Por lo general, la inteligencia artificial (IA) se aplica para analizar un conjunto complejo de variables para hacer correlaciones que no se hacen fácilmente mediante la observación sin ayuda. Pero una rama de la IA, a veces denominada IA causal, incorpora causalidad, no solo asociación, y parece capaz de cambiar el paradigma para prevenir eventos cardiovasculares (CV).
“La IA causal es una nueva generación de algoritmos de IA que permite a la IA ir más allá de la predicción para ayudar a guiar la toma de decisiones clínicas de cada individuo”, informó Brian A. Ference, MD, director de investigación en terapia traslacional de la Universidad de Cambridge (Inglaterra). .
En un estudio novedoso que prueba esta premisa, llamado CAUSAL AI, se exploró este enfoque con dos factores de riesgo principales, el colesterol LDL elevado (LDL-C) y la PA sistólica (PAS) elevada. Con base en un algoritmo de aprendizaje profundo que estudió el impacto de estos factores de riesgo en la biología de la aterosclerosis, se evaluaron los efectos causales de estos factores de riesgo y luego se integraron en la estimación del riesgo.
La IA causal puede predecir el efecto del tratamiento
El estudio mostró que la precisión de la predicción del riesgo se puede mejorar notablemente con la IA causal, pero, lo que es más importante, sugiere que la IA causal puede predecir el impacto de acciones específicas para reducir este riesgo en el contexto de la trayectoria del paciente hacia los eventos CV.
“Los algoritmos de estimación de riesgos se utilizan para seleccionar pacientes con alto riesgo que pueden beneficiarse de las intervenciones para reducir el riesgo, pero no incluyen los efectos causales de los cambios en LDL-C y SBP”, explicó el Dr. Ference.
Como resultado, “es posible que no calculen con precisión el riesgo inicial de eventos cardiovasculares causados por el nivel de LDL-C o la PAS de una persona, o el beneficio de tratar estos factores de riesgo”, añadió.
En el estudio CAUSAL AI, presentado en el congreso anual de la Sociedad Europea de Cardiología, la predicción del riesgo integrada con la IA causal demostró la capacidad de hacer coincidir los eventos predichos con los eventos reales en varios conjuntos grandes de datos de pacientes.
“Integrar los efectos causales en los algoritmos de estimación de riesgo estima con precisión el riesgo cardiovascular inicial causado por LDL y SBP y el beneficio de reducir LDL, SBP o ambos comenzando a cualquier edad y extendiéndose por cualquier duración”, dijo el Dr. Ference.
La IA de aprendizaje profundo evaluó más de 300 variantes genéticas
La IA de aprendizaje profundo se basó en estudios de aleatorización mendeliana que evaluaron 140 variantes genéticas asociadas con LDL-C y 202 variantes asociadas con SBP.
En una prueba del impacto predictivo de la IA causal, la predicción del riesgo se realizó por primera vez en 445 771 participantes en el Biobanco del Reino Unido con la calculadora de riesgo de las Sociedades Británicas Conjuntas (JBS3). En relación con los eventos reales en esta población, el JBS3 solo “subestimó sistemáticamente el aumento del riesgo causado por el LDL elevado, la presión arterial o ambos” durante la vida del paciente, según el Dr. Ference.
También sobrestimó sistemáticamente el riesgo de eventos cardiovasculares entre los participantes con C-LDL más bajo, presión arterial o ambos.
Sin embargo, después de incorporar el efecto causal de LDL y la presión arterial, “el mismo algoritmo pudo predecir con precisión el riesgo de eventos cardiovasculares”, dijo el Dr. Ference. La precisión mejorada dio como resultado “curvas de eventos observados y predichos casi superponibles a lo largo del tiempo”.
Los efectos causales incorporados predicen con precisión los resultados
La IA causal, integrada en los análisis de riesgo, también pudo corregir el beneficio de riesgo inexacto derivado de los ensayos clínicos a corto plazo. Estos también “subestiman sistemáticamente el beneficio de reducir el LDL, la presión arterial o ambos”, según el Dr. Ference.
“Por el contrario, después de incorporar los efectos causales de LDL y la presión arterial en el algoritmo, el mismo algoritmo predijo con precisión el beneficio de reducir el LDL, la presión arterial o ambos a cada edad, una vez más produciendo curvas de eventos predichos y observados superponibles.
En otra evaluación realizada por el Dr. Ference y los coinvestigadores, el algoritmo JBS3 se aplicó a varios ensayos importantes, como el Heart Protection Trial y el HOPE-3. Por sí mismo, el algoritmo JBS3 predijo menos beneficios que los realmente observados.
“Después de incorporar los efectos causales del LDL y la presión arterial, el mismo algoritmo pudo predecir con precisión el beneficio de reducir el LDL, la presión arterial o ambos observados en los ensayos después de 3 a 5 años”, informó el Dr. Ference.
En un análisis de sensibilidad, la precisión de la predicción siguió siendo muy similar en las estratificaciones por factores de riesgo, como el sexo masculino, la presencia de diabetes, los antecedentes familiares de enfermedades cardiovasculares y otras variables. También fue similar en la edad de los participantes antes de un evento cardiovascular y en todas las duraciones del seguimiento.
Los datos presentados por el Dr. Ference proporcionan pruebas convincentes de que JBS3, que se usa ampliamente en el Reino Unido para las estimaciones de riesgo, no estima con precisión el riesgo de enfermedad cardiovascular causado por niveles elevados de LDL o PAS. Tampoco logra estimar el beneficio de tratar estos factores de riesgo.
“Por lo tanto, no se pueden usar para determinar el momento, la intensidad y la duración óptimos de las terapias para prevenir eventos cardiovasculares”, dijo el Dr. Ference.
Al incorporar los efectos causales del LDL-C y la presión arterial a través de un algoritmo basado en IA, el beneficio del tratamiento se puede estimar con precisión “a partir de cualquier edad y con cualquier duración, proporcionando así la información esencial para informar las decisiones de tratamiento individuales sobre tiempo, intensidad y duración”, según el Dr. Ference.
La aplicación de rutina espera más pasos
A pesar de la promesa de este concepto, se deben tomar muchos pasos antes de introducirlo en la clínica, afirmó el comentarista designado Folkert Asselbergs, MD, PhD. Además de probar la precisión en múltiples poblaciones, “también tenemos que hacer los ensayos”, lo que significa que las evaluaciones prospectivas para validar el concepto son significativas para mejorar los resultados.
Sin embargo, no duda de que el concepto de IA causal es prometedor y probablemente tendrá un impacto significativo en la cardiología después de una mayor validación.
“La IA causal es un paso crucial que debemos dar para una atención médica más eficiente”, dijo. Una de las razones por las que expresó cautela es que varias puntuaciones de riesgo mejoradas por la IA, aunque no necesariamente la IA causal, han mostrado solo un “valor predictivo modesto” en varios estudios que citó.
“Con suerte, los datos presentados por el estudio CAUSAL AI realmente nos ayudarán a dar un paso adelante en la discusión para ver cómo podemos beneficiarnos realmente al incluir información genética en un marco de IA para incluir la causalidad en la predicción del riesgo y el beneficio del tratamiento”, dijo. Dr. Asselbergs, profesor de medicina de precisión, Centro Médico de la Universidad de Utrecht (Países Bajos).
El Dr. Ference informó relaciones financieras con más de 15 compañías farmacéuticas. El Dr. Asselbergs no informó posibles conflictos de interés.
Este artículo apareció originalmente en MDedge.com, parte de Medscape Professional Network.