Investigadores de Mayo Clinic desarrollaron y validaron externamente un modelo de inteligencia artificial (IA) capaz de identificar una posible obstrucción cardíaca significativa a partir de videos ecográficos de rutina, sin utilizar imágenes especializadas con Doppler.
La herramienta podría ayudar a detectar de forma temprana a pacientes con miocardiopatía hipertrófica (MCH) que requieran pruebas adicionales o evaluación especializada.
Los resultados, publicados en Circulation: Cardiovascular Imaging, apuntan al uso de IA como apoyo para identificar la obstrucción del tracto de salida del ventrículo izquierdo (TSVI), una complicación relevante de la MCH que puede influir en las decisiones de tratamiento y en el seguimiento de los pacientes.
La MCH es una enfermedad genética caracterizada por el engrosamiento anormal del músculo cardíaco. Aproximadamente dos tercios de las personas con esta condición desarrollan una obstrucción del TSVI, que dificulta la salida de sangre del corazón y puede provocar síntomas como dolor en el pecho y dificultad para respirar durante el esfuerzo o incluso al estar acostado.
La evaluación de esta obstrucción suele requerir ecocardiografía Doppler, una técnica que depende de una alineación precisa del haz de ultrasonido y de la experiencia del operador. El modelo desarrollado por Mayo Clinic busca identificar señales que pueden no ser evidentes en videos ecográficos bidimensionales obtenidos durante estudios rutinarios.
“Queríamos determinar si la IA podía reconocer patrones sutiles que son imperceptibles para el ojo humano en vídeos ecográficos en modo B obtenidos de forma rutinaria y también identificar antes a los pacientes con obstrucción de la TSVI”, explicó Imon Banerjee, Ph.D., investigadora de IA de Mayo Clinic en Phoenix y autora principal del estudio.
Para desarrollar y evaluar el modelo, los investigadores trabajaron con una cohorte de 1,833 pacientes de Mayo Clinic. El sistema fue probado en 275 pacientes y posteriormente sometido a validación externa con 46 pacientes de un hospital de Corea del Sur. En ambos casos utilizó únicamente videos ecográficos en reposo y sin Doppler para determinar la posibilidad de una obstrucción significativa.
El análisis mostró que combinar información procedente de tres vistas ecográficas estándar mejoraba la capacidad del modelo para diferenciar a los pacientes con gradientes elevados en el TSVI. Además, la herramienta pudo identificar señales asociadas con una obstrucción que podría manifestarse únicamente cuando el corazón está sometido a estrés.
Uno de los elementos relevantes del estudio fue el desempeño observado en la población de Corea del Sur, pese a las diferencias existentes entre esta y los pacientes utilizados para desarrollar el modelo. Los investigadores consideran que estos resultados respaldan la realización de estudios adicionales en poblaciones y entornos clínicos diversos.
En un subconjunto de casos, el modelo identificó la obstrucción con mayor precisión que dos ecocardiografistas expertos que evaluaron las mismas imágenes sin Doppler. El hallazgo también evidencia las dificultades que puede presentar la identificación de una obstrucción del TSVI únicamente mediante imágenes bidimensionales de rutina.
Los investigadores subrayan, sin embargo, que la herramienta no fue diseñada para reemplazar la ecocardiografía Doppler. Su posible utilidad estaría en servir como mecanismo de alerta para identificar pacientes que podrían beneficiarse de una evaluación confirmatoria, pruebas de esfuerzo o derivación a un centro especializado en MCH.
“Esta tecnología está concebida para complementar, no sustituir, la ecocardiografía Doppler”, señaló Banerjee. Según explicó, una detección más temprana podría facilitar la realización de mediciones confirmatorias y ampliar las posibilidades de evaluación en lugares donde no se dispone fácilmente de estudios ecocardiográficos completos o de especialistas en esta área.
El siguiente paso será realizar una validación prospectiva en escenarios clínicos más amplios, con diferentes plataformas de ecografía y poblaciones de pacientes. De confirmarse su utilidad en condiciones reales, este tipo de herramientas podría contribuir a incorporar capacidades de detección asistida por IA en estudios ecográficos que ya forman parte de la práctica clínica habitual.
El estudio no recibió financiación externa. La lista completa de autores y las declaraciones de posibles conflictos de interés están disponibles en el artículo “Beyond Doppler: Scalable AI Detection of LVOT Obstruction in HCM”.
