Un equipo de investigadores de Mayo Clinic desarrolló y evaluó de forma prospectiva un modelo de aprendizaje profundo (deep learning) diseñado específicamente para detectar estenosis aórtica moderada o grave. El avance se logró a partir de exámenes de ultrasonido cardiaco enfocado guiados por inteligencia artificial (IA), los cuales demostraron ser eficaces incluso cuando son realizados por operadores sin experiencia previa en ecografía. Los resultados de esta investigación fueron publicados recientemente en la revista científica JAMA Cardiology.
La estenosis aórtica es una condición médica que afecta aproximadamente al 12 por ciento de las personas mayores de 75 años en Estados Unidos. Además, constituye la indicación más común de intervención valvular a nivel mundial. A pesar de su alta prevalencia, con frecuencia se subdiagnostica y se trata de forma tardía. El reconocimiento tardío de esta patología se asocia directamente con complicaciones graves, tales como la remodelación ventricular adversa, la insuficiencia cardiaca y un aumento en la mortalidad. Si bien la ecocardiografía transtorácica representa el estándar diagnóstico de referencia, su tamizaje rutinario en poblaciones asintomáticas no se recomienda debido a diversas limitaciones relacionadas con los costos, la disponibilidad de equipos especializados y la necesidad de personal altamente capacitado.
El doctor Gal Tsaban, cardiólogo de Mayo Clinic y autor principal del estudio, explicó que un ecocardiograma completo es la prueba diagnóstica estándar para la estenosis aórtica. Sin embargo, su uso requiere muchos recursos, ya que exige equipo especializado y personal capacitado tanto en la adquisición como en la interpretación de las imágenes. Según el especialista, estos requisitos limitan el acceso, particularmente en entornos con recursos restringidos, lo que hace que la ecocardiografía integral no sea factible ni costo-efectiva como una herramienta de tamizaje amplio.
Para superar estas barreras, el modelo de IA se desarrolló inicialmente utilizando datos de 6 mil 753 pacientes. Posteriormente, fue evaluado en cohortes de validación interna, prueba interna y validación geográficamente distintas, correspondientes a las sedes de Mayo Clinic ubicadas en el medio oeste, Arizona y Florida, en Estados Unidos. En lo que respecta a la cohorte de prueba interna, el algoritmo alcanzó un área bajo la curva ROC (AUROC) de 0.99, obteniendo resultados similares en las cohortes evaluadas en Arizona y Florida. Asimismo, en los exámenes que fueron realizados por ecografistas experimentados utilizando dispositivos portátiles, el sistema registró una sensibilidad del 95 por ciento y una especificidad del 97 por ciento.
En una fase posterior, el equipo de investigación evaluó el modelo de manera prospectiva en mil 302 pacientes. Estas exploraciones fueron realizadas por nueve integrantes del personal de investigación que no contaban con experiencia clínica ni conocimientos previos en ecografía, tras recibir únicamente cuatro horas de entrenamiento estandarizado. De estas exploraciones, el 96.6 por ciento resultaron adecuadas para el análisis automatizado. Los resultados mostraron una sensibilidad del 93 por ciento y una especificidad del 96 por ciento, tomando como referencia una ecocardiografía Doppler completa.
Por su parte, el doctor Jared Bird, cardiólogo de Mayo Clinic y colíder del estudio, señaló que el objetivo principal era comprobar si combinar la guía de IA con el ultrasonido cardiaco enfocado podía ayudar a personas sin experiencia previa en ultrasonido a capturar imágenes cardiacas útiles. El propósito era lograr identificar a los pacientes que verdaderamente podrían necesitar una evaluación médica adicional.
Durante la investigación, los autores también pusieron a prueba un flujo de trabajo estructurado en dos pasos. En este proceso, aquellos casos que fueron clasificados por la inteligencia artificial como positivos o no interpretables —que representaron aproximadamente el 10 por ciento del total— se sometieron a la revisión directa de un cardiólogo experto. Esta estrategia específica logró elevar el valor predictivo positivo del 49.4 por ciento al 91.1 por ciento, manteniendo una sensibilidad del 85.4 por ciento. Además, esta metodología redujo la necesidad de derivar a los pacientes a una ecocardiografía completa a solo el 4.8 por ciento de los participantes.
Los autores puntualizaron que el propósito fundamental de esta herramienta tecnológica es servir como una estrategia eficaz de clasificación de riesgo, y no constituir un diagnóstico definitivo por sí misma. El modelo desarrollado no mide de manera directa la hemodinámica valvular ni determina por completo la gravedad exacta de la estenosis. En su lugar, el algoritmo identifica un patrón morfológico bidimensional que se encuentra asociado con la enfermedad en grado moderado o grave, razón por la cual todos los casos que resulten positivos requieren obligatoriamente una confirmación mediante ecocardiografía Doppler completa.
Entre las limitaciones señaladas en el estudio, los investigadores destacaron que, si bien el desempeño del modelo fue consistente entre distintas sedes dentro de un mismo sistema de salud y se mantuvo estable al utilizar imágenes obtenidas mediante dispositivos portátiles, todavía es necesario realizar una validación prospectiva en sistemas de salud independientes. Esto implica evaluar la herramienta con distintos proveedores de ultrasonido y bajo protocolos de adquisición heterogéneos. Asimismo, los autores advirtieron que los participantes fueron reclutados de una población que ya contaba con una derivación clínica previa a ecocardiografía, y no de una población general de tamizaje no seleccionada. Tampoco se conocen aún los efectos reales que el uso de este modelo podría tener sobre los patrones de derivación, el uso general de los recursos médicos y los desenlaces clínicos a largo plazo de los pacientes.
Finalmente, los autores concluyen que los hallazgos obtenidos respaldan la realización de evaluaciones adicionales sobre esta estrategia. El objetivo es considerarla como una herramienta escalable de clasificación de riesgo, y posiblemente de tamizaje, que pueda implementarse de manera efectiva en entornos de atención primaria, comunitarios y en regiones con recursos limitados.
