El uso de IA en el análisis de electrocardiogramas puede mejorar el diagnóstico y el tratamiento de la miocardiopatía hipertrófica

La miocardiopatía hipertrófica (MCH) es una de las principales causas de muerte súbita en adolescentes y la detección inicial suele ser difícil. Un nuevo estudio de UC San Francisco encuentra que los electrocardiogramas (ECG) mejorados con inteligencia artificial (IA) pueden ayudar a identificar la afección en sus etapas más tempranas y monitorear cambios importantes relacionados con la enfermedad a lo largo del tiempo.

La investigación dirigida por Geoffrey Tison, MD, MPH, en la División de Cardiología de la UCSF, fue una colaboración entre la UCSF, la Clínica Mayo y Myokardia Inc. En su estudio, publicado en la edición del 7 de marzo de la revista Journal of the American Academy of Cardiology , los autores demostraron que el análisis de IA de los ECG no solo puede predecir con precisión el diagnóstico de MCH, sino también que el ECG-IA se correlaciona longitudinalmente con las presiones cardíacas y las mediciones de laboratorio relacionadas con la MCH.

Este estudio muestra que el análisis de IA puede capturar mucha más información de los ECG relacionados con la fisiopatología obstructiva de la MCH que la que se obtiene actualmente mediante la interpretación manual de ECG y es el primer estudio que muestra que el análisis de IA de los ECG se puede utilizar potencialmente para controlar la fisiología y la hemodinámica relacionadas con la enfermedad. mediciones.

Los investigadores aplicaron dos algoritmos de AI-ECG separados de UCSF y Mayo Clinic a los ECG previos al tratamiento y durante el tratamiento del ensayo clínico de fase 2 PIONEER-OLE (un ensayo clínico para el tratamiento con el medicamento para la MCH Mavacamten en adultos con MCH obstructiva sintomática). ). Después de demostrar que ambos algoritmos detectaron con precisión la HCM en datos de ensayos clínicos sin capacitación adicional, luego demostraron que las puntuaciones de HCM del AI-ECG se correlacionaron longitudinalmente con el estado de la enfermedad, medido por disminuciones en el tiempo en los gradientes del tracto de salida del ventrículo izquierdo y el péptido natriurético (NT-proBNP) niveles en estos pacientes.

Las asociaciones longitudinales de la puntuación de MCH del AI-ECG fueron significativas y probablemente reflejaron cambios en la forma de onda del ECG sin procesar que fueron detectables por los AI-ECG y se correlacionaron con la fisiopatología y la gravedad de la enfermedad de MCH. El potencial de AI-ECG se amplía por el hecho de que los ECG ahora se pueden medir de forma remota a través de electrodos habilitados para teléfonos inteligentes y pueden permitir la evaluación remota de la progresión de la enfermedad, así como la respuesta al tratamiento farmacológico.

Los autores sugieren que se necesitan estudios futuros para determinar si los AI-ECG pueden rastrear el estado de la enfermedad y usarse como guía para la medición de medicamentos para mejorar la seguridad.