El modelo de aprendizaje automático mejora el diagnóstico de MI

El uso de un modelo de aprendizaje automático que incorpora información de una sola prueba de troponina, así como otros datos clínicos, fue superior a la práctica actual como ayuda para el diagnóstico de infarto de miocardio (MI) en el departamento de emergencias en un nuevo estudio.

“Nuestros resultados sugieren que mediante el uso de este modelo de aprendizaje automático, en comparación con el enfoque recomendado actualmente, podríamos duplicar la proporción de pacientes que se identifican correctamente con una baja probabilidad de un IM al llegar para permitir el alta inmediata y liberar espacio en el departamento de emergencias”, dijo el autor principal Nicholas Mills, MD, Universidad de Edimburgo, Reino Unido, elcorazon.org | Cardiología de Medscape.

“Y, quizás aún más importante, el uso de este modelo también podría aumentar la proporción de pacientes que están correctamente identificados como con una alta probabilidad de sufrir un infarto de miocardio”, agregó.

el estudio fue Publicado en línea en Medicina natural el 11 de mayo.

Los autores explican que, en la actualidad, la probabilidad de un diagnóstico de infarto de miocardio para los pacientes que acuden al servicio de urgencias con dolor torácico se basa en un umbral fijo de troponina en pruebas seriadas en momentos específicos, pero existen varios problemas con este enfoque.

Primero, generalmente se usa un umbral de troponina fijo para todos los pacientes, que no tiene en cuenta la edad, el sexo o las comorbilidades que se sabe que influyen en las concentraciones de troponina cardíaca. En segundo lugar, la necesidad de realizar pruebas en puntos de tiempo específicos para pruebas en serie puede ser un desafío en los departamentos de emergencia ocupados.

Y tercero, los pacientes se clasifican como de riesgo bajo, intermedio o alto de infarto de miocardio basándose únicamente en los umbrales de troponina, y la prueba no tiene en cuenta otros factores importantes, como el momento de aparición de los síntomas o los hallazgos en la electrocardiograma.

“Nuestra práctica actual de utilizar el mismo umbral para determinar y descartar un infarto de miocardio para todos, independientemente de si se trata de una mujer de 18 años sin antecedentes de enfermedad cardiaca o de un hombre de 85 años con enfermedad conocida”. insuficiencia cardiaca, no funciona bien y existe un riesgo significativo de diagnóstico erróneo. También existe una alta probabilidad de desigualdades en la atención, particularmente entre hombres y mujeres”, explicó Mills.

El estudio actual evaluó si el uso de un modelo de aprendizaje automático conocido como CoDE-ACS para guiar la toma de decisiones podría superar algunos de estos desafíos.

El modelo de aprendizaje automático evalúa todo el espectro de niveles de troponina como una variable continua (en lugar de usar un solo umbral) y convierte esta medida en una probabilidad de que un paciente individual tenga un IM después de tener en cuenta otros factores, como la edad, el sexo y las comorbilidades. y tiempo desde el inicio de los síntomas.

Para el estudio actual, el modelo CoDE-ACS fue entrenado en 10,000 pacientes con sospecha de El síndrome coronario agudo (ACS) que se presentó en 10 hospitales de Escocia como parte del ensayo High-STEACS que evalúa la implementación de un ensayo de troponina I cardíaca de alta sensibilidad. Luego, los resultados se validaron en otros 10,000 pacientes de seis países de todo el mundo.

“Usando este modelo, el paciente puede tener una prueba de troponina al llegar al departamento de emergencias. La otra información sobre edad, sexo, historial clínico y tiempo desde el inicio de los síntomas se ingresa y da una probabilidad en una escala de 0 a 100 en cuanto a si el paciente tiene un infarto de miocardio”, anotó Mills.

“También tiene la capacidad de incorporar más información a lo largo del tiempo. Entonces, si se realiza una segunda medición de troponina, entonces el modelo refina automáticamente el puntaje de probabilidad”, agregó.

El estudio actual mostró que el uso del modelo CoDE-ACS identificó a más pacientes en el momento de la presentación con una baja probabilidad de sufrir un infarto de miocardio que los umbrales fijos de troponina cardíaca (61 % frente a 27 %) con un valor predictivo negativo similar.

También identificó menos pacientes con una alta probabilidad de tener un IM (10 % frente a 16 %) con un mayor valor predictivo positivo.

Entre los pacientes identificados con baja probabilidad de infarto de miocardio, la tasa de muerte cardíaca fue menor que la tasa entre aquellos con probabilidad intermedia o alta a los 30 días (0,1 % frente a 0,5 % y 1,8 %) y al año (0,3 % frente a 2,8% y 4,2%).

“Los resultados muestran que el modelo de aprendizaje automático duplica la proporción de pacientes que pueden ser dados de alta con una sola prueba en comparación con la práctica actual de usar el enfoque de umbral. Realmente es un cambio de juego en términos de su potencial para mejorar la eficiencia de la salud”. dijo Mills.

En cuanto a la posibilidad de que los pacientes tengan un infarto de miocardio, señaló que los niveles de troponina aumentan en pacientes con una amplia gama de otras afecciones, como insuficiencia cardíaca, insuficiencia renal y fibrilación auricular.

“Cuando se utiliza el enfoque de umbral, solo 1 de cada 4 pacientes con un nivel elevado de troponina en realidad tendrá un infarto de miocardio, y eso genera confusión”, dijo. “Este modelo tiene en cuenta estas otras condiciones y, por lo tanto, puede identificar correctamente a 3 de cada 4 pacientes con una alta probabilidad de tener un infarto de miocardio. Por lo tanto, podemos estar más seguros de que es apropiado derivar a esos pacientes a cardiología y ahorrar mucho trabajo”. investigaciones y tratamientos potencialmente innecesarios en los demás”.

Mills dijo que el modelo también parece funcionar cuando se evalúa a los pacientes desde el principio.

“Alrededor de un tercio de los pacientes se presentan dentro de las 3 horas posteriores al inicio de los síntomas y, de hecho, estos son un grupo de alto riesgo porque las personas que tienen un dolor cardíaco genuino normalmente se sienten extremadamente incómodas y tienden a presentarse rápidamente. Las pautas actuales requieren que hagamos dos pruebas en total”. estos individuos, pero este nuevo modelo incorpora el momento del inicio de los síntomas en sus estimaciones de probabilidad y, por lo tanto, nos permite descartar pacientes incluso cuando se presentan muy temprano”.

Informó que se requiere una segunda prueba en solo 1 de cada 5 pacientes, aquellos cuya primera prueba indicó una probabilidad intermedia.

“La segunda prueba nos permite refinar aún más la probabilidad, permitiéndonos descartar otra mitad de esos pacientes. Luego nos quedamos con una pequeña proporción de pacientes, aproximadamente 1 de cada 10, que siguen teniendo una probabilidad intermedia y requerirán un juicio clínico adicional. .”

Debería mejorar las desigualdades en el diagnóstico de infarto de miocardio

Mills dice que el modelo CoDE-ACS mejorará las desigualdades actuales en el diagnóstico de IM, debido a que el IM no se reconoce en mujeres y personas más jóvenes.

“Las mujeres tienen concentraciones de troponina que son la mitad de las de los hombres, y aunque las pautas recomiendan umbrales de troponina específicos para cada sexo, no se usan mucho. Esto lleva automáticamente a que no se reconozcan las enfermedades cardíacas en las mujeres. Pero este nuevo modelo de aprendizaje automático funciona de manera idéntica en hombres y mujeres porque ha sido entrenado para reconocer los diferentes niveles de normalidad en hombres y mujeres”, explicó.

“También nos ayudará a no subdiagnosticar el infarto de miocardio en personas más jóvenes que a menudo tienen una presentación menos clásica de infarto de miocardio y, por lo general, también tienen concentraciones muy bajas de troponina, por lo que cualquier aumento de la troponina por debajo del umbral de diagnóstico actual puede ser muy relevante para su riesgo”, añadió.

Los investigadores están planeando un ensayo aleatorio del nuevo modelo para demostrar el impacto que podría tener en la igualdad de atención y el hacinamiento en el departamento de emergencias. En el ensayo, los pacientes serán asignados aleatoriamente para someterse a la toma de decisiones sobre la base de los umbrales de troponina (práctica actual) o para someterse a la toma de decisiones a través del modelo CoDE-ACS.

“La esperanza es que este ensayo muestre reducciones en los ingresos hospitalarios innecesarios y la duración de la estancia en el departamento de emergencias”, dijo Mills. Los resultados se esperan en algún momento del próximo año.

“Este algoritmo está muy bien entrenado. Ha aprendido de 20 000 pacientes, por lo que tiene mucha más experiencia que yo, y he sido profesor de cardiología durante 20 años”, comentó Mills.

Él cree que estos modelos serán aún más inteligentes en el futuro a medida que se agreguen más datos.

“Creo que el futuro de una buena toma de decisiones en la atención de emergencia estará informado por el apoyo de decisiones clínicas de algoritmos de aprendizaje automático bien entrenados y nos ayudarán a guiar no solo el diagnóstico de infarto de miocardio, sino también la insuficiencia cardíaca y otras afecciones cardíacas importantes”. él dijo.

Datos “Elegantes y Emocionantes”

Comentando el estudio de elcorazon.org | cardiología medscape, John McEvoy, MB, Universidad de Galway, Irlanda, dijo: “Estos son datos elegantes y emocionantes; sin embargo, las entradas en el algoritmo de aprendizaje automático incluyen toda la información necesaria para diagnosticar MI realmente. Entonces, ¿por qué predecir MI, cuando un diagnóstico humano puede simplemente hacerse directamente? La respuesta a esta pregunta puede depender de si confiamos más en las máquinas que en los humanos”.

Mills señaló que el juicio clínico siempre será una parte importante del diagnóstico de IM.

“Actualmente, al usar el enfoque del umbral de troponina, los médicos experimentados podrán matizar los resultados, pero invariablemente, hay desacuerdo sobre esto, y esto puede ser una fuente importante de tensión dentro de la atención clínica. Al proporcionar información más individualizada, esto ayudará enormemente en el proceso de toma de decisiones”, comentó.

“Este modelo no se trata de reemplazar la toma de decisiones clínicas. Se trata más de aumentar la toma de decisiones y brindar orientación a los médicos para poder mejorar la eficiencia y reducir la desigualdad”, agregó.

El estudio fue financiado con el apoyo del Instituto Nacional de Investigación en Salud y NHSX, la Fundación Británica del Corazón y Wellcome Leap. Mills ha recibido honorarios o consultoría de Abbott Diagnostics, Roche Diagnostics, Siemens Healthineers y LumiraDx. Es empleado de la Universidad de Edimburgo, que ha presentado una patente sobre la puntuación de la Colaboración para el Diagnóstico y Evaluación del Síndrome Coronario Agudo.

Noche Con. Publicado en línea el 11 de mayo de 2023. Texto completo

Para obtener más noticias, siga a Medscape en Facebook, ., Instagramy YouTube.