El prolapso de la válvula mitral (MVP) es una condición cardíaca que afecta aproximadamente al 2-3% de la población. Su diagnóstico mediante ecocardiografía transtorácica (TTE) es a menudo un proceso que consume tiempo y requiere una gran experiencia clínica.
Para abordar este reto, se desarrolló DROID-MVP (Dimensional Reconstruction of Imaging Data–Mitral Valve Prolapse), un avanzado modelo de aprendizaje profundo basado en la arquitectura MoViNet A2. Este modelo fue entrenado con una vasta cantidad de datos: más de un millón de clips de video TTE de 16,902 pacientes de cardiología del Hospital General de Massachusetts (MGH) y validado externamente en pacientes de MGH y Brigham and Women's Hospital (BWH).
Resultados Clave
- Diagnóstico Automatizado: DROID-MVP demostró una discriminación excelente en la clasificación del MVP, con un rendimiento superior en las pruebas de validación (AUROC entre 0.947 y 0.968).
- Fiabilidad: El modelo mostró ser más fiable en las pruebas repetidas (test-retest) que los diagnósticos seriados realizados por cardiólogos.
- Valor Pronóstico: Una puntuación alta del modelo (mayor a 0.67) se asoció significativamente con un mayor riesgo de desarrollar regurgitación mitral (MR) moderada o grave (OR ajustado 2.0) y, de manera crucial, con la necesidad futura de reparación o reemplazo de la válvula mitral (MVR) (HR ajustado 3.7).
Es notable que la asociación pronóstica se mantuvo incluso después de ajustar por otros factores de riesgo establecidos en las guías clínicas, lo que indica que el modelo logra capturar la verdadera significancia clínica del MVP, un hallazgo importante ya que no se utilizó información de Doppler.
En esencia, el aprendizaje profundo tiene el potencial de automatizar por completo el diagnóstico de MVP y de generar biomarcadores digitales que midan la gravedad real y el riesgo futuro de la enfermedad.
Referencias:
- JACC: Cardiovascular Imaging. - A Deep Learning Model to Identify Mitral Valve Prolapse From the Echocardiogram
Gloria O'Neill De Gracia
