MADRID, 27 Dic. (EUROPA PRESS) -
Una nueva puntuación de inteligencia artificial proporciona una previsión más precisa de la probabilidad de que los pacientes con sospecha de enfermedad coronaria o ya conocida mueran en un plazo de 10 años que las puntuaciones utilizadas por los profesionales de la salud en todo el mundo. La investigación se presenta en EuroEcho 2021, un congreso científico de la Sociedad Europea de Cardiología (ESC).
A diferencia de los métodos tradicionales basados en datos clínicos, la nueva puntuación también incluye información de imagen sobre el corazón, medida mediante resonancia magnética cardiovascular (RMC) de estrés. El término "estrés" hace referencia al hecho de que los pacientes reciben un fármaco que imita el efecto del ejercicio sobre el corazón mientras están en el escáner de resonancia magnética.
"Este es el primer estudio que demuestra que el aprendizaje automático con parámetros clínicos más la RMC de estrés puede predecir con gran exactitud el riesgo de muerte", afirma el autor del estudio, el doctor Theo Pezel, del Hospital Johns Hopkins, en Estados Unidos.
Resalta que sus resultados "indican que los pacientes con dolor torácico, disnea o factores de riesgo de enfermedad cardiovascular deberían someterse a un examen de RMC de esfuerzo y calcular su puntuación. Esto nos permitiría hacer un seguimiento más intenso y aconsejar sobre el ejercicio, la dieta, etc. a los que más lo necesitan".
La estratificación del riesgo se utiliza habitualmente en pacientes con enfermedades cardiovasculares o con alto riesgo de padecerlas para adaptar el tratamiento destinado a prevenir el infarto, el ictus y la muerte súbita cardíaca.
Las calculadoras convencionales utilizan una cantidad limitada de información clínica, como la edad, el sexo, el hábito de fumar, la presión arterial y el colesterol. En este estudio se examinó la precisión del aprendizaje automático mediante el uso de la RMC de esfuerzo y los datos clínicos para predecir la mortalidad por cualquier causa a 10 años en pacientes con sospecha de enfermedad arterial coronaria o conocida, y se comparó su rendimiento con las puntuaciones existentes.
El doctor Pezel explica que, "para los médicos, algunos datos recogidos de los pacientes pueden no parecer relevantes para la estratificación del riesgo. Pero el aprendizaje automático puede analizar un gran número de variables simultáneamente y puede encontrar asociaciones que no sabíamos que existían, mejorando así la predicción del riesgo", asegura.
El estudio incluyó a 31.752 pacientes remitidos para una RMC de esfuerzo entre 2008 y 2018 a un centro de París por dolor torácico, falta de aire al hacer esfuerzos o alto riesgo de enfermedad cardiovascular pero sin síntomas. El alto riesgo se definió como tener al menos dos factores de riesgo como hipertensión, diabetes, dislipidemia y tabaquismo actual. La edad media era de 64 años y el 66% eran hombres.
Se recogió información sobre 23 parámetros clínicos y 11 de RMC. Se realizó un seguimiento de los pacientes durante una mediana de seis años para determinar la muerte por todas las causas, que se obtuvo del registro nacional de mortalidad de Francia. Durante el período de seguimiento, murieron 2.679 (8,4%) pacientes.
El aprendizaje automático se realizó en dos pasos. En primer lugar, se utilizó para seleccionar cuáles de los parámetros clínicos y de RMC podían predecir la muerte y cuáles no. En segundo lugar, se utilizó el aprendizaje automático para construir un algoritmo basado en los parámetros importantes identificados en el primer paso, asignando un énfasis diferente a cada uno para crear la mejor predicción. A continuación, se asignó a los pacientes una puntuación de 0 (bajo riesgo) a 10 (alto riesgo) en cuanto a la probabilidad de muerte en un plazo de 10 años.
La puntuación de aprendizaje automático fue capaz de predecir qué pacientes estarían vivos o muertos con una precisión del 76% (en términos estadísticos, el área bajo la curva fue de 0,76). "Esto significa que en aproximadamente tres de cada cuatro pacientes, la puntuación hizo la predicción correcta", destaca Pezel.
Con los mismos datos, los investigadores calcularon el riesgo de muerte por todas las causas a 10 años utilizando puntuaciones establecidas (Systematic COronary Risk Evaluation [SCORE], QRISK3 y Framingham Risk Score [FRS]) y una puntuación derivada previamente que incorporaba datos clínicos y de RMC (clinical-stressCMR [C-CMR-10])2, ninguna de las cuales utilizó el aprendizaje automático. La puntuación de aprendizaje automático tuvo un área bajo la curva significativamente mayor para la predicción de la mortalidad por todas las causas a 10 años en comparación con las otras puntuaciones.
"La RMC de estrés es una técnica segura que no utiliza radiación --comenta Pezel--. Nuestros resultados sugieren que la combinación de esta información de imagen con los datos clínicos en un algoritmo producido por la inteligencia artificial podría ser una herramienta útil para ayudar a prevenir las enfermedades cardiovasculares y la muerte súbita cardíaca en pacientes con síntomas o factores de riesgo cardiovascular".
