La amiloidosis cardiaca por transtirretina (AC-ATTR) es una miocardiopatía infiltrativa de curso progresivo y de mal pronóstico causada por el depósito extracelular de fibrillas de transtirretina y amiloide en el miocardio. A pesar de los esfuerzos en los últimos años en la concienciación y en la sospecha de la enfermedad sigue siendo todavía una enfermedad infradiagnosticada, con retrasos diagnósticos de 3-5 años. El retraso diagnóstico impacta fuertemente en el pronóstico de la enfermedad por lo que el diagnóstico precoz es clave. Además, en los últimos años tenemos a nuestra disposición tratamientos modificadores de la enfermedad que evitan el depósito de amiloide y con ello retrasan la progresión de la enfermedad siendo estos tratamientos más eficaces en fases iniciales. Por todo ello, sería deseable en el futuro de tener herramientas que ayuden en la sospecha y diagnóstico de la enfermedad en fases más tempranas.
La plataforma Willem AI es un algoritmo diagnóstico que utiliza la inteligencia artificial aplicado al ECG de 12 derivaciones para detectar la amiloidosis cardiaca por transtiretina. El presente artículo expone el desarrollo y la validación de esta plataforma Willen AI y trata de analizar su capacidad diagnóstica en pacientes con sospecha de amiloidosis así como en varios subgrupos clínicos relevantes (red flags) como la población con insuficiencia cardiaca, pacientes con estenosis aortica, síndrome de túnel del carpo o estenosis de canal lumbar y su capacidad diagnóstica en fases iniciales de la enfermedad.
Se trata de un estudio retrospectivo y unicéntrico que incluye 20.754 ECGs de un total de 2901 pacientes valorados por sospecha de amiloidosis en el hospital Puerta de Hierro de Madrid, de los cuales 585 tenían AC-ATTR y 2316 actuaron como controles con AC-ATTR descartada mediante gammagrafía negativa. El modelo Willem AI utiliza una arquitectura basada en redes neuronales convolucionales con análisis por ventanas temporales, combinando los resultados mediante max‑pooling para identificar segmentos compatibles con la enfermedad y así diferenciar ECG normales de ECG compatibles con amiloidosis cardíaca.
Los resultados muestran un rendimiento global sólido, con un AUC de 0.88, una sensibilidad del 80.7% y una especificidad del 78.5%. El modelo mantiene un comportamiento similar en ATTRv y ATTRwt, y funciona bien en subgrupos clínicos de riesgo típicos como insuficiencia cardiaca con fracción de eyección preservada (AUC 0.85) o reducida (AUC 0.88), estenosis aortica (AUC 0.89), síndrome del túnel carpiano (AUC 0.91), estenosis lumbar (AUC 0.91) y polineuropatía periférica (AUC 0.9). Además, demuestra capacidad para detectar la enfermedad en fases tempranas, incluyendo pacientes asintomáticos (NYHA I) o con niveles bajos de NT‑proBNP <600. Es más, el modelo pudo identificar señales de la enfermedad en ECGs registrados hasta seis meses antes del diagnóstico clínico, lo que refuerza su potencial para la detección precoz. Por último, un hallazgo especialmente relevante es su buen rendimiento en ECGs estimulados por marcapasos, un ámbito donde otros algoritmos suelen mostrar limitaciones.
Por todo ello, los autores concluyen que la plataforma Willem AI se perfila como una herramienta prometedora para la detección automatizada y precoz de la amiloidosis cardiaca por transtiretina, con potencial para integrarse en la práctica clínica y mejorar el manejo de estos pacientes.
Comentario
El presente artículo representa un paso prometedor que muestra cómo la inteligencia artificial podría ayudar en la detección la AC-ATTR mediante electrocardiogramas convencional.
El primer punto a destacar del estudio es que el modelo se evaluó en un contexto de sospecha de AC-ATTR y no frente a una población control sana sin enfermedad. Es decir, todos los pacientes del estudio presentaban síntomas, comorbilidades (red flags) o algún escenario clínico que motivó una sospecha clínica de ATTR‑CM, y aquellos del grupo control la AC-ATTR se descartó mediante gammagrafía y una evaluación experta en un centro de referencia. Esto convierte la tarea en un desafío diagnóstico mucho más exigente y, por tanto, otorga mayor valor clínico a los resultados y probablemente mayor utilidad en la práctica clínica.
Por otro lado, otro aspecto fuerte del estudio es que el rendimiento del modelo se mantiene estable en múltiples subgrupos clínicos, incluyendo aquellas poblaciones asociadas a AC-ATTR, como el síndrome del túnel carpiano, la estenosis lumbar, la EAo y la ICFEp. En estos escenarios, el AUC rondó 0.90, lo que sugiere que el uso sistemático de Willem AI en estos grupos de riesgo podría mejorar significativamente la detección de la AC-ATTR pudiendo utilizarse como cribado automatizado para aumentar la sospecha diagnóstica y probablemente realizar un diagnóstico más precoz.
Cabe señalar también que el modelo mostró una capacidad robusta para identificar la enfermedad incluso en fases tempranas, incluyendo pacientes en clase funcional NYHA I o con niveles bajos de NT‑proBNP. Este hallazgo es especialmente relevante porque la AC-ATTR suele diagnosticarse tarde, tras años de síntomas inespecíficos o atribuidos a otras patologías como hipertensión, cardiopatía hipertrofica o HFpEF. La posibilidad de detectar la enfermedad antes de que se produzca un daño estructural avanzado podría permitir iniciar terapias modificadoras de la enfermedad en fases más favorables, mejorando el pronóstico.
El estudio presenta varias limitaciones importantes que deben considerarse antes de generalizar los resultados. En primer lugar, se trata de un estudio retrospectivo y unicéntrico, realizado en un hospital de referencia especializado en amiloidosis. Esto implica que la población estudiada no refleja necesariamente la diversidad de pacientes atendidos en hospitales comunitarios o en sistemas sanitarios con diferentes patrones de derivación. La prevalencia de la enfermedad, las características clínicas y la complejidad de los casos pueden diferir sustancialmente en otros entornos.
Otra limitación relevante es la falta de explicabilidad del modelo. Aunque el rendimiento es alto, no se detalla qué características del ECG son las que la IA utiliza para identificar la enfermedad y esto podría limitar la aceptación por parte de profesionales sanitarios que requieren comprender los fundamentos de las decisiones algorítmicas.
Por último, creo que sería necesario realizar validaciones externas más amplias y para ello, ya está en marcha el estudio multicéntrico CONCERTO, que incluirá centros de Europa, Reino Unido y Estados Unidos, y que permitirá evaluar la generalizabilidad del modelo en diferentes sistemas sanitarios y poblaciones. Si herramientas como Willem AI se validan en poblaciones más amplias, creo que se podrían incorporarse de forma rutinaria en hospitales y atención primaria.
Como conclusión final, el estudio muestra como la inteligencia artificial puede transformar la cardiología moderna. La aplicación de la IA a un simple ECG que sea capaz de detectar enfermedades tan complejas como la AC-ATTR puede revolucionar nuestra especialidad, aunque creo que tenemos que ser prudentes sobre el futuro de la IA médica: una tecnología con enorme potencial, aunque sin perder de vista la el criterio clínico y pendiente de una validación científica rigurosa.
Referencias:
- Heart Rhythm. - Improving transthyretin cardiac amyloidosis detection from electrocardiograms through the Willem artificial intelligence platform
Xabier Arana Achaga
