Introducción
Dr. Juan José Gómez Doblas
Presidente del Comité Científico del Congreso
Vicepresidente de la SEC
Comités ejecutivo, organizador y científico
Comité de evaluadores
Listado de sesiones
Índice de autores
Introducción y objetivos: La amiloidosis cardiaca es una enfermedad con una elevada morbimortalidad en la que un diagnóstico precoz es clave para beneficiarse de las nuevas terapias que se están desarrollando. Nuestro objetivo es desarrollar un modelo predictivo de inteligencia artificial para ATTR y evaluar su capacidad diagnóstica.
Métodos: Se ha desarrollado un modelo de aprendizaje automático XGBoost para predecir amiloidosis cardiaca, a partir de datos de electrocardiogramas (ECG), ecocardiográficos, y medidas de strain (tomados de manera automática usando redes neuronales). Los datos de entrenamiento proceden de 223 pacientes con sospecha de amiloidosis cardiaca (103 amiloidosis) y 127 pacientes control. El modelo ha sido validado en una cohorte externa de 50 pacientes con sospecha de amiloidosis (30 ATTR). El modelo se ha aplicado a la cohorte de un estudio de investigación poblacional. Los sujetos identificados por el modelo de alta probabilidad se les ofreció realizar un estudio diagnóstico protocolizado de amiloidosis.
Resultados: El modelo obtuvo un área bajo la curva ROC de 0,89 (0,83-0,95). Un umbral óptimo (puntuación de 0,3) da lugar a una sensibilidad del 77% y una especificidad del 84%. Las variables más importantes fueron edad, sexo, longitud del intervalo QT corregido, strain longitudinal pico del segmento basal septal, y grosor relativo de la pared. En la cohorte externa el modelo obtuvo un área bajo la curva ROC de 0,88 (0,77-0,98), con una sensibilidad del 83% y una especificidad del 75% usando el mismo umbral. El modelo se aplicó a 1777 participantes del estudio poblacional, de los que 45 tuvieron una puntuación mayor a 0,1 (figura). Los hallazgos implicarían una rentabilidad diagnóstica del 6,7% [1,1%-30% (IC95%)] en una población no seleccionada, y una prevalencia global teórica entre el 0,08% y el 1,9% en pacientes de 60 años o más.
Flujo de trabajo.
Conclusiones: Un modelo de aprendizaje automático basado en datos clínicos fácilmente accesibles de ECG y ecocardiografía, muestra buena capacidad discriminatoria en pacientes con sospecha de amiloidosis cardiaca. Esta herramienta podría tener su utilidad en el diagnóstico más precoz de amiloidosis.