IA aplicada a la angiotomografía coronaria: nuevo paradigma en la evaluación pronóstica de la carga de placa

Contexto

La angiotomografía computarizada coronaria (CCTA) ha escalado de un rol diagnóstico inicial a una modalidad de alta consistencia de fenotipado aterosclerótico. El uso del CAD-RADS 2.0 y del Score de Calcio (CACS), como herramientas rutinarias de evaluación, muestra “puntos ciegos”: el CACS subestima la carga de enfermedad con placas puramente no calcificadas, y la interpretación visual tiende a centrarse en la severidad luminal, sin considerar la carga total de placa. La aparición de la angiotomografía cuantitativa guiada por inteligencia artificial (AI-QCT) nos permite una cuantificación automatizada, reproducible y tridimensional de la aterosclerosis en todo el árbol coronario.

Objetivo

Establecer el valor pronóstico superior de la cuantificación por AI-QCT versus los estándares de lectura visual humana (CAD-RADS 2.0, CACS e Índice de Duke modificado) en la predicción de eventos cardíacos. Evaluar la capacidad de la AI-QCT para la estratificación de pacientes en riesgo de MACE y muerte/infarto (IM).

Diseño y método

Estudio observacional, internacional y multicéntrico (Registro CONFIRM2) que incluyó a 1,916 pacientes sintomáticos sin enfermedad coronaria conocida, seguidos por un período mínimo de 3 años. Utilizaron un software de IA validado (Cleerly Labs) para fenotipar tridimensionalmente todo el árbol coronario (segmentos ≥ 1.5 mm).
La IA evaluó 24 variables entre características de la placa y estenosis, donde se identificaron el volumen de placa no calcificada (NCPV) y la estenosis por diámetro como los predictores independientes más potentes.  Estadísticamente, definieron el área bajo la curva (AUC) y el índice de reclasificación neta (NRI) para medir la mejora en la precisión diagnóstica frente a los modelos convencionales.

Resultados

A 3 años de seguimiento en promedio, se registraron 87 eventos MACE (4.5%) y 27 eventos de muerte o infarto de miocardio (1.4%). El análisis mostró que la AI-QCT optimiza la estratificación del riesgo mediante los siguientes hallazgos:

• Demostró superioridad en la predicción con un AUC de 0.81 para MACE, frente a los estándares actuales: CAD-RADS (0.79), Índice de Duke modificado (0.76) y, de forma notable, el CACS (0.70).
• Mejoró la precisión en el pronóstico de muerte/IM (endpoint secundario), elevando el AUC a 0.80 frente al 0.74 del CAD-RADS y el 0.70 del score de calcio.
• Optimizó la reclasificación neta del paciente (NRI) para los criterios de riesgo de forma significativa, con un NRI frente a CAD-RADS de 0.47 (P < 0.001), índice de Duke modificado de 0.52 (P < 0.001) y CACS de 0.61 (P < 0.001).

En la enfermedad no obstructiva con estenosis < 70%, la AI-QCT se asoció significativamente con el incremento del AUC para muerte/infarto de 0.73 a 0.81 (P = 0.011), demostrando que la carga de placa es un motor de riesgo independiente de la severidad luminal visual.

Conclusión

Los datos del registro CONFIRM2 validan que la cuantificación de la placa mediante AI-QCT aporta información pronóstica superior a los informes clínicos visuales actuales, como CAD-RADS y el Score de Calcio (CACS). Punto clave es la subestimación diagnóstica mediante métodos tradicionales.

Mensaje

1. La AI-QCT mejora el juicio médico, facilitando una mejor estratificación de riesgo para un tratamiento preventivo, basándose en la carga real y composición de la placa, y no únicamente en la anatomía luminal.
2. La carga de placa no calcificada (NCPV) es el motor del riesgo, siendo la AI-QCT el nuevo estándar para identificarla.

Referencias:

1. JACC Cardiovasc Imaging. - Prognostic Value of AI-Based Quantitative Coronary CTA vs Human Reader-Based Visual Assessment