Herramienta de IA mapea miocardiopatía auricular para apoyar planificación de ablación

La miocardiopatía auricular implica anomalías eléctricas y estructurales en el tejido auricular, incluida la fibrosis, y está vinculada con la fibrilación auricular. Identificar el tejido afectado puede ayudar a los médicos a comprender la enfermedad y a planificar procedimientos como la ablación. La evaluación actual puede requerir un mapeo electroanatómico invasivo o resonancia magnética. Ahora, los investigadores han desarrollado un enfoque de inteligencia artificial para la evaluación no invasiva utilizando registros eléctricos de la superficie corporal.

Investigadores de la Universitat Politècnica de València (UPV) desarrollaron un modelo de inteligencia artificial basado en redes neuronales de grafos para localizar y cuantificar las anomalías del tejido auricular asociadas con la miocardiopatía auricular. El sistema analiza mapas de potencial de la superficie corporal obtenidos con electrodos colocados en todo el torso. Evalúa cómo se distribuyen espacialmente las señales eléctricas cardíacas y cómo cambian con el tiempo para identificar patrones vinculados con la ubicación y la extensión del tejido auricular afectado.

El estudio de prueba de concepto utilizó datos simulados y no implica una aplicación clínica inmediata. Los investigadores desarrollaron y evaluaron el modelo utilizando 14.400 mapas simulados de potencial de la superficie corporal generados a partir de diferentes anatomías auriculares y del torso. Las simulaciones incluyeron distintos grados y ubicaciones de miocardiopatía auricular, lo que permitió la evaluación en diversas configuraciones anatómicas.

En una configuración de referencia con 128 electrodos, el modelo logró una precisión del 89 % al localizar el tejido afectado, con una sensibilidad media del 89 % y una especificidad del 90 %. También alcanzó una precisión global del 84 % al determinar la extensión del tejido afectado. El sistema mantuvo su rendimiento al analizar anatomías no utilizadas durante el entrenamiento, y su desempeño se mantuvo relativamente estable cuando disminuyó la calidad de la señal.

El estudio se publicó en Discover Computing e involucró al Instituto de Tecnologías de la Información y Comunicaciones (ITACA) de la Universitat Politècnica de València, Corify Care S.L. y el Instituto de Tecnología de Karlsruhe. Los resultados también indicaron que la diversidad anatómica en los datos de entrenamiento era importante, ya que una mayor variación en los modelos auriculares y del torso mejoró la capacidad de clasificación. El siguiente paso señalado para este trabajo es la validación mediante registros de pacientes reales antes de su traslado a aplicaciones de planificación del tratamiento.

Enlaces relacionados
Universitat Politècnica de València