La disfunción sistólica del ventrículo izquierdo (LVSD, por sus siglas en inglés) a menudo se diagnostica solo después de que los pacientes desarrollan síntomas. Akshay Khont y sus colegas de la Universidad de Yale sugieren que la IA podría desempeñar un papel más amplio en la detección.

Los investigadores dicen que entrenar un modelo de IA para identificar LVSD a partir de datos de ECG de una sola derivación permitirá una mayor confiabilidad y un diagnóstico más temprano. (Crédito de la imagen: Windawake – stock.adobe.com)

Aunque la IA ya es una herramienta de detección prometedora, los algoritmos se incorporaron en 12 ECG obtenidos clínicamente. Además, los dispositivos portátiles a menudo obtienen datos ruidosos debido, por ejemplo, al contacto deficiente de los electrodos piel con piel, el movimiento y la contracción muscular durante el ECG y la interferencia eléctrica externa.

Entrenar el modelo de IA para identificar con precisión LVSD a partir de datos de ECG de una sola derivación con flexibilidad para manejar grandes artefactos ruidosos permitiría un diagnóstico más temprano y confiable. LVSD se asocia con un mayor riesgo de insuficiencia cardíaca y muerte prematura.

En su estudio publicado en Medicina digital NPJ El 11 de julio, los investigadores utilizaron 385 601 máquinas de ECG, que representaban a 116 210 pacientes con registros completos de ECG de 12 derivaciones, para desarrollar dos modelos: un modelo estándar y un modelo adaptado al ruido. Entrenaron el modelo adaptado al ruido aumentando los electrocardiogramas con ruido personalizado en cuatro bandas de frecuencia que simulan fuentes de ruido del mundo real, como artefactos del movimiento. Ambos modelos fueron entrenados para detectar una fracción de eyección del ventrículo izquierdo inferior al 40%.

Ambos modelos funcionaron de manera similar en un ECG estándar, pero en pruebas con ruido de dispositivo portátil, el modelo adaptado al ruido detectó mejor el LVSD, incluso en máquinas de ECG que tenían el doble de ruido de señal. De hecho, manejó el ruido que el modelo no había encontrado antes, al tiempo que mantuvo la robustez del modelo para distinguir etiquetas ocultas complejas, un beneficio importante para los dispositivos portátiles, que capturan EKG en entornos con diferentes tipos y volúmenes de ruido. En particular, el algoritmo se desarrolló y validó en una variedad de poblaciones y mostró un rendimiento constante en los subgrupos de edad, género y etnia.

Los investigadores dicen que debido a que no hay conjuntos de datos de ECG portátiles disponibles públicamente, los modelos de entrenamiento que usan directamente datos de ECG portátiles son un desafío. Los modelos actuales basados ​​en el ECG de 12 derivaciones están limitados por las inversiones de los sistemas de salud para integrar las herramientas en los repositorios digitales de ECG, «y por lo tanto se limitan a las personas que realmente buscan atención en esos sistemas». Es posible que la tecnología no esté disponible o no sea rentable para hospitales y clínicas más pequeños con acceso limitado a máquinas de ECG digitales.

Los dispositivos portátiles permiten la detección a nivel de la comunidad, anotaron, «lo cual es un próximo paso importante en la detección temprana de cardiomiopatías comunes y raras».

Los investigadores dicen que su enfoque representa un gran avance desde un punto de vista metodológico y clínico. Entre otras cosas, muestra que al aumentar el ruido, los modelos de ECG de una sola derivación pueden mantener el rendimiento pronóstico de los modelos de ECG de 12 derivaciones.

También evita la exclusión innecesaria de los datos recopilados, lo que aumenta su capacidad de generalización en diferentes plataformas de dispositivos, lo que es particularmente importante para los programas de detección en toda la comunidad, que pueden no ser capaces de recopilar muchos ECG por persona y cumplir consistentemente con umbrales de calidad de señal altos para cada participante.