Dado el desafío de diagnosticar el infarto de miocardio (IM) en pacientes sin elevación del segmento ST, especialmente con el uso de troponina cardiaca como biomarcador, surge la herramienta CoDE-ACS (Collaboration for the Diagnosis and Evaluation of Acute Coronary Syndrome). Esta herramienta utiliza machine learning para calcular la probabilidad de IM, basándose en mediciones de troponina realizadas en diversos momentos.
El infarto de miocardio sigue siendo una de las principales causas de muerte en todo el mundo. Cada año, más de 15 millones de pacientes se presentan con posible IM en los servicios de urgencias en Europa y América del Norte, resultando en un uso sustancial de recursos y saturación de estos servicios. La identificación temprana de pacientes con y sin IM es crucial para guiar el tratamiento y prevenir pruebas e ingresos hospitalarios innecesarios. Las guías actuales internacionales recomiendan el uso de mediciones de troponina cardiaca de alta sensibilidad y los algoritmos de pruebas seriadas como el de la Sociedad Europea de Cardiología (ESC) de 0/1 hora y 0/2 horas para descartar o confirmar un IM, así como vías optimizadas de una sola medición de troponina, como el protocolo High-STEACS. Sin embargo, estos algoritmos utilizan umbrales fijos de troponina cardiaca que no tienen en cuenta la edad, el sexo o las comorbilidades, y requieren mediciones seriadas en momentos precisos con una flexibilidad limitada.
En un reciente estudio publicado en Circulation por el Dr. Nicholas Mills y su equipo1, se evaluó el rendimiento de CoDE-ACS en comparación con las vías diagnósticas recomendadas por la Sociedad Europea de Cardiología (ESC) y el protocolo High-STEACS. El estudio incluyó a 4.105 pacientes con posible IM sin elevación del segmento ST, quienes se sometieron a mediciones de troponina de alta sensibilidad a las 0, 1 y 2 horas en 12 sitios de 5 países diferentes.
El objetivo principal del estudio fue evaluar la eficacia de CoDE-ACS en la clasificación de pacientes con baja probabilidad o exclusión de IM en la presentación y en las mediciones seriadas de troponina cardiaca. El objetivo diagnóstico primario fue el diagnóstico inicial de IM tipo 1. El objetivo diagnóstico secundario incluyó el diagnóstico inicial de IM tipo 1 o tipo 2. Se realizó un seguimiento para la muerte cardiaca o por cualquier causa a los 3, 12 y 24 meses, obteniendo información de los registros hospitalarios del paciente, los registros del médico de familia y el registro nacional de defunciones.
Se excluyeron los pacientes con IM con elevación del segmento ST, un diagnóstico final desconocido tras la adjudicación o valores de troponina cardiaca ausentes a las 0, 1 o 2 horas.
Resultados:
- Identificación de pacientes con baja probabilidad: Al momento de la presentación, CoDE-ACS identificó al 56% de los pacientes como de baja probabilidad de IM, con un valor predictivo negativo (VPN) de 99,7% y una sensibilidad de 99,0%, descartando más pacientes que los algoritmos ESC de 0 horas y High-STEACS (25% y 35% respectivamente).
- Mediciones adicionales: incorporando una segunda medición de troponina, CoDE-ACS identificó al 65% o 68% de los pacientes como de baja probabilidad a las 1 o 2 horas, con un VPN constante de 99,7%. Además, identificó al 19% o 18% de los pacientes como de alta probabilidad con un valor predictivo positivo (VPP) de 64,9% y 68,8%, respectivamente.
- Comparación con las vías recomendadas: después de mediciones seriadas, las vías ESC de 0/1 hora, ESC de 0/2 horas y High-STEACS identificaron al 49%, 53% y 71% de los pacientes como de bajo riesgo con un VPN de 100%, 100% y 99,7%, respectivamente. Además, identificaron al 20%, 19% o 29% como de alto riesgo con un VPP de 61,5%, 65,8% y 48,3%, respectivamente.
Comentario
En este estudio internacional multicéntrico que incluyó pacientes con síntomas sugestivos de IM, se comparó el rendimiento de la herramienta de apoyo a la decisión CoDE-ACS, que utiliza machine learning para el diagnóstico de IM, en diferentes puntos temporales para la medición seriada de troponina cardiaca con las vías diagnósticas recomendadas por las guías que se basan en puntos temporales fijos. Los hallazgos principales muestran que aplicar CoDE-ACS para el IM en comparación con las clásicas, identifica a más pacientes con baja probabilidad de IM con un VPN comparable y a menos pacientes con alta probabilidad con un mejor VPP.
Esta herramienta parece que no solo podría mejorar la eficiencia al identificar a más pacientes de baja probabilidad de IM con una sola medición, sino que también ofrece un enfoque adaptable para diferentes entornos clínicos. Además, al proporcionar una evaluación más personalizada y flexible, CoDE-ACS podría reducir las pruebas innecesarias y los ingresos hospitalarios, mejorando así la eficiencia del sistema de salud. La implementación de CoDE-ACS en la atención clínica de rutina podría superar los desafíos de los tiempos de pruebas fijos, permitiendo realizar mediciones seriadas de troponina cuando sea necesario y definir puntuaciones de baja y alta probabilidad según los protocolos locales de atención sanitaria. Sin embargo, es necesario destacar que este estudio también confirma el excelente rendimiento de las vías recomendadas por las guías utilizando umbrales fijos y puntos temporales para el diagnóstico temprano de IM. Todos los algoritmos clínicos, independientemente de los puntos temporales de las pruebas seriadas, identificaron a los pacientes de bajo riesgo con un VPN superior al 99%, y el rendimiento general fue consistente en pacientes con IM tipo 1 y tipo 2. Por este motivo, se necesitan estudios prospectivos para determinar si la atención guiada por probabilidades mejora el diagnóstico de IM o si por el contrario lo empeora.
En los últimos años, estamos presenciando una revolución en el diagnóstico del infarto de miocardio gracias a la explosión de nuevas herramientas basadas en inteligencia artificial. Estas tecnologías están demostrando mejoras significativas tanto en el diagnóstico de infartos con elevación del ST como sin elevación del ST. Aunque aún existen barreras importantes que superar, como la integración de la decisión humana con las recomendaciones de la inteligencia artificial, los resultados iniciales son sumamente prometedores. Un área particularmente interesante para futuros debates es el uso de sistemas de deep learning para mejorar el análisis de electrocardiogramas (ECG) y optimizar los resultados para los pacientes con infarto, como se sugiere en el estudio ARISE2. Este estudio reciente demostró que la asistencia del AI-ECG puede reducir significativamente los tiempos de puerta a balón y de ECG a balón en pacientes con infarto de miocardio con elevación del ST, resaltando el impacto potencial de estas tecnologías en la práctica clínica.
La integración de la inteligencia artificial en la interpretación de los ECG y otros datos clínicos abre un futuro emocionante para el diagnóstico del infarto de miocardio. La combinación de estos datos con biomarcadores como la troponina no solo promete aumentar la precisión diagnóstica, sino también mejorar la eficiencia en la atención al paciente. Las colaboraciones interdisciplinarias serán esenciales para incorporar estas tecnologías avanzadas en las herramientas de apoyo a la decisión clínica, potenciando así la calidad del cuidado cardiovascular y acercándonos cada vez más a una medicina verdaderamente personalizada y de precisión.
Referencia
Machine Learning for myocardial infarction compared With guideline-recommended diagnostic pathways
- Jasper Boeddinghaus, Dimitrios Doudesis, Pedro Lopez-Ayala, Kuan Ken Lee, Luca Koechlin, Karin Wildi, Thomas Nestelberger, Raphael Borer, Òscar Miró, F. Javier Martin-Sanchez, Ivo Strebel, Maria Rubini Giménez, Dagmar I. Kelle, Michael Christ, Anda Bularga, Ziwen Li, Amy V. Ferry, Chris Tuck, Atul Anand, Alasdair Gray, Nicholas L. Mills, Christian Mueller, for the CoDE-ACS and APACE Investigators.
- Circulation. 2024 Apr 2;149(14):1090–101.
Bibliografía
- Boeddinghaus J, Doudesis D, Lopez-Ayala P, Lee KK, Koechlin L, Wildi K, et al. Machine Learning for Myocardial Infarction Compared With Guideline-Recommended Diagnostic Pathways. Circulation. 2024 Apr 2;149(14):1090–101.
- Lin C, Liu WT, Chang CH, Lee CC, Hsing SC, Fang WH, et al. Artificial Intelligence–Powered Rapid Identification of ST-Elevation Myocardial Infarction via Electrocardiogram (ARISE) — A Pragmatic Randomized Controlled Trial. NEJM AI [Internet]. 2024 Jun 27 [cited 2024 Jun 30];1(7). Available from: https://ai.nejm.org/doi/10.1056/AIoa2400190
