Introducción
Dr. José María de la Torre Hernández
Presidente del Comité Científico del Congreso. Vicepresidente de la SEC
Comités ejecutivo, organizador y científico
Comité de evaluadores
Listado completo de comunicaciones
Índice de autores
Introducción y objetivos: El objetivo del presente estudio es el de desarrollar algoritmos de machine learning (ML) con los que combinar los datos clínicos y la información de las imágenes de ecocardiografía Doppler para aproximar la medida de la presión capilar pulmonar (PCP).
Métodos: Se recopilaron de manera retrospectiva datos de cateterismo cardiaco derecho (CCD) junto a datos clínicos y ecocardiográficos en 4 Hospitales terciarios del SNS, con un máximo de 72 h entre un estudio de CCD y el estudio ecocardiográfico. Se combinaron 41 variables clínicas y demográficas junto a la envolvente del flujo mitral y otros parámetros ecocardiográficos con el objetivo de predecir valores elevados de PCP (> 15 mmHg) en los pacientes estudiados. Se entrenaron varios algoritmos de ML de clasificación donde se trataron los datos clínicos con algoritmos específicos para datos escalares (random forest, XGBoost, etc.) y la envolvente del flujo mediante Variational Auto Encoders (VAE) y redes neuronales convolucionales. Se utilizó un 80% de los datos para entrenamiento y se reservó el 20% de los mismos para validación. El rendimiento de los modelos se evaluó usando el área bajo las curvas ROC y su intervalo de confianza 95%. La contribución individual de cada variable al modelo fue calculada mediante un análisis SHAP.
Resultados: La base de datos, tras el cribado, incluyó un total de 1.349 pacientes. Los pacientes estudiados tuvieron una edad de 62 [53-71] años, el 56% fueron mujeres y el 54% de ellos tenía una PCP > 15 mmHg. Un resumen de los datos clínicos y ecocardiográficos se muestra en la tabla. El mejor modelo de clasificación tuvo un rendimiento bueno, con una AUC: 0,85 (IC95% 0,81-0,89, figura-A), un valor predictivo negativo de 0,68 (0,64-0,72) y un valor predictivo positivo de 0,82 (0,79-0,85). Tras la envolvente de flujo, las variables con mayor contribución a la predicción de PCP elevada fueron la velocidad de la onda E, la relación E/e’ y la relación E/A (figura-B).
N |
1.349 |
PCP (mmHg) |
16 [10-22] |
PCP> 15 mmHg (n%) |
727 (54%) |
Sexo (femenino, n%) |
756 (56%) |
Edad (años) |
62 [53-71] |
Superficie corporal (m2) |
1,78 [1,62-1,94] |
Frecuencia cardiaca (lpm) |
75 [65-87] |
Fibrilación auricular (n%) |
554 (41%) |
Presión arterial sistólica (mmHg) |
130 [114-149] |
Presión arterial diastólica (mmHg) |
71 [63-80] |
Volumen telediastólico (ml) |
94 [70-135] |
Volumen telesistólico (ml) |
37 [24-65] |
Diámetro aurícula izquierda (mm) |
32 [24-43] |
Masa ventrículo izquierdo (g) |
173 [130-235] |
Velocidad máxima aórtica (m/s) |
1,52 [1,21-2,12] |
Velocidad onda E (m/s) |
0,98 [0,71-1,42] |
Velocidad onda A (m/s) |
0,68 [0,49-0,95] |
Tiempo de aceleración pulmonar (ms) |
88 [72-110] |
Velocidad onda e' (m/s) |
0,08 [0,06-0,12] |
Datos demográficos, clínicos y ecocardiográficos de la cohorte usada en el modelo. Mediana [RIQ]. |
Panel A: Curva ROC de rendimiento para clasificación de pacientes con PCP > 15 mmHg. Panel B: Análisis SHAP de importancia relativa de los parámetros en el modelo.
Conclusiones: La ecocardiografía convencional apoyada con el uso de algoritmos de ML permite identificar aquellos pacientes con presiones de enclavamiento capilar pulmonar elevadas con un nivel de precisión suficiente para su aplicación a la práctica clínica.