Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

la aproximación AI-basada puede permitir que los ECG sean utilizados para descubrir la cardiomiopatía hipertrófica

Una aproximación basada en la inteligencia artificial (AI) puede permitir que los ECG sean utilizados para revisar para la cardiomiopatía hipertrófica en el futuro. Con cardiomiopatía hipertrófica, las paredes del corazón llegan a ser gruesas y pueden interferir con la capacidad del corazón de funcionar correctamente. La enfermedad también predispone a algunos pacientes a los ritmos anormales potencialmente fatales. La tecnología actual del ECG ha limitado el rendimiento diagnóstico para esta enfermedad.

La nueva investigación de la clínica de Mayo sugiere que una red neuronal circumvolucional AI se pueda entrenar para descubrir características no vistas de la cardiomiopatía hipertrófica. El ECG del guía del patrón 12 es una prueba fácilmente disponible, barata que se puede realizar en muchas fijaciones, incluyendo ésos con los recursos limitados.

La cardiomiopatía hipertrófica puede underdiagnosed porque no causa a menudo síntomas. Los pacientes están a menudo inconscientes ellos la tienen hasta que experimenten complicaciones, pero la identificación con anticipación puede ser importante. La cardiomiopatía hipertrófica es una de las causas de la muerte súbita de cabeza en los adolescentes y los adultos jovenes que participan en deportes.

Peter Noseworthy, M.D., cardiólogo de la clínica de Mayo, sugiere que el AI pudiera ofrecer un método efectivo y fácilmente disponible para la diagnosis anterior de la cardiomiopatía hipertrófica con un ECG. El Dr. Noseworthy es autor mayor en un estudio nuevamente publicado en el gorrón de la universidad americana de la cardiología: “Detección de la cardiomiopatía hipertrófica usando un electrocardiograma Red-Habilitado de los nervios circumvolucional.”

Los investigadores entrenaron y validaron a una red neuronal circumvolucional usando ECG digital de 12 guías a partir de 2.448 pacientes conocidos para tener cardiomiopatía hipertrófica y 51.153 quién no lo hicieron, igualando los temas del mando para la edad y el sexo. Probaron después la capacidad del AI de descubrir la enfermedad en un diverso grupo de 612 temas con cardiomiopatía hipertrófica y de 12.788 temas del mando.

Para las pruebas diagnósticas tales como esta red neuronal, el funcionamiento diagnóstico se mide matemáticamente con el área bajo la curva de receptor característica de mando, en una escala donde 0,5 es pobre (tirón de una moneda) y 1,0 es excelentes (prueba perfecta). La medición se relaciona con la capacidad de la prueba de determinar correctamente a los pacientes que tienen la enfermedad (sensibilidad), y de determinar correctamente a los pacientes que no tienen la enfermedad (especificidad).

Para la comparación, una prueba positiva típica del prueba Pap tendría un área bajo la curva de 0,7 y un mamograma sería 0,85. El estudio encontró que la capacidad del AI de determinar a pacientes con cardiomiopatía hipertrófica de ésos sin ella tenía un área bajo la curva de 0,96 - un calculador potente.

El buen funcionamiento en pacientes con un ECG normal es fascinador. Es interesante ver que incluso un ECG normal puede parecer anormal a una red neuronal circumvolucional. Esto soporta el concepto que estas redes encuentran las configuraciones que están ocultando en mira llana.”

El Dr. Peter Noseworthy, M.D., cardiólogo de la clínica de Mayo

El estudio también probó el AI en subgrupos. El área bajo la curva para predecir la cardiomiopatía hipertrófica en un grupo de pacientes diagnosticados con la hipertrofia ventricular izquierda, una enfermedad causada por la tensión arterial alta que también es caracterizada espesando de pared del corazón, era 0,95. El área bajo la curva en el subgrupo con solamente ECG normales era también 0,95. El área bajo la curva para el subgrupo de pacientes diagnosticados con la estenosis aórtica (el estrecharse de la válvula) era 0,94. La prueba realizada semejantemente bien en un subconjunto de los pacientes que genético habían sido probados y confirmados para tener mutaciones patógenas para la enfermedad.

“Los subgrupos son importantes para entender cómo aplicar la prueba. Es bueno ver que el AI se realiza cuando el ECG es normal así como cuando es hipertrofia ventricular izquierda debida anormal,” dice bien a Konstantinos Siontis, M.D., cardiólogo residente en la clínica de Mayo y co-primer autor del estudio. “Quizás aún más importante es el hecho de que el algoritmo se realizó mejor en el subconjunto más joven de pacientes en nuestro estudio (bajo 40 años), que destaca su valor potencial en el blindaje de adultos más jovenes.”

Sigue habiendo más investigación ser hecho, por ejemplo la prueba del AI en otras poblaciones, niños y adolescentes adultos para descubrir dónde trabaja bien y dónde falla.

“Ésta es una prueba del concepto prometedora, pero advertiría que, a pesar de su funcionamiento potente, cualquier prueba de cribado para una condición relativamente infrecuente está destinada para tener altos regímenes del positivo falso y valor profético positivo inferior en una población en general. Todavía necesitamos entender mejor qué poblaciones determinadas se beneficiarán de esta prueba como herramienta de la investigación,” decimos al Dr. Siontis.

“También necesitamos aprender más sobre qué características específicas de la cardiomiopatía hipertrófica está descubriendo esta red. Esperamos aprender cómo aplicar esta tecnología a los pacientes de blindaje y de manejo en las familias afectadas por esta enfermedad,” agrega al Dr. Noseworthy.

Source:
Journal reference:

Ko, W-Y., et al. (2020) Detection of Hypertrophic Cardiomyopathy Using a Convolutional Neural Network-Enabled Electrocardiogram. Journal of the American College of Cardiology. doi.org/10.1016/j.jacc.2019.12.030.