La detección precoz de la estenosis aórtica se está convirtiendo en un problema de salud importante debido a que el envejecimiento de la población se asocia a un mayor número de casos. Además, tenemos técnicas de tratamiento eficaces capaces de modificar el pronóstico de la enfermedad.
Los autores de este trabajo se plantearon desarrollar con técnicas de inteligencia artificial un algoritmo para identificar con el electrocardiograma (IA-ECG) los pacientes con estenosis aórtica moderada o grave. Para ello analizaron las bases de datos del periodo 1989-2019 de la Clínica Mayo entre 1989 y 2019 e identificaron 258.607 adultos (edad media 63 años, 48% varones) que se realizaron un ECG en formato digital seguido de un ecocardiograma en un periodo inferior a 180 días. En este grupo de pacientes, un 3,7% tenía estenosis moderada o grave (velocidad pico > 3,0 m/s, gradiente medio > 20 mmHg, relación de integrales < 0,35 o área valvular < 1,5 cm2).
Los datos de los pacientes fueron distribuidos de forma aleatoria al desarrollo del algoritmo usando inteligencia artificial (50%) a la fase de validación del algoritmo (10%) o a la fase evaluación de su utilidad (40%). En el grupo de evaluación, el algoritmo IA-ECG etiquetó a 3.833 (3,7%) de los pacientes como positivos para estenosis aórtica moderada o grave. La sensibilidad, especificidad y precisión del algoritmo fueron del 78%, 74% y 74% respectivamente, con un área bajo la curva de 0,85. El valor predictivo positivo fue del 10,5% mientras que el valor predictivo negativo alcanzó el 98,9%. La sensibilidad aumentó y la especificidad disminuyó a medida que aumentaba la edad. El algoritmo tenía menor sensibilidad y mayor especificidad en mujeres en comparación con los hombres en cualquier grupo de edad. El rendimiento del modelo aumentó cuando se agregaron la edad y el sexo al modelo (AUC 0,87). Los pacientes con un resultado IA-ECG falso positivo del algoritmo tuvieron un riesgo doble de desarrollar estenosis aórtica moderada o grave en 15 años en comparación con los IA-ECG verdaderos negativos. Los datos sugieren que un algoritmo de inteligencia artificial puede detectar con eficacia razonable los pacientes con estenosis aórtica moderada o grave y ser una herramienta útil en el screening de estenosis aórtica en la población.
Comentario
Uno de los campos de investigación más interesantes en cardiología es la aplicación de la inteligencia artificial. Y dentro de este campo destaca el deep learning, que es un proceso en el que la máquina puede analizar cantidades ingentes de datos para enseñarse a sí misma a establecer diagnósticos con el reconocimiento de patrones que están muchas veces más allá de nuestras capacidades humanas de análisis.
Los autores de este trabajo se plantearon que la detección precoz de la estenosis aórtica podría ser un campo muy interesante para la inteligencia artificial. Es una enfermedad frecuente, en la que el retraso en el diagnóstico puede tener consecuencias graves y en la que tenemos opciones eficaces de tratamiento. Probablemente en un mundo ideal la auscultación de los pacientes sería el método de screening perfecto. Pero los autores nos explican que hay trabajos en los que se refleja que en la actualidad el soplo está presente como dato en la historia clínica en menos del 50% de los pacientes con estenosis aórtica importante, probablemente como consecuencia de los tiempos apresurados que vivimos, el deterioro de nuestras habilidades de exploración y el auge de las técnicas de imagen cardiaca. En este contexto el análisis automático del ECG podría ser una alternativa interesante.
Tras analizar una base de datos con un número ingente de pacientes, los autores encuentran que el funcionamiento del algoritmo es razonable, con una sensibilidad del 78% y una especificidad del 74%. El valor predictivo positivo es de solo un 10%, lo que lleva a un porcentaje total del 25% de los pacientes etiquetados como falsos positivos y el valor predictivo negativo es del 99%. Los pacientes clasificados como falsos positivos estaban mal clasificados por el algoritmo, pero también eran pacientes con un riesgo multiplicado dos veces de desarrollar estenosis aórtica en el seguimiento, es decir, son pacientes de alto riesgo que necesitarían un control más estrecho.
Uno de los problemas de las técnicas de deep learning es que el algoritmo funciona como una “caja negra” en la que se introducen unos datos y se obtienen unos resultados, pero no sabemos cuál es el proceso que la maquina sigue para obtener el resultado. La ausencia de supervisión humana tiene la ventaja de que la máquina está libre de los sesgos o prejuicios humanos, pero también el inconveniente de que no se puede controlar cómo llega a los resultados. Por ejemplo, en este trabajo aparentemente el sistema daba valor a cosas como el análisis del segmento TP o de la onda U y no usaba parámetros asociados con la presencia de hipertrofia ventricular. Otro problema es que la técnica está basada en el análisis exhaustivo de los datos que se le introducen, de tal modo que el resultado tiene alta consistencia interna, pero necesita de validación si se quiere aplicar a otros grupos de pacientes.
Desde un punto de vista clínico, la posibilidad de poder valorar el riesgo de que el paciente tenga una estenosis aórtica con el ECG sería sensacional. Porque no solo sería eso. Ya hay publicados otros modelos de inteligencia artificial capaces de detectar la presencia de disfunción ventricular, miocardiopatía hipertrófica o fibrilación auricular silente y desde luego este análisis “avanzado” del ECG nos ayudaría mucho en nuestras siempre congestionadas consultas. Pero lo cierto es que todos tenemos una experiencia negativa con los sistemas “normales” de interpretación automática del ECG que siempre han funcionado mucho peor de lo esperado y que nos han hecho desarrollar un saludable escepticismo. Sin duda que estos nuevos modelos de análisis tienen mucho por demostrar antes de que los veamos implementados en la práctica clínica.
Referencia
Electrocardiogram screening for aortic valve stenosis using artificial intelligence
- Michal Cohen-Shelly, Zachi I. Attia, Paul A. Friedman, Saki Ito, Benjamin A. Essayagh, Wei-Yin Ko, Dennis H. Murphree, Hector I. Michelena, Maurice Enriquez-Sarano, Rickey E. Carter, Patrick W. Johnson, Peter A. Noseworthy, Francisco Lopez-Jimenez, and Jae K. Oh.
- Eur Heart J. 2021 Online ahead of print. doi: 10.1093/eurheartj/ehab153.
