El estudio presenta un innovador algoritmo de aprendizaje profundo llamado PRESENT-SHD, diseñado para la detección y predicción automatizadas de múltiples cardiopatías estructurales (SHD) basada en inteligencia artificial a partir de imágenes de electrocardiogramas (ECG) de 12 derivaciones.
Se diseñaron modelos de redes neuronales convolucionales (CNN) que identifican diferentes tipos de SHD, utilizando como referencia ecocardiogramas transtorácicos (ETT) realizados dentro de los 30 días posteriores al ECG en el Yale New Haven Hospital (YNHH). Las SHD se definieron como fracción de eyección del ventrículo izquierdo <40%, enfermedad valvular izquierda moderada o grave (estenosis o regurgitación aórtica/mitral), o hipertrofia ventricular izquierda severa. Como modelo compuesto, se desarrolló un clasificador basado en XGBoost.
La validación externa se realizó en cuatro hospitales de EE.UU. y en una cohorte poblacional prospectiva ELSA-Brasil. Asimismo, el modelo se utilizó para estratificar el riesgo de enfermedad coronaria de reciente aparición o insuficiencia cardíaca (IC) en cohortes clínicas y el Biobanco del Reino Unido.
El desarrollo del modelo se basó en una amplia cohorte de 261.228 ECG correspondientes a 93.693 pacientes únicos. Para la validación interna se utilizó un ECG por paciente (n=11.023; 19% con SHD), mientras que la validación externa incluyó 44.591 pacientes (20–27% con SHD) y 3.014 participantes en ELSA-Brasil (3% con SHD). En el conjunto de prueba, PRESENT-SHD alcanzó un AUROC de 0,886, con sensibilidad del 90% y especificidad del 66%. En hospitales externos, el modelo mostró AUROC de 0,854 a 0,900, con sensibilidades del 93–96% y especificidades del 51–56%. En ELSA-Brasil, el rendimiento se mantuvo elevado (AUROC 0,853; sensibilidad 88%, especificidad 62%).
El modelo demostró consistencia entre subgrupos demográficos y fue robusto frente a distintos formatos de ECG, incluidas capturas y fotografías tomadas con teléfonos inteligentes. Un resultado positivo en el algoritmo se asoció con un riesgo 2 a 4 veces mayor de SHD o IC, incluso tras ajustar por comorbilidades y factores demográficos.
COMENTARIO
La detección precoz de SHD es esencial para modificar su evolución clínica. No obstante, su diagnóstico requiere de estudios de imagen como el ETT, cuyo acceso puede ser limitado en diversos entornos. En este contexto, PRESENT-SHD representa una herramienta accesible, escalable y de alto rendimiento, que permite utilizar el ECG, una prueba ampliamente disponible, como medio de cribado y estratificación del riesgo clínico de SHD. Su aplicación podría optimizar la priorización del uso de ETT y facilitar la intervención precoz, especialmente en contextos con recursos restringidos.Referencias:
Carolina Berenice Torres Terreros
