Algoritmos novedosos predicen resultados cardiovasculares en el punto de atención utilizando datos de ECG

Una cantidad significativa de accidentes cerebrovasculares de causa desconocida están relacionados con la fibrilación auricular (FA) paroxística subclínica subyacente, una condición en la que el corazón late de forma irregular durante períodos breves sin causar síntomas perceptibles. Estos accidentes cerebrovasculares relacionados con la FA se pueden prevenir con medicamentos anticoagulantes. El método estándar para detectar la FA es la implantación de un registrador de bucle, un dispositivo que se coloca debajo de la piel para monitorear la actividad cardíaca y detectar la FA. Esto permite a los proveedores de atención médica decidir si los pacientes deben usar anticoagulantes para prevenir futuros accidentes cerebrovasculares. Ahora, los investigadores están aprovechando el aprendizaje automático y los datos de electrocardiogramas (ECG) existentes para ayudar a los médicos a realizar predicciones más precisas.

Los investigadores de Penn State (University Park, PA, EUA) están desarrollando nuevos algoritmos capaces de predecir los resultados cardiovasculares en el punto de atención. En un estudio piloto inicial publicado en la revista Heart Rhythm, presentaron un modelo que puede predecir si un paciente con un accidente cerebrovascular de causa desconocida desarrollaría FA mediante el análisis de un solo latido cardíaco de una prueba cardíaca común y económica: el ECG estándar de 12 derivaciones, que registra la actividad eléctrica del corazón. El equipo de investigación buscó explorar si podían predecir la FA utilizando un ECG de 12 derivaciones en lugar de confiar en un registrador de bucle implantable.

El equipo utilizó un pequeño conjunto de datos de ECG existentes de Penn State, que incluía pacientes con accidente cerebrovascular criptogénico (accidente cerebrovascular sin una causa conocida) a quienes se les había implantado previamente un registrador de bucle, así como datos de ECG estándar de 12 derivaciones. Utilizando algoritmos de aprendizaje automático, crearon un modelo que podía analizar el ECG de 12 derivaciones de un paciente y predecir la probabilidad de desarrollar FA. El modelo predijo correctamente el resultado para el 80 % de los pacientes en la cohorte de prueba. En el futuro, el equipo planea expandir su base de datos para mejorar la aplicabilidad del modelo. Los investigadores lograron estos altos niveles de precisión utilizando técnicas de aumento de datos, qlo que ayudó a mejorar el rendimiento predictivo.

“Con algoritmos más potentes y una base de datos más grande, podemos predecir resultados cardiovasculares a un costo significativamente menor”, dijo Ankit Maheshwari, profesor adjunto de medicina en Penn State e investigador principal del proyecto. “Este estudio piloto demuestra que incluso con un grupo más pequeño de 200 a 300 pacientes, podríamos crear un modelo predictivo útil. Nuestro objetivo es organizar los 1,8 millones de ECG del sistema de registros médicos de la Universidad en una base de datos con capacidad de búsqueda para facilitar el análisis de ECG de gran volumen para respaldar proyectos futuros destinados a utilizar un ECG de 12 derivaciones para predecir resultados cardiovasculares y mejorar la atención al paciente”.