Predicción de fibrilación auricular: Aprendizaje profundo vs. modelos clínicos y poligénicos

El estudio explora el uso del aprendizaje profundo aplicado a electrocardiogramas (ECG-AI) para predecir la fibrilación auricular o aleteo auricular en comparación con modelos clínicos tradicionales y puntajes poligénicos. La fibrilación auricular es la arritmia cardíaca sostenida más común y está asociada con un mayor riesgo de accidente cerebrovascular, insuficiencia cardíaca, deterioro cognitivo, hospitalizaciones y muerte. La detección temprana de fibrilación auricular permite implementar medidas para prevenir la morbilidad y mortalidad relacionadas. Este estudio introduce un modelo de ECG-AI desarrollado en el Instituto del Corazón de Montreal y lo compara con otros enfoques para mejorar la predicción de fibrilación auricular.

Objetivos del estudio

El objetivo principal fue evaluar la capacidad predictiva del modelo ECG-AI para identificar la aparición de fibrilación auricular en los próximos cinco años, utilizando registros de ECG en ritmo sinusal. El estudio también comparó la precisión del ECG-AI con modelos clínicos tradicionales (como CHARGE-AF y HATCH) y con puntajes de riesgo poligénicos. Además, se exploró la combinación de estos métodos para mejorar la estratificación del riesgo de fibrilación auricular.

Métodos

El estudio fue una cohorte retrospectiva que incluyó 669.782 ECGs de 145.323 pacientes del Instituto del Corazón de Montreal entre 2004 y 2022. Los ECGs se dividieron aleatoriamente en conjuntos de entrenamiento (70%), validación (10%) y prueba (20%), asegurando una distribución equilibrada de edad, sexo y resultados. El modelo ECG-AI se entrenó utilizando una red neuronal profunda ResNet-50 y se probó en subgrupos definidos. La validación externa se realizó en el conjunto de datos MIMIC-IV del Centro Médico Beth Israel Deaconess, Boston, USA.

Resultados

1. Desempeño del modelo ECG-AI: El modelo ECG-AI mostró una capacidad discriminativa superior para predecir fibrilación auricular en comparación con los modelos de riesgo clínico tradicionales, con un área bajo la curva ROC (AUC-ROC) de 0,78. En el análisis de tiempo hasta el evento, el ECG-AI identificó un riesgo 4,3 veces mayor de fibrilación auricular en el 26% de la población.
2. Comparación con modelos clínicos y poligénicos: En un subgrupo de 2.301 pacientes, el ECG-AI superó a CHARGE-AF (AUC=0,62) y PGS (AUC=0,59). La combinación de ECG-AI con PGS y CHARGE-AF mejoró el ajuste del modelo (prueba de razón de verosimilitud p<0,001) con cambios mínimos en la AUC (0,76-0,77).
3. Validación externa y análisis de subgrupos: En la cohorte de validación externa, el modelo ECG-AI mantuvo un rendimiento consistente (AUC=0,77). Además, demostró una capacidad predictiva superior en mujeres comparado con hombres y un rendimiento consistente en diferentes grupos de edad y estatus socioeconómico.

Discusión

El modelo ECG-AI demostró ser una herramienta precisa para predecir la fibrilación auricular de nueva aparición en un entorno de atención cardíaca terciaria, superando a los modelos de riesgo clínico y poligénico. La incorporación de ECG-AI con otros métodos de predicción ofrece un enfoque integral para la estratificación del riesgo de fibrilación auricular, lo cual podría ser beneficioso para mejorar las estrategias de detección temprana y prevención. Los mapas de saliencia sugieren que el área de la onda P en el ECG tiene la mayor influencia en la predicción del riesgo de fibrilación auricular, lo que resalta la importancia de identificar firmas de miopatía auricular.

Conclusiones

El estudio muestra que el modelo ECG-AI es superior a los puntajes poligénicos y los modelos clínicos tradicionales para predecir el riesgo de fibrilación auricular de nueva aparición en un entorno de atención cardíaca especializada. Este enfoque innovador puede mejorar significativamente la detección temprana y la gestión del riesgo de fibrilación auricular, lo que contribuye a mejores resultados clínicos y a una mejor utilización de los recursos de salud.