Tecnología médica · global
Fotografiar un electrocardiograma para detectar indicios de amiloidosis cardíaca: la IA de Yale se valida en ocho cohortes
Un electrocardiograma rutinario podría ser una vía para identificar una miocardiopatía oculta. El equipo de Yale utiliza IA aplicada a imágenes para ayudar a planificar pruebas posteriores, pero aún queda por completar la validación clínica que vincule el rendimiento del cribado con una mejora real del pronóstico de los pacientes.
El corazón se vuelve progresivamente rígido y termina desarrollando insuficiencia cardíaca; detrás de este proceso se ocultan a veces depósitos de proteínas que han pasado inadvertidos durante mucho tiempo. Como sus síntomas se parecen a los de otras enfermedades cardiovasculares, la amiloidosis cardíaca a menudo no se diagnostica hasta que aparecen complicaciones. Una plataforma de inteligencia artificial desarrollada por un equipo de la Universidad de Yale intenta detectar indicios en imágenes de electrocardiogramas habituales para ayudar a los médicos a determinar qué pacientes deberían tener prioridad para someterse a pruebas adicionales.
Este estudio se centra en la miocardiopatía amiloide por transtiretina (ATTR-CM). La transtiretina, producida principalmente por el hígado, puede plegarse incorrectamente debido a factores genéticos o al envejecimiento y formar material amiloide que se deposita en el corazón, vuelve rígido el músculo cardíaco y altera la conducción eléctrica cardíaca. La IA analiza los patrones de señales eléctricas que estas alteraciones podrían dejar; no observa directamente los depósitos de proteínas.
Una presentación publicada por la Facultad de Medicina de Yale el 25 de septiembre y una noticia sobre el mismo tema publicada por Medical Xpress el 30 de septiembre señalan que los médicos pueden acceder a la plataforma mediante un teléfono inteligente y fotografiar un electrocardiograma para que el modelo lo analice. Esto permite que los resultados de pruebas en papel o en formato de imagen también sirvan como punto de partida para el cribado. La finalidad del modelo es dirigir a los pacientes con sospecha de la enfermedad hacia una ecocardiografía y pruebas confirmatorias, no establecer un diagnóstico definitivo a partir de una sola fotografía.
El estudio diagnóstico publicado en línea en *JAMA* el 28 de agosto aporta datos de validación más concretos: para desarrollar el modelo se utilizaron 28.174 electrocardiogramas de 11.291 pacientes, de los cuales 293 tenían ATTR-CM. Además de validarlo con datos de pacientes de un período posterior dentro del sistema de Yale, el estudio incluyó ocho cohortes externas de Estados Unidos y Europa, que abarcaron distintos entornos asistenciales y poblaciones de cribado, entre ellas adultos mayores negros e hispanos con insuficiencia cardíaca y personas que se habían sometido a cirugía del túnel carpiano.
En la validación interna, el área bajo la curva de características operativas del receptor (AUROC) del modelo fue de 0,84, mientras que en las ocho cohortes externas osciló entre 0,76 y 0,91. Este indicador refleja la capacidad del modelo para distinguir entre personas con y sin la enfermedad y no puede interpretarse directamente como una «tasa de aciertos». Con el umbral preestablecido, la sensibilidad en la validación interna fue del 72% y la especificidad del 86%, lo que significa que algunos pacientes seguirían sin detectarse y que algunas personas sin la enfermedad serían clasificadas como casos sospechosos.
Por tanto, los resultados en las distintas cohortes respaldan su uso como primer paso para organizar pruebas posteriores, pero todavía no demuestran que su incorporación pueda reducir la insuficiencia cardíaca o la mortalidad. Los autores del estudio señalaron que los contextos de uso real y la calibración del modelo aún requieren una evaluación prospectiva. Yale también indicó que el TRACE-AI Network Study está investigando la incorporación de herramientas de IA multimodal en 13 centros médicos de Estados Unidos para evaluar cómo estos métodos pueden identificar la ATTR-CM dentro de procesos asistenciales a mayor escala.
También es necesario distinguir las etapas del proceso regulatorio. Según Yale y Medical Xpress, la herramienta ha recibido la designación de dispositivo innovador de la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) y sigue en revisión; esta designación no equivale a una autorización de comercialización. Que pueda convertir las señales de alerta del electrocardiograma en diagnósticos más oportunos dependerá de que los procesos clínicos puedan atender a los pacientes señalados y de que las pruebas posteriores identifiquen efectivamente a quienes necesitan tratamiento.