Un modelo de inteligencia artificial puede identificar a pacientes con fibrilación auricular intermitente, incluso cuando se implementa durante el ritmo sinusal normal, en un mínimo de 10 segundos, señala un nuevo estudio.[1]
Investigadores analizaron datos de casi 650.000 electrocardiogramas de ritmo sinusal en más de 180.000 adultos entre diciembre de 1993 y julio de 2017, dividiendo los electrocardiogramas en tres grupos: aleccionamiento (70%), validación interna (10%) y comprobación (20%).
El grupo con comprobación utilizó un electrocardiograma habilitado para inteligencia artificial diseñado para reconocer cambios sutiles utilizando tecnología de redes neurales con aleccionamiento especial.
El criterio principal de valoración fue si el electrocardiograma programado mediante inteligencia artificial podía detectar con precisión fibrilación auricular en la serie de datos de comprobación de pacientes con fibrilación auricular confirmada antes de evaluarse con el dispositivo de inteligencia artificial
La inteligencia artificial identificó con precisión la presentación de fibrilación auricular con una exactitud de 79% mediante una sola exploración, y 83% de exactitud al analizar múltiples electrocardiogramas en el mismo paciente.
"Encontramos que el electrocardiograma mediante inteligencia artificial tenía una capacidad potente para detectar fibrilación auricular reciente o inminente con un área bajo la curva de 0,90", comentó a Medscape el Dr. Paul Friedman, profesor de medicina, de la Mayo Clinic, en Rochester, Estados Unidos.
"En el futuro, esto podría facilitar el diagnóstico instantáneo al permitir la aplicación del algoritmo en tecnologías de bajo costo ampliamente disponibles. Por ejemplo, hemos demostrado previamente la transferencia de redes neurales creada utilizando electrocardiogramas de 12 derivaciones a electrodos basados en teléfono móvil que suelen utilizar una sola derivación", añadió el Dr. Friedman, quien también es Catedrático Normal Blane and Billie Jean Harty, Departamento de Medicina Cardiovascular en la Mayo Clinic, en honor al Dr. Robert L. Frye.
El estudio fue publicado en versión electrónica el 1 de agosto en The Lancet.
Patrones sutiles
"La detección sistemática de fibrilación auricular puede ser difícil, debido a la baja precisión diagnóstica de un solo electrocardiograma para detectar una arritmia a menudo fugaz", afirmaron los autores.
La fibrilación auricular es "difícil de detectar y a menudo no se diagnostica", observó el Dr. Friedman, "requiriéndose, para detectarla, monitorización durante semanas a años, a veces con un dispositivo implantado, lo que potencialmente deja a pacientes vulnerables a riesgo de accidente cerebrovascular recurrente, pues los métodos actuales no siempre detectan con precisión fibrilación auricular o tardan demasiado tiempo".
"Un electrocardiograma habilitado para inteligencia artificial utiliza aprendizaje automático en la forma de redes neurales profundas para identificar patrones sutiles en el electrocardiograma de 12 derivaciones estándar, con el propósito de identificar enfermedad que es asintomática o inminente", explicó.
La experiencia previa del electrocardiograma-inteligencia artificial para detectar enfermedad asintomática "nos motivó para crear una nueva red que se centrara en fibrilación auricular, dada su asociación importante con insuficiencia cardiaca, accidente cerebrovascular y muerte, y el papel importante que desempeña su presentación en determinar el tratamiento", añadió.
Los investigadores analizaron datos de todos los pacientes adultos (≥ 18 años) en el laboratorio de electrocardiograma de la Mayo Clinic entre el 31 de diciembre de 1993 y el 21 de julio de 2017.
A fin de que se consideraran positivos para fibrilación auricular, era necesario que los pacientes tuvieran por lo menos un ritmo sinusal digital, un electrocardiograma estándar de 12 derivaciones de 10 segundos con fibrilación auricular. Para considerarse negativos para fibrilación auricular se requería que los pacientes no tuvieran fibrilación auricular registrada en el electrocardiograma, y ninguna fibrilación auricular consignada en los códigos diagnósticos en su registro médico electrónico.
Cualquier electrocardiograma con un ritmo de fibrilación auricular o aleteo auricular se clasificaba como fibrilación auricular.
En pacientes con múltiples electrocardiogramas los investigadores definieron un "intervalo de interés" para el propósito del análisis.
En quienes habían tenido al menos un ritmo de fibrilación auricular registrado, los investigadores definieron el primer electrocardiograma con fibrilación auricular registrado como el electrocardiograma índice y la primera fecha del intervalo de interés como 31 días antes de la fecha.
En pacientes con múltiples electrocardiogramas, pero sin fibrilación auricular documentada, el electrocardiograma índice se consideró el primer electrocardiograma disponible.
El criterio principal de valoración fue la capacidad del electrocardiograma intensificado con inteligencia artificial para identificar a pacientes con fibrilación auricular, evaluada mediante el área bajo la curva (AUC) de eficacia diagnóstica, así como sensibilidad, especificidad, exactitud, y puntuación F1.
Los investigadores también llevaron a cabo un análisis secundario para determinar si el uso de electrocardiograma con ritmo sinusal adicional por paciente podía mejorar el área bajo la curva del electrocardiograma habilitado para inteligencia artificial en la detección de un antecedente de fibrilación auricular.
Se llevó a cabo otro análisis secundario que incluyó solo el primer ritmo sinusal normal después del electrocardiograma con fibrilación auricular índice.
De un millón de electrocardiogramas disponibles, los investigadores analizaron 649.931 con ritmo sinusal normal (180.922 pacientes; media de edad [DE]: 60,3 [16,5] años en la primera consulta; 49,6% hombres; 8,5% que tenían igual o más de una fibrilación auricular registrada).
El modelo fue aleccionado utilizando 454.789 electrocardiogramas registrados de 126.526 pacientes (media de 3,6 [4,8] electrocardiograma por paciente).
Los investigadores midieron los electrocardiogramas en dos categorías adicionales:
Serie de datos de validación interna (n = 64.340 electrocardiograma de 18.116 pacientes).
Serie de datos de comprobación (n = 130.802 electrocardiograma de 36.280 pacientes).
De la serie de datos de comprobación, 8,4% de los pacientes tuvieron fibrilación auricular verificada antes del electrocardiograma con ritmo sinusal normal evaluado por el modelo.
Ocultos a simple vista
En los pacientes de la serie de datos de comprobación con un mínimo de una fibrilación auricular registrada, 55,7% de los 3.051 electrocardiogramas con ritmo sinusal normal iniciales en el intervalo de interés tuvo lugar en la primera semana del electrocardiograma con fibrilación auricular índice.
En la serie de datos de validación interna, así como en la serie de datos de comprobación, un solo electrocardiograma habilitado para inteligencia artificial tuvo el mismo nivel de éxito para identificar fibrilación auricular (AUC: 0,87; IC 95%: 0,86 - 0,88).
El valor de probabilidad, que resultó con sensibilidad, especificidad y precisión similares (79,2%) en la serie de validación interna, se aplicó luego a la serie de comprobación, generando una puntuación F1 de 39,2% (38,1 - 40,4), con una sensibilidad de 79,0% (77,5 - 80,4), una especificidad de 79,5% (79,0 - 79,9), y una precisión general de 79,4% (79,0 - 79,9).
Los investigadores evaluaron el modelo en todos los electrocardiogramas con ritmo sinusal en los primeros 31 días a partir de la fecha de inicio del estudio, seleccionando la probabilidad promedio y máxima de puntuaciones de fibrilación auricular.
El área bajo la curva mejoró a 0,89 (0,89 - 0,90) cuando se utilizó la puntuación promedio en la serie de datos de prueba, y a 0,90 (0,90 - 0,91) cuando los investigadores aplicaron una estrategia más sensible de utilizar la puntuación del electrocardiograma con el máximo riesgo.
Se observaron mejoras similares con el mismo análisis en la serie de validación interna.
Los investigadores también llevaron a cabo un análisis secundario en la serie de datos de comprobación, incluyendo solo el primer ritmo sinusal normal tras el inicio de fibrilación auricular, y encontraron que el área bajo la curva de la red mejoró a 0,90 (0,89 - 0,91).
Al igual que en el análisis primario, el umbral de probabilidad generó sensibilidad y especificidad similares en la serie de validación interna y se utilizó para clasificar a los pacientes en la serie de datos de comprobación.
Cuando los investigadores utilizaron la puntuación máxima con el umbral calculado encontraron mejoras en todas las medidas (puntuación F1: 45,4% [44,2 - 46,5]; sensibilidad: 82,3% [80,9 - 83,6]; especificidad: 83,4% [83,0 - 83,8], y precisión general: 83,3% [83,0 - 83,7]) en la serie de datos de comprobación.
"Añadir inteligencia artificial a una prueba estándar, ampliamente disponible, económica y no invasiva, el electrocardiograma, la transforma en una herramienta poderosa que permite detectar fibrilación auricular reciente o inminente, lo cual puede ser útil como guía de tratamiento para prevenir accidentes cerebrovasculares, insuficiencia cardiaca y muerte", comentó el Dr. Friedman.
"Logra esto debido a la capacidad de la red para ver patrones sutiles en la red que están ocultos a simple vista", añadió.
Aguja en un pajar
En su comentario sobre el estudio para Medscape, Jeroen Hendriks, maestro en ciencias, Ph. D., del Center for Heart Rhythm Disorders, en la University of Adelaide and Royal Adelaide Hospital, en Adelaida, Australia, quien fue coautor de un editorial adjunto, calificó la investigación como "robusta".[2]
"En vez de tratar de observar la fibrilación auricular mediante la monitorización prolongada del ritmo sinusal, los autores señalan que la inteligencia artificial puede evitar este escenario de aguja en un pajar y en cambio, identificar desde un mínimo de un electrocardiograma con ritmo sinusal normal si realmente hay una aguja oculta en el pajar".
En el futuro, "la inteligencia artificial puede apoyar al equipo de tratamiento en la toma de decisiones clínicas" y también puede ser útil, por ejemplo, en pacientes con accidente cerebrovascular embólico de origen indeterminado para identificar si la fibrilación auricular es la causa fundamental del accidente cerebrovascular", señaló Hendriks.
"Este modelo en particular es específico para fibrilación auricular; sin embargo, hemos creado modelos para otra serie de trastornos que utilizan los mismos principios fundamentales, de manera que se puede detectar un gran número de trastornos utilizando el electrocardiograma-inteligencia artificial", añadió Friedman.
El estudio y los autores no recibieron apoyo externo o comercial; la financiación fue a través de recursos internos de la Mayo Clinic. Los autores han declarado no tener ningún conflicto de interés económico pertinente. Hendriks informa que la University of Adelaide ha recibido en su nombre honorarios por conferencias o consultoría de Medtronic y Pfizer/Bristol-Myers Squibb. También es apoyado por una beca de la National Heart Foundation of Australia. The Institute of Cardiovascular Research ha recibido un apoyo económico de la British Heart Foundation. Las declaraciones de conflicto de interés de su coautor se enumeran en el editorial original.
Para más contenido siga a Medscape en Facebook, Twitter, Instagram y YouTube.
Medscape Noticias Médicas © 2019 WebMD, LLC
Citar este artículo: Inteligencia artificial detecta fibrilación auricular oculta durante ritmo sinusal normal - Medscape - 13 de agosto de 2019.
Comentario