La identificación del síndrome coronario agudo es un desafío en la práctica clínica. El electrocardiograma (ECG) de 12 derivaciones está fácilmente disponible durante la evaluación inicial del paciente, pero los enfoques actuales de interpretación basados en reglas carecen de precisión suficiente. En este artículo, se proponen métodos de predicción basados en el aprendizaje automático del síndrome coronario agudo o isquemia miocárdica aguda subyacente en pacientes con dolor torácico.
Presentación
“Predicción basada en el aprendizaje automático del síndrome coronario agudo usando solo el electrocardiograma prehospitalario de 12 dereivaciones” (“Machine learning-based prediction of acute coronary syndrome using only the pre-hospital 12-lead electrocardiogram”) es un artículo científico elaborado por Al-Zaiti S., Besoni L., Bouzid Z., Faramand Z., Frisch S., Martin-Gill C., Gregg R., Saba S., Callaway C. y Sejdic, y publicado en el año 2020 por la revista científica “Nature Communications”, el cual presenta nuevos métodos probados con éxito de predicción basada en el aprendizaje automático del síndrome coronario agudo o isquemia miocárdica aguda subyacente en pacientes con dolor torácico, utilizando el electrocardiograma prehospitalario de 12 derivaciones ya existente.
Casi siete millones de estadounidenses visitan el departamento de emergencias anualmente por una queja de dolor en el pecho. Aproximadamente, el diez por ciento de esos pacientes tienen una interrupción aguda en el suministro de sangre al corazón atribuida a una enfermedad aterosclerótica subyacente en las arterias coronarias, una afección potencialmente mortal conocida como síndrome coronario agudo o isquemia miocárdica aguda; y del 50 al 75% de los siete millones de pacientes con dolor torácico ingresan en el hospital, porque la evaluación clínica inicial no es suficiente para confirmar o descartar un síndrome coronario agudo.
Este problema resulta de la baja sensibilidad del electrocardiograma (ECG) y de los datos clínicos iniciales. Como primera prueba clínica disponible, el ECG estándar de 10s de 12 derivaciones puede identificar un pequeño subconjunto de pacientes con síndrome coronario agudo que tienen elevación del segmento ST en su ECG, de ahí el término infarto de miocardio con elevación del ST (STEMI). Sin embargo, la mayoría de los pacientes con síndrome coronario agudo, no tienen tal elevación del segmento ST y, por lo tanto, requieren un enfoque basado en biomarcadores que requiere mucho tiempo y/o pruebas de provocación para descartar una isquemia miocárdica aguda.
El estrechamiento crítico o la oclusión de una arteria coronaria provoca isquemia miocárdica en la región irrigada por esa arteria. La isquemia regional conduce a la reducción de la duración, el potencial de reposo y la velocidad de propagación, de los potenciales de acción en el miocardio afectado, lo que conlleva a una amplia variabilidad en las velocidades de conducción entre varias regiones miocárdicas. La variabilidad en las velocidades de conducción entre las paredes epicárdica y endocárdica de la región afectada, da como resultado cambios temporales en derivaciones de ECG específicas dirigidos hacia esa región (es decir, características de duración y amplitud de la forma de onda en derivaciones individuales), mientras que la variabilidad en las regiones isquémicas y el miocardio sano, da como resultado cambios espaciales entre derivaciones de ECG ortogonales (es decir, características de heterogeneidad eléctrica global). Por lo tanto, el uso de características temporales y espaciales del ECG de 12 derivaciones, sería más sólido para detectar el síndrome coronario agudo que el uso exclusivo de características de forma de onda temporal, como la elevación del segmento ST.
Una herramienta de apoyo a la toma de decisiones clínicas basada en ECG ultra precoz, cuando se combina con el juicio de personal de emergencia capacitado, ayudaría a mejorar los resultados clínicos y reducir los costos innecesarios en pacientes con dolor torácico. Un solo ECG de 10 s y 12 derivaciones proporciona una gran cantidad de características espacio-temporales y, por lo tanto, es una rica plataforma de datos para modelar y cuantificar la presencia de isquemia miocárdica. Los autores de este trabajo han demostrado que la isquemia de leve a moderada distorsiona las características espacio-temporales del ECG de 12 derivaciones antes de que evolucionen los cambios de ST, lo que sugiere que es plausible crear algoritmos sensibles de clasificación de síndrome coronario agudo utilizando solo el ECG de 12 derivaciones.
Así pues, las herramientas de clasificación más sensibles que utiliza el ECG de 12 derivaciones, podrían mejorar la velocidad y la precisión de la detección del síndrome coronario agudo. No obstante, el análisis de las características de ECG altamente correlacionadas y de alta dimensión, requiere clasificadores sofisticados de aprendizaje automático del síndrome coronario agudo. En este artículo, sus autores han desarrollado nuevos métodos basados en aprendizaje automático del síndrome coronario agudo subyacente en pacientes con dolor torácico utilizando solo el ECG estándar de 12 derivaciones.
Para probar estos métodos, utilizaron dos grandes cohortes prospectivas de tres hospitales de atención terciaria de Estados Unidos, cada una de las cuales incluye ECG de 12 desviaciones consecutivos obtenidos durante el primer contacto médico. Pero no solo han utilizado las características tradicionales del ECG, sino que también han aprovechado las novedosas características espacio-temporales del ECG de 12 derivaciones; así como la selección de características y la grabación de datos se guían por el conocimiento específico del dominio de la naturaleza patológica de la isquemia miocárdica aguda.
Así pues, usando diferentes clasificadores basados en aprendizaje automático entrenados y probados en cohortes prospectivas separadas, llegaron a un modelo que, si bien mantiene un valor predictivo negativo más alto, el modelo de fusión final logra una ganancia del 52% en la sensibilidad en comparación con el software de interpretación comercial, y una ganancia del 37% en la sensibilidad en comparación con los médicos experimentados.
Métodos
A continuación, se narran los métodos llevados a cabo por los científicos para obtener sus métodos de predicción de aprendizaje automático del síndrome coronario agudo usando el ECG de 12 derivaciones prehospitalario.
Diseño y ambientación
El conjunto de datos utilizado se obtuvo del estudio EMPIRE, el cual es un estudio observacional prospectivo de cohortes que reclutó pacientes consecutivos con dolor torácico no traumático, transportados por servicios médicos de emergencia a uno de los tres hospitales de atención terciaria afiliados a la UPMC Presbyterian, Mercy y Shadyside.
Según los protocolos médicos prehospitalarios, se obtienen ECG estándar de 10 s y 12 derivaciones en todos los pacientes con sospecha de síndrome coronario agudo durante el primer contacto médico. Si se consideraba que la evaluación inicial del paciente por parte de los paramédicos era altamente sospechosa de isquemia cardíaca, entonces el ECG se transmitía al comando médico de UPMC, donde los datos digitales sin procesar del ECG se almacenan permanentemente. En el estudio EMPIRE, reclutaron a todos los pacientes con dolor torácico consecutivos con datos de ECG transmitidos.
Cabe indicar que este estudio fue aprobado por la Junta de Revisión Institucional de la Universidad de Pittsburgh y se han seguido todas las normas éticas pertinentes sobre experimentos con humanos, incluida la declaración de Helsinki. Este estudio tuvo un riesgo mínimo para el paciente, fue observacional, no hubo cambios en la atención médica de rutina, no hubo contacto directo con los pacientes y los datos de seguimiento se recopilaron después de que se completó toda la atención médica de rutina. Por lo tanto, y con el fin de reclutar una cohorte imparcial y representativa de pacientes consecutivos, los datos se recopilaron bajo una renuncia al consentimiento informado. El único riesgo mínimo fue la violación de la confidencialidad durante la extracción de datos de la historia clínica electrónica. Como tal, solo los autores que tenían responsabilidades clínicas inmediatas hacia la población del estudio o sus delegados, tenían acceso a la información de salud identificable y a la lista de enlaces de identificación del estudio, mientras que todos los demás autores tuvieron acceso solo a datos no identificados durante el análisis de datos.
El conjunto de datos total consistió en 1251 pacientes del estudio EMPIRE de los cuales se disponía de datos de resultados de seguimiento de 30 días. La primera cohorte (2013-2014) incluyó a 745 pacientes y la segunda cohorte (2014-2015) incluyó a 499 pacientes con ECG interpretables (es decir, sin ruido excesivo ni artefactos, sin taquicardia ventricular ni fibrilación).
Para que el error marginal máximo de las estimaciones (precisión) no excediera el 5% con un nivel de confianza del 95%, a los valores de validación deseados de sensibilidad y especificidad del 90%, el tamaño de muestra mínimo requerido para la detección de síndrome coronario agudo dada una prevalencia de al menos el 15%, fue 927.
Además, dado que el aprendizaje automático no sigue las mismas reglas estadísticas para la estimación del tamaño de la muestra, evaluaron la idoneidad del tamaño de la muestra para sus clasificadores de aprendizaje automático, evaluando el sobreajuste de los modelos.
Estándar de referencia de ECG
Dos médicos independientes que desconocían el resultado del estudio, evaluaron la imagen de ECG de 12 derivaciones de cada paciente. Todos los ECG se anonimizaron, se etiquetaron con la ID del estudio y se almacenaron en un servidor seguro. En primer lugar, se excluyeron de este análisis los ECG con ruido excesivo o taquicardia o fibrilación ventricular (Cohorte 1 n = 5/750; Cohorte 2 n = 2/501). Todos los demás ECG disponibles, incluidos aquellos con marcapasos, bloqueos de rama, fibrilación auricular o hipertrofia ventricular izquierda, se incluyeron en el análisis.
En segundo lugar, cada revisor etiquetó los cambios diagnósticos en el ECG de acuerdo con la cuarta declaración de consenso de la definición universal de infarto de miocardio como dos derivaciones contiguas. Cada revisor tomó una determinación final sobre la probabilidad de un síndrome coronario agudo subyacente (sí/no). Los desacuerdos fueron resueltos por un cardiólogo certificado por la junta.
Además, para ubicar las comparaciones entre sus clasificadores de aprendizaje automático y los estándares de referencia de ECG en un contexto, utilizaron la puntuación HEART como referencia para el rendimiento de clasificación logrado en la práctica clínica actual.
Datos de electrocardiograma
Todos los archivos de ECG digitales se adquirieron con el monitor desfibrilador HeartStart MRX a 500 muestras/segundo (Philips Healthcare). El preprocesamiento de la señal de ECG estándar se completó utilizando un software comercial específico del fabricante en el Centro de Investigación de Algoritmos Avanzados de Philips Healthcare (Andover, MA). Primero, se descomprimieron las señales de ECG digital sin procesar y se extrajeron las derivaciones de ECG. Se eliminaron el ruido, los artefactos y los latidos ectópicos, y se calculó el latido promedio representativo de cada derivación de ECG, lo que produjo una alta relación señal-ruido y una señal de forma de onda promedio estable para cada una de las 12 derivaciones. La extracción de características se realizó en estos latidos representativos.
Así, obtuvieron un total de 587 características de ECG espacio-temporales extraídas de cada ECG de 12 derivaciones. Sin embargo, para protegerse contra la pérdida sistemática de datos debido al ruido y los artefactos que suelen ser comunes en el entorno prehospitalario (p. ej., electrodos que se despegan), evaluaron manualmente cada registro para excluir los ECG de mala calidad o con derivaciones fallidas, los cuales solo fueron el 3%. Después, también eliminaron los datos de características desequilibradas (<5% con valores distintos de cero). Finalmente, el conjunto de datos final incluyó 554 funciones disponibles para entrenar clasificadores de aprendizaje automático. Cualquier valor residual perdido al azar se imputó utilizando la media o la moda.
A continuación, para evaluar la complejidad de las correlaciones no lineales en las características de ECG evaluadas, utilizaron la técnica de eliminación de características recursivas para identificar las características más importantes anidadas en los clasificadores de aprendizaje automático desarrollados. Como se esperaban, las correlaciones lineales no pudieron separar a los pacientes con o sin la enfermedad, favoreciendo computacionalmente los clasificadores no lineales como GBM y ANN sobre clasificadores lineales como LR. Como tal, dos científicos clínicos expertos revisaron las características importantes del ECG e identificaron las características clínicamente relevantes para la patogenia de la isquemia miocárdica. Se identificaron las siguientes 65 características, las cuales utilizaron para indicar umbrales normales frente a anomarles: (1) amplitud de J+80 y onda T de cada una de las 12 derivaciones (k = 24); (2) medidas del intervalo QRS, JTend, JTpeak, Tpeak-end y QT (k = 6); (3) eje QRS y T en el plano frontal (k = 2); (4) ángulo espacial entre las formas de onda QRS y T (k = 6); (5) inflexión, amplitud y pendiente de la onda T en el plano frontal (k = 5); (6) relaciones entre los valores propios de PCA de los subintervalos de QRS, STT, J y T (k = 13); (7) morfología y bucle de onda T (k = 7); y valores de ruido de la señal (k = 2).
Otros datos clínicos
Aunque el ECG es la única herramienta de diagnóstico disponible durante el triaje temprano, la edad y el sexo son predictores importantes de síndrome coronario agudo durante el primer contacto médico. De hecho, los datos de ECG siempre están normalizados por edad y sexo, es decir, los usuarios deben ingresar estos valores en la máquina de ECG antes de la adquisición del ECG; y estas entradas se utilizan en las interpretaciones basadas en reglas proporcionadas por la máquina. Las recomendaciones de las guías utilizadas por los médicos también fueron específicas para la edad y el sexo.
Por tanto, dado que el objetivo era comparar sus clasificadores de aprendizaje automático del síndrome coronario agudo con el estándar de referencia realizado por médicos expertos y el software comercial disponible, mantuvieron la edad y el sexo como características de entrada en todos los clasificadores de aprendizaje automático, a medida que ajustaron los modelos.
Clasificadores de aprendizaje automático del síndrome de coronario agudo
Todos los análisis se realizaron utilizando el software Matlab R2013a. Usaron un menú de diferentes clasificadores de aprendizaje automático y seleccionaron, para mayor entrenamiento y validación, los algoritmos que tenían el mejor desempeño: LR, GBM y ANN. Los clasificadores seleccionados proporcionan valores complementarios para predecir y clasificar resultados nefastos en la investigación clínica. Los clasificadores LR simplifican la relación entre la entrada y la salida, pero se vuelven computacionalmente costosos y limitados cuando la relación en el modelo es compleja. Por el contrario, GBM crea un clasificador eficiente mediante el uso de árboles de decisión de regresión como alumnos débiles y combinándolos en un solo alumno más fuerte. Y ANN modela relaciones complejas entre la entrada y la salida, gracias a sus capas ocultas, las funciones de activación de sus neuronas y el método de retropropagación para actualizar sus pesos unitarios. Estos parámetros se determinaron a través de una búsqueda en cuadrícula.
El desarrollo y las pruebas del modelo se realizaron en tres etapas:
(1) Uso de todas las funciones de ECG extraídas como entrada (LR554, GBM554 y ANN554);
(2) Uso de solo características EC clínicamente relevantes como entrada (LR65, GBM65 y ANN65); y
(3) Uso de las características de ECG clínicamente relevantes etiquetadas de acuerdo con los estándares de corte publicados como entrada (LR554+L, GBM554+L y ANN554+L).
Finalmente, seleccionaron los seis clasificadores con la mejor compensación de bajo sesgo-baja varianza y crearon un modelo simple híbrido/de fusión basado en el conteo de votos. Las clasificaciones asignadas por cada modelo en el conjunto de la prueba (enfermedad frente a no enfermedad), se utilizaron como votos. Consideraron tres o más votos como el umbral para calcular los valores de rendimiento de diagnóstico para este modelo de fusión.
Resultados de los métodos de predicción de aprendizaje automático del síndrome coronario agudo
Aquí se presentan los resultados que obtuvieron los autores del estudio con sus nuevos modelos de predicción de aprendizaje automático del síndrome coronario agudo o isquemia miocárdica aguda, usando el ECG de 12 derivaciones.
Derivación y preparación de conjuntos de datos
La Figura de más abajo, muestra las etapas de la derivación y preparación del conjunto de datos. Como indicamos antes, los autores probaron un menú de varios clasificadores de aprendizaje automático donde seleccionaron, para capacitación adicional y validación, los tres algoritmos que tenían el mejor rendimiento: regresión logística (LR), máquina de aumento de gradiente (GBM) y red neuronal artificial (ANN). A continuación, ajustaron aún más estos tres clasificadores al excluir las características de ECG que tenían menos probabilidades de tener un vínculo mecánico con la patogénesis de la isquemia miocárdica aguda, lo que produjo un conjunto reducido de 65 características de ECG clínicamente importantes. Finalmente, recodificaron las 65 características continuas del ECG en categorías, utilizando valores de corte de importancia clínica publicados previamente. Hubo un total de nueve clasificadores entrenados y probados.
Utilizaron todas las funciones de ECG disponibles (k = 554), funciones de ECG seleccionadas (k = 65) y funciones de ECG seleccionadas y reetiquetadas (k = 65 + L) para entrenar y probar estos clasificadores de aprendizaje automático, tal y como se verá en el siguiente apartado. La Cohorte 1 se usó para entrenamiento y la Cohorte 2 se usó para pruebas independientes.
Rendimiento de la clasificación utilizando varios subconjuntos de funciones de ECG
Usando un enfoque de validación cruzada de diez veces, primero entrenaron cada clasificador, usando las 554 características (LR554, GBM554 y ANN554) en la Cohorte 1, y luego, probaron el rendimiento en la Cohorte 2. En la siguiente Figura 2 a se observa que, aunque GBM554 y ANN554 superaron a LR554 utilizando todas las funciones de ECG disponibles, hay una amplia variabilidad en el rendimiento de los clasificadores con poca capacidad de generalización para el conjunto de pruebas, lo que refleja una compensación de bajo sesgo y alta varianza.
A continuación, entrenaron y probaron el rendimiento de cada clasificador de aprendizaje automático del síndrome coronario agudo utilizando solo las 65 características de ECG consideradas clínicamente relevantes para la patogenia de la isquemia miocárdica aguda (LR65, GBM65 y ANN65). La Figura 2b muestra que, curiosamente, los tres clasificadores se desempeñaron de la misma manera en el conjunto de entrenamiento y generalizaron bien en el conjunto de prueba independiente, lo que refleja un equilibrio entre sesgo bajo y varianza baja.
Por último, entrenaron a los tres clasificadores usando las mismas 65 características después de que se volvieron a etiquetar, usando umbrales de corte previamente validados de importancia clínica (LR65+L, GBM65+L y ANN65+L). La Figura 2c muestra que, aunque estos clasificadores se desempeñaron bien en el conjunto de entrenamiento, nuevamente hay una amplia variabilidad en el rendimiento de los clasificadores con poca capacidad de generalización para el conjunto de prueba, lo que refleja una compensación de bajo sesgo-baja varianza.
Comparación de clasificadores de aprendizaje automático con el estándar de referencia ECG
Después de lo anterior, los científicos emplearon los clasificadores de aprendizaje automático del síndrome coronario agudo con el mejor compromiso de bajo sesgo-baja varianza para crear un modelo de fusión simple. Este modelo de fusión se basó en el recuento de votos de los clasificadores creados en conjuntos de datos reducidos (LR65, GBM65 y ANN65) y etiquetados (LR65+L, GBM65+L y ANN65+L). Utilizaron tres o más votos como punto de corte para calcular las métricas de rendimiento de diagnóstico para este modelo en comparación con dos estándares de referencia de ECG actuales: (1) lectura de ECG experta por médicos y (2) lecturas de ECG automatizadas por software comercial basado en reglas.
Para obtener estos datos, cada ECG de 12 derivaciones fue anotado de acuerdo con la declaración de consenso de la cuarta definición universal de infarto de miocardio, por dos médicos experimentados que desconocían el resultado del estudio. Utilizaron el programa de análisis de ECG de 12/16 derivaciones de diagnóstico de Philips (Philips Healthcare, Andover, MA) para la lectura automatizada de ECG.
La siguiente Figura compara el área bajo la curva ROC (intervalo de confianza del 95 %) entre este modelo de fusión de aprendizaje automático (ML) frente a médicos experimentados y frente al software de interpretación comercial, basado en reglas para detectar cualquier evento de síndrome coronario agudo (SCA) y no Eventos de síndrome coronario agudo con elevación del ST (SCASEST). Para ubicar estas comparaciones en un contexto, se muestra el rendimiento de la clasificación de la historia, el ECG, la edad, los factores de riesgo, y la puntuación de troponina (HEART) obtenida en el servicio de urgencias en función de todos los datos clínicos, de laboratorio y de ECG disponibles.
La Figura 3a demuestra que los clasificadores de aprendizaje automático del síndrome coronario agudo desarrollados superan a los médicos expertos y a los algoritmos de ECG comerciales en la detección de eventos del síndrome. Aunque mantiene un valor predictivo negativo (VPN) más alto, este modelo de fusión demuestra una ganancia del 37% en la sensibilidad, en comparación con los médicos experimentados, y una ganancia del 52% en comparación con los algoritmos de ECG comerciales, lo que corresponde a una mejora de la reclasificación neta (NRI) de 0,19 (IC del 95% 0,06–0,31) y 0,30 (IC del 95% 0,19–0,41), respectivamente. Además, complementar este algoritmo con datos importantes del historial del paciente, que normalmente están disponibles durante el primer contacto médico, no dio como resultado ninguna mejora adicional en el rendimiento de la clasificación.
Finalmente, para explorar el rendimiento del modelo en la detección de eventos de síndrome coronario agudo sin elevación del ST (SCASEST), eliminaron los casos de STEMI prehospitalarios y repitieron los análisis. Como se ve en la siguiente figura 3b, el modelo de fusión de aprendizaje automático aquí desarrollado aún supera a los médicos experimentados y al software de ECG comercial en la detección de la mayoría de los eventos del síndrome, con un NRI de 0,28 (95% IC 0,13–0,43) frente a médicos experimentados, y 0,37 (95% IC 0.26–0.49) contra algoritmos comerciales. Este hallazgo, respalda la idea de que, a diferencia de los estándares de referencia de ECG actuales que están fuertemente orientados a evaluar los cambios de amplitud del ST, este algoritmo de aprendizaje automático tiene en cuenta las sutiles firmas espacio-temporales de la isquemia, lo que explica la gran ganancia que observamos en la precisión diagnóstica.
Conclusión y discusión
Este estudio construyó y probó un algoritmo de clasificación que utiliza los datos de ECG disponibles del primer contacto médico para predecir el síndrome coronario agudo en pacientes consecutivos no seleccionados que acuden al servicio de urgencias con dolor torácico. Usando diferentes clasificadores basados en aprendizaje automático entrenados y probados en cohortes prospectivas separadas, se llegó a un modelo generalizable que supera tanto al software de interpretación comercial como a los médicos experimentados.
Estos hallazgos muestran que, al incorporar el conocimiento clínico existente en las decisiones de clasificación, los modelos de predicción lineal, como LR, pueden ser equivalentes a algoritmos complejos y computacionalmente costosos como ANN y GBM. En el conjunto de pruebas independientes, su clasificador de fusión de aprendizaje automático final, aunque mantuvo un VPN más alto, logró una ganancia del 39% en la sensibilidad, en comparación con los algoritmos de interpretación comerciales, y una ganancia del 24% en la sensibilidad, en comparación con los médicos experimentados.
Hasta donde sabemos, este es el primer estudio clínico que validó y probó prospectivamente el rendimiento de los modelos basados en aprendizaje automático en dos cohortes separadas para predecir el síndrome coronario agudo usando solo el ECG prehospitalario de 12 derivaciones. La aplicación de algoritmos de ML para predecir el síndrome coronario agudo ha sido ampliamente descrita en la literatura, sin embargo, un desafío en el desarrollo de dichos modelos que utilizan datos de ECG, es la ausencia de conjuntos de datos relevantes para el entrenamiento y la validación.
Los hallazgos de este estudio tienen varias implicaciones clínicas importantes. En primer lugar, el uso de una herramienta de soporte de decisiones clínicas ultra temprana basada en ECG, cuando se combina con el juicio de personal de emergencia capacitado, podría ser imperativo para mejorar los resultados en pacientes con dolor torácico. La ganancia en la mejora neta de la clasificación, implica que entre el 37% y el 59% de los pacientes con síndrome coronario agudo podrían orientarse mejor para transferirlos a destinos apropiados (p. ej., centros con unidades de cuidados cardíacos avanzados o capacidades de ICP) o para el inicio de las terapias antiisquémicas recomendadas por las guías.
Por su parte, el alto VPN sugiere que este algoritmo también podría ser útil para el alta temprana y segura de pacientes con dolor torácico con bajo riesgo de síndrome coronario agudo. Esto podría ahorrar una cantidad considerable de tiempo y dinero, en comparación con las evaluaciones tradicionales del dolor torácico basadas en biomarcadores y pruebas de provocación realizadas durante una observación hospitalaria de 24 horas.
En segundo lugar, la fortaleza de este modelo predictivo radica en su aplicabilidad y escalabilidad en tiempo real, ya que podría automatizarse e integrarse directamente en las máquinas de ECG existentes, sin necesidad de ingresar datos clínicos adicionales en el modelo. Esto significa que este modelo puede ser muy útil en entornos de atención no terciaria, donde es posible que no se disponga fácilmente de diagnósticos más invasivos.
En tercer lugar, el soporte de decisiones clínicas en tiempo real que podría proporcionar este modelo de predicción de aprendizaje automático del síndrome coronario agudo, es especialmente útil para los no especialistas y las enfermeras o el personal prehospitalario con experiencia limitada en la interpretación de ECG. El rendimiento de clasificación de nuestro modelo no solo superó las predicciones basadas en reglas del software comercial estándar, sino que también cumplió y superó la interpretación experta de ECG realizada por médicos capacitados. Esto significa que este algoritmo puede ser utilizado por personal de emergencias no especializado para evaluar a los pacientes e identificar el subconjunto de pacientes cuyos ECG deben ser evaluados más a fondo por expertos externos, una estrategia que se ha demostrado durante mucho tiempo que mejora los resultados en aquellos con síndrome coronario agudo confirmado.
Finalmente, este algoritmo se puede utilizar para detectar isquemia miocárdica aguda en pacientes cuyo ECG se confunde con anomalías basales, como marcapasos y bloqueos de rama. La sensibilidad clínica actual en la clasificación de estos pacientes es baja, y la capacidad de este algoritmo para clasificar a estos pacientes vulnerables, mejoraría significativamente la generalización de nuestro enfoque a entornos clínicos del mundo real.
Por otra parte, cómo seleccionar el enfoque de aprendizaje automático más apropiado en aplicaciones clínicas es un tema discutible. Estudios previos generalmente han demostrado que ANN supera a los clasificadores LR en la tarea de predicción. Los datos este estudio respaldaron esta noción de que los modelos no lineales como ANN y GBM son herramientas más poderosas para manejar la naturaleza altamente dimensional y altamente correlacionada de las características excesivas de ECG. Sin embargo, los datos mostraron de manera interesante que la selección y la anotación de características basadas en el conocimiento clínico existente, pueden aumentar el rendimiento de clasificación de modelos lineales como LR. Esto es razonable, dado que la reducción y el etiquetado de datos podrían reducir la dimensionalidad y la complejidad de los datos.
Aunque esta mejora significativa en el clasificador LR aún debe compararse con otras técnicas de reducción de datos en estudios metodológicos posteriores, tiene importantes implicaciones técnicas. Primero, si se confirma que los clasificadores lineales simples pueden ser equivalentes a modelos no lineales complejos como ANN, entonces, las aplicaciones futuras pueden enfocarse en modelos computacionalmente menos exhaustivos como los clasificadores LR. En segundo lugar, y lo que es más importante, LR tiene la atractiva propiedad de que los médicos pueden interpretarla por completo, lo que puede mejorar la utilidad clínica al eliminar el estigma de caja negra del aprendizaje automático. Además, la identificación de un subconjunto de características que prevalecen en la predicción del síndrome coronario agudo puede arrojar luz sobre algunas vías importantes ocultas de la enfermedad en nuestra comprensión actual de la presentación electrocardiográfica de la isquemia miocárdica aguda.
Asimismo, este estudio tiene varios puntos fuertes que abordaron algunas de las lagunas existentes hasta el momento. En primer lugar, a diferencia de estudios anteriores, no se excluyeron los ECG confundidos por anomalías basales, como marcapasos y bloqueos de rama, lo que mejoraría significativamente la generalización del enfoque en entornos clínicos del mundo real. En segundo lugar, el conjunto de datos de este estudio fue único en el sentido de que utilizó el ECG de 12 derivaciones prehospitalario, en lugar del ECG inicial del departamento de emergencias. Se ha demostrado previamente que ambos son diferentes. El ECG prehospitalario podría capturar la isquemia cardíaca aguda sutil y transitoria durante su evolución en curso, cambios que podrían enmascararse fácilmente en los ECG obtenidos en el servicio de urgencias después del tratamiento temprano. Hasta donde sabemos, este es el primer estudio que construye un clasificador de aprendizaje automático generalizable para predecir la probabilidad de síndrome coronario agudo utilizando solo los datos de ECG prehospitalarios.
Sin embargo, el presente estudio tuvo algunas limitaciones. Primero, el número de características de ECG abstraídas no era proporcional al tamaño del conjunto de datos, lo que podría haber afectado el rendimiento de los clasificadores. Aumentar el número de pacientes, probablemente conduciría a un mayor rendimiento. En segundo lugar, aunque la selección manual de características tuvo un efecto positivo en el rendimiento de sus clasificadores, es necesario investigar más técnicas basadas en datos para la selección de características. En tercer lugar, la mayoría de los software de ECG comerciales están diseñados en base a criterios estrictos orientados a la regla en STEMI, lo que explica la muy baja sensibilidad para la detección de SCASEST observada en este estudio. Como tal, el énfasis de este enfoque debe centrarse en comparar el rendimiento de estos clasificadores de aprendizaje automático con el de los médicos experimentados. Finalmente, aunque no muy utilizada en EE. UU., la troponina I cardíaca de alta sensibilidad, se ha mostrado como una herramienta indispensable para descartar en pacientes con sospecha de síndrome coronario agudo en el servicio de urgencias. Por el contrario, se ha demostrado que este algoritmo mejora el rendimiento de la clasificación de ganancia neta de pacientes con síndrome coronario agudo (regla incluida), además de que puede ayudar a tomar decisiones en el entorno prehospitalario. Un estudio reciente ha demostrado que los análisis de troponina en el punto de atención tienen una sensibilidad de solo el 27% cuando se utilizan durante el transporte en ambulancia.
En conclusión, utilizando características extraídas solo del ECG prehospitalario de 12 derivaciones, se ha llegado a un modelo de aprendizaje automático generalizable que supera tanto al software de interpretación comercial como a la interpretación clínica experimentada. Esta herramienta de soporte de decisiones clínicas ultra temprana basada en ECG, cuando se combina con el criterio del personal de emergencia capacitado, podría ser imprescindible para mejorar los resultados clínicos y reducir los costos innecesarios en pacientes con dolor torácico. Además, el conocimiento específico del dominio, puede impulsar el rendimiento de clasificación de modelos lineales como LR, lo que tiene implicaciones importantes para construir herramientas de apoyo a la toma de decisiones aceptables y fáciles de usar para un uso clínico más amplio.
Fuente de este artículo
Este artículo fue publicado originalmente en la revista “Nature Communications”, bajo la referencia: Al-Zaiti, S., Besomi, L., Bouzid, Z. et al. Machine learning-based prediction of acute coronary syndrome using only the pre-hospital 12-lead electrocardiogram. Nat Commun 11, 3966 (2020). https://doi.org/10.1038/s41467-020-17804-2; el cual está disponible con acceso libre en la misma web de Nature Communications.