El Kardia Band (KB) es una nueva tecnología que permite a los pacientes registrar una tira de ritmo utilizando un reloj de la marca Apple. Este dispositivo es un lector de electrocardiograma (ECG) incorporado a la correa y permite la detección automática del ritmo del paciente y con ello, el diagnóstico de fibrilación auricular (FA) por medio de una aplicación móvil.
El objetivo de este estudio fue determinar si el KB podría diferenciar de manera precisa el ritmo sinusal de la FA, haciendo una comparación del ECG de 12 derivaciones interpretado por un médico, y el registro de KB.
Se incluyó de manera consecutiva un grupo de pacientes que iba a realizarse un procedimiento de cardioversión eléctrica. Estos pacientes se sometieron a un ECG de superficie precardioversión, seguido de un registro con el KB. Si se realizaba la cardioversión, se obtenía un ECG poscardioversión acompañado de un nuevo registro de la KB.
Los registros emparejados pre y post KB fueron comparados con el diagnóstico electrocardiográfico efectuado por médicos del ECG de 12 derivaciones. Los registros del KB fueron interpretados por electrofisiólogos (con un procedimiento “ciego”) y comparados con la interpretación de los ECG habituales. Se determinó la sensibilidad, especificidad y el coeficiente K.
Un total de 100 pacientes fueron incluidos (edad media 68 ± 11 años). Ocho pacientes no se sometieron a cardioversión, dado que estaban en ritmo sinusal en el momento del procedimiento programado. Se registraron 169 ECG y registros del KB simultáneos. De estos, 57 fueron no interpretables por el KB. En comparación con el ECG, el KB interpretó la FA con una sensibilidad del 93%, una especificidad 84% y un coeficiente K de 0,77. La interpretación médica de los registros de KB mostró una sensibilidad del 99%, especificidad 83% y un valor del coeficiente K de 0,83. De los 57 registros de KB no interpretables, los electrofisiólogos diagnosticaron FA con una sensibilidad del 100%, especificidad del 80% y un coeficiente K de 0,74. Entre los 113 casos en los el registro de KB y las lecturas del médico de la misma grabación fueron interpretables, el acuerdo fue excelente (coeficiente K 0,88).
Los autores concluyen que el algoritmo de Kardia Band para la detección de FA, respaldado por la supervisión médica, puede diferenciar con precisión la FA del ritmo sinusal. Esta tecnología puede ayudar a discriminar el ritmo de los pacientes antes de una cardioversión electiva y evitar procedimientos innecesarios.
Comentario
La tecnología móvil médica ha proliferado en la última década. Los consumidores del público general ahora tienen acceso directo una gran variedad de dispositivos y aplicaciones que ofrecen mediciones en tiempo real de parámetros cardiovasculares (contar los pasos y actividad, registrar patrones de sueño, contar calorías, e incluso decir si el latido de su corazón es normal o si existe una arritmia), y algunas tecnologías extrapolan estos datos para proporcionar un diagnóstico. Sin embargo, la precisión de algunos de estos dispositivos ha sido cuestionada, y algunas tecnologías de salud móviles están disponibles sin haber sido verificadas por medio de estudios clínicos rigurosos.
Existen nuevos registradores de ritmo cardiaco que pueden grabar una tira de ritmo utilizando la tecnología de los teléfonos inteligentes (smartphones). En noviembre de 2017, el Kardia Band (KB) fue presentado como el primer accesorio de Apple Watch, aprobado por la Food and Drug Administration (FDA), que permite a un paciente registrar una tira de ritmo de la derivación I durante 30 segundos. El KB se combina con una aplicación que proporciona un algoritmo de detección del ritmo instantáneo y automático para el diagnóstico de FA. La aplicación puede informar al paciente cuando se detecta FA, y transmitir estos resultados de forma instantánea al médico responsable. El objetivo de los autores de este estudio fue determinar la precisión del algoritmo de detección de ritmo cardiaco de esta nueva herramienta tecnológica.
El algoritmo del KB consiste en la determinación de la irregularidad del ritmo y la ausencia de ondas P a tiempo real, para clasificar la tira de ritmo como “FA posible”. Si el criterio de FA no se cumple, el algoritmo de KB clasifica los ritmos regulares con ondas P como “normal” si la frecuencia está entre 50 y 100 latidos/minuto o “inclasificable” si existe artefacto en el registro, la frecuencia es < 50 o > 100 latidos/minutos o la duración es < 30 segundos. Un total de 57 registros (33,7%) fueron no clasificables por KB por los motivos descritos. No obstante, las interpretaciones automatizadas de KB tuvieron una correlación muy buena comparada con la interpretación de los electrofisiólogos. Antes del desarrollo del algoritmo diagnóstico de KB, otros algoritmos empleados en registradores implantables del ritmo o reveal utilizaban criterios como la variabilidad del ciclo cardiaco mediante la onda R. La precisión del algoritmo de detección de FA por KB fue superponible a la de estos dispositivos, por lo que los resultados pueden considerarse muy buenos.
La aplicabilidad de esta plataforma en el manejo ambulatorio de pacientes con fibrilación auricular debe evaluarse y estudiarse en ensayos futuros. Este estudio también demostró que un subconjunto de pacientes (el 8%) pendientes de cardioversión estaba en ritmo sinusal. La detección anticipada de estos casos podría suponer un ahorro de gastos al sistema sanitario y un efecto positivo en los tiempos de lista de espera del procedimiento. La verdadera expectativa de esta y otras tecnologías similares es conseguir un diagnóstico precoz y fiable de los episodios de frecuencia auricular elevada (probablemente FA) y, por lo tanto, la prevención del ictus.
Como limitaciones, hay que señalar que se trata de un estudio pequeño realizado en un solo centro. La población representada en este estudio tenía antecedentes conocidos de FA. El rendimiento del algoritmo de KB puede ser más variable en una población con una carga de FA más baja. El poder adquisitivo de los pacientes podría limitar el acceso a esta tecnología en la vida real.
Referencia
Smartwatch Algorithm for Automated Detection of Atrial Fibrillation
- Bumgarner JM, Lambert CT, Hussein AA, Cantillon DJ, Baranowski B, Wolski K, Lindsay BD, Wazni OM and Tarakji KG.
- J Am Coll Cardiol. 2018;71:2381-8.
