ISSN: 0300-8932
Factor de impacto 2024
4,9
SEC 2025 - El Congreso de la Salud Cardiovascular
Granada,
23 - 25 de Octubre de 2025
Introducción
José M. de la Torre Hernández
Presidente del Comité Científico del Congreso. Vicepresidente de la SEC
Comités ejecutivo, organizador y científico
Comité de selección de comunicaciones
Listado completo de comunicaciones
Índice de autores
6106. Imagen cardiaca
Fecha
: 23-10-2025 17:45:00
Tipo
: Póster moderado
6106-13. Algoritmo de machine learning para la predicción del prolapso arritmogénico de válvula mitral
Sofía Capdeville1, Carmen Alonso Casero2, Álvaro Velasco de Andrés1, Cristina Hayes Meizoso3, Álvaro Estévez Paniagüa1, Rafael Salguero Bodes1, Fernando Arribas Ynsaurriaga1 y Jorge Solís Martín1
1Servicio de Cardiología, Hospital Universitario 12 de Octubre, Instituto de Investigación Sanitaria (imas12), Hospital Universitario 12 de Octubre, Madrid, España, 2Universidad Carlos III de Madrid, Madrid, España y 3University of Massachusetts, T,H, Chan School of Medicine, Massachusetts (Estados Unidos).
1Servicio de Cardiología, Hospital Universitario 12 de Octubre, Instituto de Investigación Sanitaria (imas12), Hospital Universitario 12 de Octubre, Madrid, España, 2Universidad Carlos III de Madrid, Madrid, España y 3University of Massachusetts, T,H, Chan School of Medicine, Massachusetts (Estados Unidos).
Introducción y objetivos: Identificar los pacientes con prolapso de la válvula mitral (PVM) y riesgo de arritmias ventriculares representa un desafío diagnóstico. Si bien estos pueden ser asintomáticos, existen patrones ecocardiográficos clásicamente asociados al PVM arritmogénico (PVMA) como el compromiso bivalvar, velos redundantes, disyunción anular mitral (MAD) y, recientemente descrito, fuerzas de tracción aumentadas en el aparato valvular reflejadas por una mayor variación de la distancia músculo papilar-anillo mitral (MP-AM) entre sístole temprana y pico sistólico. En los últimos años, la inteligencia artificial y el machine learning han emergido como herramientas prometedoras para optimizar procesos diagnósticos complejos de la práctica médica diaria. El objetivo del estudio fue desarrollar un algoritmo capaz de identificar pacientes con PVMA a partir de variables clínicas y ecocardiográficas fácilmente obtenibles en la práctica clínica.
Métodos: Se incluyeron 42 pacientes de forma retrospectiva: controles (n = 10), PVM benigno (sin insuficiencia mitral (IM) (n = 14), y con IM (n = 10)) y PVMA (n = 8). Los datos clínicos y ecocardiográficos se obtuvieron de la historia clínica electrónica para la comparación y análisis estadístico de grupos (Tabla). Se aplicaron dos modelos de machine learning. En primer lugar, se utilizó un modelo clasificador de random forest para establecer un ranking de las variables más relevantes para distinguir el subgrupo con PVMA. Posteriormente, se creó un modelo de regresión ElasticNet para generar una ecuación predictiva con un umbral de clasificación optimizado.
Resultados: Tras aplicarlos, el análisis identificó como variables más importantes para discriminar PVMA a la presencia de MAD y la variación de la distancia MP-AM, reforzando hallazgos previos sobre la biomecánica del PVMA, seguidas del área y altura de prolapso, ECG patológico y DAI (desfibrilador automático implantable). La ecuación predictiva generada con un valor umbral definido en 0,2165 se aplicó al conjunto de datos, y el algoritmo clasificó correctamente los casos, demostrando una alta precisión (80%) y exactitud (95%) diagnósticas (Figura).
|
|
Total |
Control |
PVM no IM |
PVMA |
PVM + IM |
p |
|
|
|
42 (100%) |
10 (23,8%) |
14 (33,3%) |
8 (19,1%) |
10 (23,8%) |
|
|||
|
|
||||||||
|
Edad, años |
47,7 (16,9) |
42,3 (13,1) |
48,1 (17,8) |
45,5 (14,4) |
54,4 (20,6) |
0,45 |
|
|
|
Género (masculino), n |
16 (38,1%) |
4 (40%) |
5 (35,7%) |
3 (37,5%) |
4 (40%) |
1,00 |
|
|
|
IMC, kg/m2 |
23,7 (3,8) |
25,1 (1,9) |
21,9 (3,6) |
22,2 (3,2) |
26,3 (4,3) |
0,010 |
|
|
|
MSC o AV, n |
1 (2,4%) |
0 (0%) |
0 (0%) |
1 (12,5%) |
0 (0%) |
0,23 |
|
|
|
Historia familiar de MSC or AV, n |
3 (7,5%) |
2 (20%) |
1 (7,1%) |
0 (0%) |
0 (0%) |
0,31 |
|
|
|
Volumen AI index, ml/m2 |
32,1 (12,36) |
26,1 (9,07) |
29,3 (11) |
28,7 (8,95) |
46,3 (10,4) |
< 0,001 |
|
|
|
FEVI, % |
62,4 (5,5) |
64,5 (3,8) |
61,9 (6,1) |
60,5 (5,9) |
62,4 (5,8) |
0,49 |
|
|
|
Diámetro anillo, cm |
3,47 (0,51) |
3,05 (0,47) |
3,46 (0,38) |
3,86 (0,43) |
3,59 (0,52) |
0,004 |
|
|
|
Área del prolapso, cm |
0,47 (0,16-0,92) |
0 (0) |
0,49 (0,34-0,68) |
1,29 (1,04-1,41) |
0,49 (0,31-0,71) |
< 0,001 |
|
|
|
Altura del prolapso, cm |
0,44 (0,16-0,70) |
0 (0) |
0,47 (0,43-0,62) |
0,84 (0,60-0,94) |
0,42 (0,35-0,55) |
< 0,001 |
|
|
|
MAD+, n |
8 (19,05%) |
0 (0%) |
1 (7,14%) |
6 (75,00%) |
1 (10,00%) |
< 0,001 |
|
|
|
Grosor velo anterior, cm |
0,52 (0,43-0,65) |
0,40 (0,37-0,5) |
0,55 (0,47-0,65) |
0,79 (0,65-0,85) |
0,51 (0,47-0,61) |
0,002 |
|
|
|
Grosor velo posterior, cm |
0,50 (0,36-0,62) |
0,33 (0,3-0,37) |
0,45 (0,37-0,6) |
0,72 (0,59-0,81) |
0,59 (0,5-0,74) |
< 0,001 |
|
|
|
MP-AM distancia PS, cm |
2,93 (0,56) |
2,66 (0,31) |
2,72 (0,58) |
3,46 (0,37) |
3,03 (0,58) |
0,005 |
|
|
|
MP-AM distancia MS, cm |
2,46 (0,45) |
2,51 (0,28) |
2,46 (0,54) |
2,22 (0,39) |
2,61 (0,47) |
0,32 |
|
|
|
MP-AM distancia, cambio cm |
-0,46 (0,45) |
-0,15 (0,11) |
-0,26 (0,13) |
-1,25 (0,4) |
-0,42 (0,18) |
< 0,001 |
|
|
|
MP-AM distancia, cambio% |
14,73 (12,4) |
5,6 (3,59) |
9,46 (4,86) |
36 (10,34) |
13,7 (4,35) |
< 0,001 |
|
|
|
Características clínicas y ecocardiográficas de la población de estudio. AV: arritmias ventriculares; AI: aurícula izquierda; FEVI: fracción de eyección del ventrículo izquierdo; IM: insuficiencia mitral; IMC: índice de masa corporal; MAD: disyunción del anillo mitral; MP-AM: músculo papilar-anillo mitral; MS: mesosístole; MSC: muerte súbita cardiaca; PS: protosísole; PVM: prolapso de válvula mitral; PVMA: prolapso de válvula mitral arritmogénico. |
|
Proceso de desarrollo del algoritmo de predicción.
Conclusiones: En conclusión, los resultados sugieren que este algoritmo de machine learning podría constituir una herramienta rápida, no invasiva y eficaz para el diagnóstico del PAVM, facilitando su identificación a través de parámetros objetivos y cuantificables.
Comunicaciones disponibles de "6106. Imagen cardiaca"
- 6106-2. Detección de vegetaciones en imágenes de ecocardiografía transesofágica de pacientes con endocarditis infecciosa mediante inteligencia artificial
- Daniel Pinilla García1, Luis Llamas Fernández1, Manuel Carrasco Moraleja1, Itziar Gómez Salvador1, Carmen Olmos Blanco2, Carlos González Juanatey3, Chiara Pidone4, Manuel Anguita Sánchez5, Miguel Ángel Arnau Vives6, Silvia Vallinas Hernández1, Jaime Criado Martín1, Teresa Sevilla1, Javier López1, J. Alberto San Román1 y Carlos Baladrón Zorita1
1Cardiología, Hospital Clínico Universitario de Valladolid, Valladolid, España, 2Cardiología, Hospital Clínico San Carlos, Madrid, España, 3Cardiología, Hospital Universitario Lucus Augusti, Lugo, España, 4Cardiología, Hospital Universitari Germans Trias i Pujol, Badalona (Barcelona), España, 5Cardiología, Hospital Universitario Reina Sofía, Córdoba, España y 6Cardiología, Hospital Universitario La Fe, Valencia, España.
- 6106-3. Valor pronóstico del strain auricular medido por RMC en la miocardiopatía hipertrófica
- María Soledad Ceballos, Guillem Casas Masnou, Francisco González Santorum, Arnau Subira Ingla, Giulia Ricci, Fátima Sol Cabrera, Andrea Faggiano, Leandro Videla, Pablo Escribano Escribano, Filipa Valente, Ruper Oliveró Soldevila, Gisela Teixidó Turà, Javier Limeres Freire, Ignacio Ferreira González y José Fernando Rodríguez Palomares
Imagen Cardiovascular, Servicio de Cardiología, Hospital Universitari Vall d'Hebron, Barcelona, España.
- 6106-4. Impacto clínico y económico de la toma de decisiones guiada por FFR-TC en pacientes con enfermedad coronaria moderada
- José Antonio Parada Barcia, Manuel Barreiro Pérez, Pablo Pazos López, Juan Diego Sánchez Vega, Felipe Cárdenas Núñez, Lucía Rioboo Lestón, Sergio Raposeiras Roubín, Rafael José Cobas Paz, Rocío González Ferreiro y Andrés Iñiguez Romo
Cardiología, Hospital Álvaro Cunqueiro, Vigo (Pontevedra), España.
- 6106-5. Evaluación de la carga de placa coronaria: comparación entre el número de segmentos afectados y la puntuación de calcio coronario para la predicción de eventos cardiovasculares mayores
- Rocío Álvarez Abril1, José Marlon Rodríguez Ortega2, Alba Domínguez Castillo1, Amaia Ochoa González1, Ander Larrea Inarra1, Javier Parreño Benito1, Gorka Bastarrika Alemán2 y Ana Ezponda Casajús2
1Cardiología y 2Radiodiagnóstico, Clínica Universidad de Navarra, Pamplona (Navarra), España.
- 6106-6. Predictores de mortalidad en pacientes con miocardiopatía dilatada no isquémica: impacto pronóstico de los parámetros de mecánica auricular izquierda
- Iván Sánchez Sánchez1, Fabián Islas Ramírez2, Pablo Zulet Fraile1, Sandra Gil Abizanda1, María Alejandra Restrepo Córdoba1, Josebe Goirigolzarri Artaza1, José Alberto de Agustín Loeches1 y Carmen Olmos Blanco1
1Servicio de Cardiología, Hospital Clínico San Carlos, Madrid, España y 2Servicio de Cardiología, Hospital Nuestra Señora del Prado, Talavera de la Reina (Toledo), España.
- 6106-7. Cuantificación de realce tardío miocárdico por tomografía computarizada en pacientes con arritmias ventriculares
- Cristina García Sebastián, Juan Manuel Monteagudo Ruiz, Sonia Antoñana Ugalde, Irene Carrión Sánchez, Rocío Hinojar Baydes, Ana García Martín, Pablo Martínez Vives, Eduardo Casas Rojo, José Julio Jiménez Nácher, Javier Moreno Planas, José Luis Zamorano Gómez y Covadonga Fernández-Golfín Lobán
Servicio de Cardiología, Hospital Universitario Ramón y Cajal, Madrid, España.
- 6106-8. El strain reservorio de la aurícula derecha es mejor estimador ecocardiográfico de la presión venosa central que la vena cava inferior
- Pablo Rojas Romero, Ernesto Ruiz Pereira, Daniel López Herrera, Domingo Acosta Martínez, María Jesús Galán Rodríguez, Juan Manuel Aragón González, Lidia Rodero Barcos, Miguel Barranco Gutiérrez, Marta González Quijano, Almudena Aguilera Saborido, Ana López Suárez y José E. López Haldón
Hospital Universitario Virgen del Rocío, Sevilla, España.
- 6106-9. Presión arterial pulmonar y Área valvular mitral 1 mes tras reparación mitral de borde a borde
- Eduardo Pozo Osinalde, Diana Bastidas Plaza, Joaquín García Martínez, Miguel Ángel Márquez Rivera, Pilar Jiménez Quevedo, Pedro Marcos Alberca, Patricia Mahía Casado, Gabriela Tirado Conte, Carmen Olmos Blanco, Antonio Fernández Ortiz, Julián Pérez-Villacastín Domínguez, Luis Nombela Franco y José Alberto de Agustín Loeches
Servicio de Cardiología, Hospital Clínico San Carlos, Madrid, España.
- 6106-10. Contribución de la mecánica rotacional a la estratificación de pacientes en riesgo de fallo cardiaco
- Juan Geraldo Martínez, Ester Galiana Talavera, Alberto Hidalgo Mateos, Paula Gramage Sanchís, Alejandro Queipo Rodríguez, Guillermo García Martín, Carlos Rodríguez Gutiérrez, Tetiana Gomon Dobrochynska, Raquel Heredia Cambra, María José Bosch Campos, Ildefonso Roldán Torres y Vicente Mora Llabata
Hospital Universitario Dr. Peset, Valencia, España.
- 6106-11. Angiografía coronaria por tomografía computarizada en la evaluación coronaria preoperatoria de cirugía cardiaca valvular: resultados y datos de seguridad tras casi una década en un centro terciario
- Claudia Taroncher Domingo1, Adrián Ruiz López2, Rubén Leta Petracca1, Martín Luís Descalzo1, Mario Salido Iniesta1, Sandra Pujadas Olano1, Lidia Bos Real1, Juan Fernández Martínez1 y David Vilades Medel1
1Cardiología, Hospital de la Santa Creu i Sant Pau, Barcelona, España y 2Cardiología, Hospital Mutua Terrassa, Terrassa (Barcelona), España.
- 6106-12. Eventos embólicos en amiloidosis cardiaca por transtirretina. Utilidad del strain auricular como predictor en ritmo sinusal
- Alba Orellana Morote, Carlos Izurieta Antonio, Eva Pueo Crespo, Dolors Viles Bertran, Jara Gayán Ordás, Núria Pueyo Balsells, Marta Zielonka, Ramón Bascompte Claret y Fernando Worner Diz
Servicio de Cardiología, Hospital Universitari Arnau de Vilanova, Lleida, España.
- 6106-13. Algoritmo de machine learning para la predicción del prolapso arritmogénico de válvula mitral
- Sofía Capdeville1, Carmen Alonso Casero2, Álvaro Velasco de Andrés1, Cristina Hayes Meizoso3, Álvaro Estévez Paniagüa1, Rafael Salguero Bodes1, Fernando Arribas Ynsaurriaga1 y Jorge Solís Martín1
1Servicio de Cardiología, Hospital Universitario 12 de Octubre, Instituto de Investigación Sanitaria (imas12), Hospital Universitario 12 de Octubre, Madrid, España, 2Universidad Carlos III de Madrid, Madrid, España y 3University of Massachusetts, T,H, Chan School of Medicine, Massachusetts (Estados Unidos).
Más comunicaciones de los autores
- Alonso Casero, Carmen
-
Arribas Ynsaurriaga, Fernando
- 5001-7 - La fragilidad como predictor de mortalidad y menor acceso a soporte avanzado en el shock cardiogénico: influencia del sexo
- 6109-7 - Experiencia con quinidina en pacientes con arritmias ventriculares asociadas a extrasistolia de acoplamiento corto en situación de tormenta arrítmica
- 6087-630 - Flujo de la orejuela izquierda y recurrencias arrítmicas en pacientes con fibrilación auricular sometidos a ablación con catéter
- 6066-495 - Neoplasia en pacientes con diagnóstico de hipertensión pulmonar: incidencia, manejo y pronóstico
- 6042-327 - Del ensayo a la clínica diaria: aplicación de los criterios SELECT y SOUL en pacientes reales en rehabilitación cardiaca
- 5015-3 - Mujeres en prevención cardiovascular: ¿puede la ecografía vascular mejorar su infrarrepresentación en los SCORE de riesgo?
- 6106-13 - Algoritmo de machine learning para la predicción del prolapso arritmogénico de válvula mitral
-
Capdeville, Sofía
- 5015-3 - Mujeres en prevención cardiovascular: ¿puede la ecografía vascular mejorar su infrarrepresentación en los SCORE de riesgo?
- 6106-13 - Algoritmo de machine learning para la predicción del prolapso arritmogénico de válvula mitral
- 6042-327 - Del ensayo a la clínica diaria: aplicación de los criterios SELECT y SOUL en pacientes reales en rehabilitación cardiaca
- Estévez Paniagüa, Álvaro
- Hayes Meizoso, Cristina
-
Salguero Bodes, Rafael
- 6114-10 - Implantación del catálogo normalizado de procedimientos de cardiología en una comunidad autónoma
- 6106-13 - Algoritmo de machine learning para la predicción del prolapso arritmogénico de válvula mitral
- 6109-7 - Experiencia con quinidina en pacientes con arritmias ventriculares asociadas a extrasistolia de acoplamiento corto en situación de tormenta arrítmica
- 6087-630 - Flujo de la orejuela izquierda y recurrencias arrítmicas en pacientes con fibrilación auricular sometidos a ablación con catéter
- 5001-7 - La fragilidad como predictor de mortalidad y menor acceso a soporte avanzado en el shock cardiogénico: influencia del sexo
-
Solís Martín, Jorge
- 6005-53 - Efecto de la suplementación de vitamina D sobre la fibrosis miocárdica en pacientes con miocarditis aguda (EDIT-AM): justificación y diseño de un ensayo clínico aleatorizado multicéntrico académico
- 6106-13 - Algoritmo de machine learning para la predicción del prolapso arritmogénico de válvula mitral
- 6087-630 - Flujo de la orejuela izquierda y recurrencias arrítmicas en pacientes con fibrilación auricular sometidos a ablación con catéter
- 5015-3 - Mujeres en prevención cardiovascular: ¿puede la ecografía vascular mejorar su infrarrepresentación en los SCORE de riesgo?
- 6042-327 - Del ensayo a la clínica diaria: aplicación de los criterios SELECT y SOUL en pacientes reales en rehabilitación cardiaca
-
Velasco de Andrés, Álvaro
- 5015-3 - Mujeres en prevención cardiovascular: ¿puede la ecografía vascular mejorar su infrarrepresentación en los SCORE de riesgo?
- 6106-13 - Algoritmo de machine learning para la predicción del prolapso arritmogénico de válvula mitral
- 6042-327 - Del ensayo a la clínica diaria: aplicación de los criterios SELECT y SOUL en pacientes reales en rehabilitación cardiaca