IA predice riesgo de enfermedades cardíacas utilizando una sola radiografía

Las guías actuales recomiendan estimar el riesgo a 10 años de eventos cardiovasculares adversos mayores para establecer quién debe recibir una estatina para la prevención primaria. Este riesgo se calcula utilizando la puntuación de riesgo de enfermedad cardiovascular aterosclerótica (ASCVD), un modelo estadístico que considera una serie de variables, que incluyen edad, sexo, raza, presión arterial sistólica, tratamiento de la hipertensión, tabaquismo, diabetes tipo 2 y análisis de sangre. La medicación con estatinas se recomienda para pacientes con un riesgo a 10 años del 7,5 % o superior. Ahora, los investigadores desarrollaron un modelo de aprendizaje profundo que utiliza una sola radiografía de tórax para predecir el riesgo de muerte a 10 años por un ataque cardíaco o un derrame cerebral, derivado de la enfermedad cardiovascular aterosclerótica.

El aprendizaje profundo es un tipo avanzado de inteligencia artificial (IA) que se puede entrenar para buscar imágenes de rayos X para encontrar patrones asociados con enfermedades. Un equipo de investigadores del Hospital General de Massachusetts (Boston, MA, EUA) entrenó un modelo de aprendizaje profundo usando una sola entrada de rayos X de tórax (RxT). Desarrollaron el modelo, conocido como riesgo CXR-CVD, para predecir el riesgo de muerte por enfermedad cardiovascular utilizando 147.497 radiografías de tórax de 40.643 participantes. Los investigadores probaron el modelo utilizando una segunda cohorte independiente de 11.430 pacientes ambulatorios (edad media 60,1 años; 42,9 % hombres) que se sometieron a una radiografía de tórax ambulatoria de rutina y eran potencialmente elegibles para la terapia con estatinas.

De 11.430 pacientes, 1.096, o el 9,6 %, sufrieron un evento cardíaco adverso mayor durante la mediana de seguimiento de 10,3 años. Hubo una asociación significativa entre el riesgo predicho por el modelo de aprendizaje profundo de riesgo CXR-CVD y los eventos cardíacos importantes observados. Los investigadores también compararon el valor pronóstico del modelo con el estándar clínico establecido para decidir la elegibilidad para las estatinas. Esto se pudo calcular en solo 2.401 pacientes (21 %) debido a la falta de datos (p. ej., presión arterial, colesterol) en el registro electrónico. Para este subconjunto de pacientes, el modelo de riesgo de CXR-CVD se desempeñó de manera similar al estándar clínico establecido e incluso proporcionó un valor progresivo. Se necesita investigación adicional, incluido un ensayo aleatorio controlado, para validar el modelo de aprendizaje profundo, que en última instancia podría servir como una herramienta de apoyo a la toma de decisiones para los médicos tratantes.

"Nuestro modelo de aprendizaje profundo ofrece una solución potencial para la detección oportunista basada en la población del riesgo de enfermedad cardiovascular utilizando imágenes de rayos X de tórax existentes", dijo el autor principal del estudio, Jakob Weiss, MD, radiólogo afiliado al Centro de Investigación de Imágenes Cardiovasculares de Hospital General de Massachusetts y el programa de IA en Medicine en el Hospital Brigham and Women's en Boston. "Este tipo de evaluación podría usarse para identificar a las personas que se beneficiarían de la medicación con estatinas pero que actualmente no reciben tratamiento".

"La belleza de este enfoque es que solo necesita una radiografía, que se adquiere millones de veces al día en todo el mundo", dijo el Dr. Weiss. "Basado en una sola imagen de rayos X de tórax existente, nuestro modelo de aprendizaje profundo predice futuros eventos cardiovasculares adversos importantes con un rendimiento similar y un valor incremental al estándar clínico establecido".

"Reconocemos desde hace mucho tiempo que los rayos X capturan información más allá de los hallazgos de diagnóstico tradicionales, pero no hemos utilizado estos datos porque no hemos tenido métodos sólidos y confiables", agregó el Dr. Weiss. "Los avances en IA lo están haciendo posible ahora".

Enlaces relacionados:
Hospital General de Massachusetts