuntos de datos para la validación posterior, y tanto en la muestra de derivación como en la de validación, el modelo basado en ML fue superior a la regresión logística (AUC 0,77 frente a 0,98 en la muestra inicial, 0,70 frente a 0,90 en la de validación).
Durante la discusión los autores inciden en los hallazgos principales del estudio:
1. Los datos de monitorización remota en los 30 días previos a una terapia pueden emplearse para predecir arritmias ventriculares malignas tratadas con choque o ATP.
2. Tanto la regresión logística como las redes neurales mostraron un excelente valor predictivo negativo, pero con mejor sensibilidad y valor predictivo positivo en el caso de redes neurales con ML.
3. El modelo basado en redes neurales complementa y expande la información “tradicional”, añadiendo variables de interés como los cambios temporales en la impedancia del electrodo auricular, la frecuencia auricular o ventricular media o la actividad del paciente, como predictores de terapias apropiadas.
Variables como la ectopia ventricular o los episodios no sostenidos de TV/FV detectados por el dispositivo, comunes a ambos modelos, son consistentes con trabajos previos que muestran que la carga de EV y TVNS se asocian con un incremento, aunque pequeño, del riesgo de muerte súbita. Sin embargo, la relevancia de un parámetro puede no tener relación con el aumento o reducción de un valor determinado, sino con la evolución temporal en relación con otros parámetros recogidos de forma dinámica. Un modelo de red neural con varias capas de nodos puede representar y analizar esta relación dinámica, cambiante en el tiempo, entre variables en los días previos a una arritmia ventricular.
Concluyen que los datos de la monitorización remota diaria pueden emplearse para predecir arritmias ventriculares malignas en los 30 días previos a la terapia del dispositivo, y que las redes neurales no solo complementan, sino que mejoran el abordaje convencional en la estratificación de riesgo.
Algunas limitaciones reseñables incluyen una precisión global modesta, el F1 score (que mide la precisión del modelo, cuántas veces hace una predicción correcta) es bueno (0,97) pero solo con un punto de corte que ofrece una sensibilidad del 50%, hay poblaciones infrarrepresentadas (como mujeres y raza no blanca) y no sabemos qué habría pasado con diferentes programaciones o ajustes del dispositivo, que fueron dejadas a criterio de los médicos tratantes.
En un editorial acompañante, el autor nos habla de cómo las relaciones no lineales entre datos detectadas por las redes neurales llegan a ser mejores predictoras que los factores inferidos por la estadística tradicional. Pero es importante reforzar la confianza en que estos nuevos predictores son generalizables y no específicos de un determinado conjunto de datos y un abordaje clave es inferir la fisiología a partir del ML. Así, por ejemplo, las variaciones de impedancia torácica se han correlacionado con hospitalizaciones y muerte súbita, pero previamente habían sido registradas a partir de los datos del electrodo de ventrículo derecho. Este estudio abre la posibilidad de que pueda ser el electrodo auricular del DAI el predictor de eventos detectando cambios en la presión auricular, el edema o la tensión de pared.
En definitiva, modelos basados en redes neurales con machine learning abren opciones totalmente novedosas de análisis, tanto de nuevas variables nunca consideradas como de nuevas formas de estudiar las ya conocidas, su evolución temporal y su relación dinámica con otras. Probablemente asistamos, a lo largo de los próximos años, a múltiples trabajos que abran nuevos horizontes de predicción de eventos y, quién sabe, nuevas opciones terapéuticas derivadas de ellos.
Predicting Malignant Ventricular Arrhythmias Using Real-Time Remote Monitoring
C. Ginder et al. J Am Coll Cardiol 2023;81:949-961
