← Volver al inicio

Primero puntuar y después analizar ecocardiogramas con IA: un estudio mejora la identificación de casos de HFpEF

En 280 pacientes derivados por sospecha de HFpEF, la incorporación por etapas del análisis de imágenes con IA elevó del 48% al 78% la proporción de casos confirmados identificados. Este resultado respalda una mayor validación del proceso diagnóstico, pero todavía no permite inferir que el rendimiento sea el mismo en las consultas ambulatorias generales.

By SURL BioNews

Que la proporción de sangre que expulsa el corazón se mantenga normal no significa que su funcionamiento esté libre de problemas. La dificultad para diagnosticar la insuficiencia cardíaca con fracción de eyección preservada (HFpEF) radica precisamente en identificar a estos pacientes, cuya enfermedad puede quedar oculta al considerar un único indicador. Un estudio publicado en el número de noviembre de *Journal of Cardiac Failure* muestra que aplicar primero una puntuación clínica y después incorporar el análisis de ecocardiogramas con IA en determinados pacientes podría cubrir lagunas del proceso diagnóstico existente.

El estudio incluyó a 280 pacientes ambulatorios derivados por sospecha de HFpEF, de los cuales 222, aproximadamente el 79%, fueron clasificados por el estudio como pacientes con HFpEF. El equipo investigador aplicó el modelo EchoGo HF a vídeos de ecocardiogramas en reposo; el modelo analiza la vista apical de cuatro cámaras, que permite visualizar simultáneamente las cuatro cavidades cardíacas. Después comparó sus resultados con la puntuación clínica H₂FPEF para evaluar si el análisis de imágenes podía aportar indicios adicionales.

Esta validación se centró en las presiones de llenado cardíaco, y no solo en el aspecto de las imágenes. Los pacientes se sometieron a una evaluación hemodinámica durante el ejercicio; los criterios de determinación de la enfermedad enumerados en el resumen abarcan presiones de llenado elevadas en reposo o durante el ejercicio medidas mediante cateterismo cardíaco derecho, y también incluyen el indicador ecocardiográfico E/e′ en reposo o durante el ejercicio. Por tanto, al interpretar los resultados hay que tener en cuenta que el estándar de referencia incluye distintas modalidades de examen y que no puede considerarse que todos los casos hayan sido confirmados mediante pruebas invasivas.

El hallazgo con mayor relevancia práctica procede de una estrategia de dos pasos: calcular primero la puntuación H₂FPEF y después utilizar selectivamente la IA en quienes presentan puntuaciones bajas o intermedias. Este proceso identificó al 78% de los casos confirmados, frente al 48% con la puntuación por sí sola, una diferencia de 30 puntos porcentuales. Ese 78% corresponde a la proporción de personas con la enfermedad que fueron identificadas, no a la exactitud diagnóstica global en todos los participantes evaluados ni al rendimiento de la IA utilizada por sí sola.

Al evaluar EchoGo HF por separado, el estudio comunicó una sensibilidad del 67,3% y una especificidad del 68,5%, lo que indica que el modelo sigue sin detectar algunos casos y clasifica como positivas a algunas personas sin la enfermedad. Además, 15 personas, aproximadamente el 5% del total, recibieron una clasificación indeterminada. Estos resultados recuerdan que las respuestas de la IA deben interpretarse junto con los datos clínicos y las pruebas posteriores, y que todavía no bastan para confirmar o descartar la enfermedad por sí solas.

Al combinar la IA con H₂FPEF, el AUROC, que mide la capacidad de distinguir entre personas con y sin la enfermedad, aumentó de 0,656 a 0,724, con una diferencia estadísticamente significativa (P = 0,021). La mejora se observó principalmente en pacientes con puntuaciones bajas e intermedias. El estudio también encontró que la clasificación de HFpEF por la IA se asociaba de forma independiente tanto con una mayor presión de enclavamiento capilar pulmonar como con un menor consumo máximo de oxígeno durante el ejercicio. Esto sugiere que las señales de las imágenes identificadas por el modelo podrían estar relacionadas con un deterioro de la función fisiológica, aunque esta asociación no demuestra el mecanismo de su interpretación.

Estos pacientes ya habían sido derivados por sospecha de enfermedad y cerca del 80% la presentaba, lo que supone una diferencia clara respecto a la población de las consultas ambulatorias generales o a las poblaciones asintomáticas sometidas a cribado. El estudio respalda seguir validando el valor de la IA dentro de un proceso diagnóstico específico, pero todavía no demuestra que su adopción permita reducir las pruebas invasivas, iniciar antes un tratamiento eficaz o mejorar el pronóstico; el artículo también declara que algunos autores trabajan para Ultromics, la empresa desarrolladora del modelo. El siguiente paso requiere estudios prospectivos que examinen, en distintos entornos asistenciales, cómo influye este proceso en la planificación de las pruebas y en los resultados de los pacientes.

References

  1. Heart Failure Society of America
  2. PubMed / Journal of Cardiac Failure
  3. Life Science Network