Introducción

La inteligencia artificial (IA) representa un campo multidisciplinario que utiliza algoritmos matemáticos para dotar a las máquinas con la capacidad de llevar a cabo funciones cognitivas, emulando procesos de pensamiento humano como la resolución de problemas, el reconocimiento de objetos y palabras, y la toma de decisiones. Este término amplio abarca diversas operaciones y técnicas especializadas que buscan replicar la inteligencia humana en sistemas automatizados1.

La atención rutinaria a pacientes implica la generación de grandes cantidades de datos a través de registros de salud electrónicos. Estos contienen información detallada sobre los antecedentes, diagnósticos, tratamientos, resultados de pruebas y otros aspectos relevantes de la salud integral de los pacientes.

Aunque la IA ha tenido un impacto significativo en diversas áreas, su influencia revolucionaria en el campo de la medicina ha sido limitada hasta el momento. La experiencia nos ha permitido evidenciar una discrepancia entre el potencial de la IA y su uso actual en la atención diaria de nuestros pacientes.

La complejidad radica en la capacidad de la IA para aprovechar al máximo la información disponible en los registros de salud electrónicos. La diversidad de datos, la variabilidad en la forma en que se registran y la necesidad de interpretar patrones sutiles requieren enfoques avanzados de IA2. El uso de algoritmos de aprendizaje automático en estas aplicaciones es clave, ya que permiten a la IA aprender patrones complejos a partir de datos y adaptarse a situaciones clínicas específicas. La incorporación de la IA en la cardiología intervencionista tiene un impacto destacado en los procedimientos cardíacos. Este avance generaría mejoras sustanciales en la eficiencia al posibilitar la automatización de tareas repetitivas y el análisis rápido de datos. Además, permitiría proporcionar precisión mediante la interpretación avanzada de imágenes y la aplicación de métodos predictivos basados en algoritmos complejos. Asimismo, podría contribuir a la seguridad al brindar asistencia en la toma de decisiones, reducir el tiempo de exposición a la radiación y detectar de manera temprana problemas que podrían afectar la evolución del paciente.

El propósito de esta monografía es abordar cómo la IA ha sido integrada en el campo de la cardiología intervencionista, destacando sus áreas de aplicación y las diversas herramientas en desarrollo. Se pretende realizar una evaluación exhaustiva de cómo esta innovación tecnológica ha influido en el diagnóstico, tratamiento y pronóstico de las enfermedades cardiovasculares, brindando así una comprensión más profunda de su impacto en la práctica médica contemporánea.

Metodología

Para la elaboración de la monografía se utilizaron las recomendaciones de los profesionales a cargo de la coordinación de la carrera de especialista en Cardiología de la Universidad de Buenos Aires - año 2024 y la bibliografía sugerida por ellos. La recopilación de material se realizó mediante una búsqueda bibliográfica en PubMed, SCIELO y Cochrane, utilizando palabras claves como: artificial intelligence, machine learning, interventional cardiology, deep learning, predictive modeling, augmented reality in cardiology. Se delimitó la búsqueda utilizando filtros y empleando estrategias de recuperación por operadores booleanos con intersección (AND), unión (OR) y exclusión (NOT); comillas, truncamiento y vocabulario MeSH. Se priorizaron los artículos full text en inglés y español, realizados en humanos, en los que se hiciera hincapié en los mecanismos diagnósticos y terapéuticos relacionados con la temática en estudio. Luego de esta primera búsqueda, se realizaron otras basándose en el material encontrado. Se buscaron trabajos publicados entre el año 2000 y el 2024, inclusive.

DESARROLLO

A. Conceptos básicos de IA en cardiología

I. Definición de IA

El término IA fue acuñado inicialmente por John McCarthy en la década de los años cincuenta, quien lo definió como “un sistema que evolucionará con inteligencia de orden humano”. Podría describirse la IA de manera general como la capacidad de un sistema electrónico para analizar situaciones complejas y actuar apropiadamente ante ellas. La IA posibilita el análisis de información con un enfoque diferente al tradicional. Ya no nos limitamos a describir la información de la que disponemos para dar respuesta a lo sucedido, sino que esta nos habilita para abordar tareas más complejas, como diagnosticar, edecir e incluso prescribir un tratamiento para cierta patología3.

II. Tipos de IA

Sistemas no aprendices y aprendices

En sistemas no aprendices, los algoritmos reaccionan de una manera predefinida en situaciones particulares. Estos se manejan mediante un programa, al cual se le proporcionan datos que son procesados, y son capaces de otorgar un resultado al usuario. Son ejemplos de esto las calculadoras de score de riesgo que utilizamos habitualmente. En estas, los datos ingresados consisten solo en variables dicotómicas, y el procesamiento de estos datos los ubica en casilleros ya previamente establecidos. Sin embargo, estas herramientas no son capaces de adaptarse a situaciones clínicas específicas e individuales de cada paciente. Esto contrasta con los algoritmos de IA que aprenden, es decir, los sistemas aprendices, ya que, a este tipo de programas, cuando se los alimenta con datos, cambian durante el procesamiento, lo que significa que los algoritmos aprenden. Los sistemas de aprendizaje se pueden dividir en redes neuronales que imitan el cerebro humano (aprendizaje profundo) y arquitecturas alternativas3.

Aprendizaje profundo

El aprendizaje profundo (o Deep Learning por su origen en inglés) es una subclase del aprendizaje automático que utiliza redes neuronales artificiales inspiradas en la idea de replicar la arquitectura cerebral. El componente más básico de estas se llama nodo. Este nodo recibe información de otros nodos, y estos se ajustan durante el aprendizaje. Estas redes pueden estar compuestas por muchas capas, por lo que llevan el adjetivo “profundo”3. Frank Rosenblatt programó la primera red neuronal artificial en la década de 1950.

Aprendizaje supervisado vs. aprendizaje no supervisado

• Aprendizaje supervisado. Se utiliza un conjunto de datos con variables de respuesta conocidas para predecir resultados mediante algoritmos clasificatorios o regresivos. El proceso implica el entrenamiento del algoritmo con datos claramente clasificados, extrayendo características relevantes. En el segundo paso, el algoritmo clasifica datos basándose en estas características y realizando un reajuste con el resto de las capas. Esto ha sido utilizado, por ejemplo, para identificar la presencia de cáncer de pulmón en radiografías de tórax3.

• Aprendizaje no supervisado. Trabaja sin información sobre la variable a predecir. Identifica estructuras, patrones o características en los datos mediante métodos de agrupamiento4. Se basa en detectar patrones desconocidos en datos no etiquetados sin ayuda humana.

III. Algoritmos especiales de IA y sus aplicaciones

Bosque aleatorio

Se basa en un conjunto de árboles de decisión. Cada árbol consta de nodos de decisión y nodos hoja, dividiendo los datos según parámetros o atributos. En el entrenamiento, se utiliza el remuestreo para obtener datos, creando árboles con nodos seleccionados al azar. La clasificación final del “bosque” sigue la etiqueta con más votos para abordar el sobreajuste de los árboles de decisión al conjunto de entrenamiento. Este tipo de algoritmo fue evaluado con éxito por los expertos Segar y cols. en un ensayo retrospectivo para predecir la mortalidad intrahospitalaria en pacientes con insuficiencia cardíaca comparado con el método típico de regresión logística utilizando datos del registro Get With The Guidelines–Heart Failure (GWTG-HF) (aproximadamente 123.634 pacientes) para identificar hospitalizaciones por insuficiencia cardíaca en 10 años. Los modelos de bosques aleatorios mostraron una alta discriminación y una calibración adecuada, y fueron superiores al modelo de riesgo tradicional5.

Redes neuronales convolucionales (RNC)

En la década de 1960, los premios Nobel Torsten N. Wiesel y David H. Hubel investigaron la función de la corteza visual en gatos, descubriendo que ciertas células se activan según la orientación de los objetos. Postularon células y redes que reconocen patrones complejos. La convolución, una operación matemática compleja, se utiliza en el reconocimiento de imágenes para comparar una imagen con diferentes plantillas o filtros y evaluar el grado de coincidencia. En este contexto, se desarrollan las RNC, que constituyen un algoritmo de aprendizaje profundo que identifica y clasifica imágenes. Esta red es especialmente valiosa en la clasificación de imágenes al identificar características simples y complejas mediante la verificación de pequeñas imágenes dentro de la imagen general, como puede verse en la utilización de esta para definir el grado y tipo de lesiones coronarias en angiotomografía coronaria o ecografía intravascular4.

Redes neuronales recurrentes (RNR)

Las RNR se asemejan más estrechamente a la memoria a corto plazo del lóbulo frontal en los humanos. Por ejemplo, cuando se lanza una pelota, un humano solo puede predecir sobre su próxima posición si se tienen en cuenta las posiciones anteriores. En este tipo de redes, a diferencia de las RNC clásicas, las capas están conectadas a la siguiente capa y luego se conectan de nuevo a la capa anterior formando un bucle, permitiendo procesar datos secuenciales para la predicción3.

Aprendizaje de representaciones autosupervisadas

El enfoque imita el proceso de aprendizaje de los niños en los primeros 24 meses, donde aprenden principalmente observando. El cerebro aprende a predecir el futuro basándose en el pasado o a anticipar una imagen completa a partir de partes. En términos de algoritmos, el proceso de aprendizaje se divide en dos pasos:

1) Se entrena al modelo en una tarea específica para aprender las características representacionales de la imagen.

2) El modelo se testea en la tarea final con muy pocos datos etiquetados.

En cardiología, el aprendizaje autosupervisado se ha aplicado, por ejemplo, para corregir la reconstrucción de la angiografía por resonancia magnética coronaria afectada por artefactos respiratorios3.

B. Cardiopatía isquémica

I. Utilización de la IA en el diagnóstico
de síndromes coronarios

Utilizando algoritmos de aprendizaje automático y técnicas como redes neuronales y procesamiento de imágenes, la IA puede identificar patrones sutiles en electrocardiograma (ECG), imágenes cardíacas y datos clínicos. Esta capacidad de análisis exhaustivo y la rápida interpretación de datos complejos permiten una detección temprana y precisa de la enfermedad coronaria, mejorando así la toma de decisiones clínicas y contribuyendo significativamente a la atención cardiovascular (CV) personalizada y eficiente.

El infarto agudo de miocardio (IAM) es una de las enfermedades cardiovasculares más comunes en todo el mundo. Según la Asociación Americana de Salud, aproximadamente 750.000 estadounidenses tienen un IAM cada año, y el 15,5% de ellos fallecen. Por lo tanto, es de suma importancia su diagnóstico temprano, y es aquí donde el ECG juega un rol fundamental. Se pueden detectar y distinguir diferentes localizaciones de IAM, como anterior, anterolateral e inferior, evaluando las alteraciones en diferentes derivaciones. El análisis del mismo en ciertos casos puede presentar una respuesta clara y de fácil interpretación, pero se reconoce que en otros tantos pacientes su evaluación puede representar una tarea ardua y que consume tiempo para los cardiólogos, con resultados diagnósticos que pueden no ser lo suficientemente objetivos o acertados. Para abordar las limitaciones del análisis manual del ECG, se han propuesto diversos algoritmos automatizados de detección y localización del IAM; sin embargo, debido a la pobre complejidad de los mismos ya que en general utilizaban una sola derivación para diagnosticar IAM (DII principalmente) y presentaban baja sensibilidad y especificidad para el diagnóstico, no ha sido una herramienta aceptada de manera global.

Es así como Liu y cols.6 utilizaron un tipo especial de RCN de múltiples ramas, en la que cada rama corresponde a una derivación específica y luego se agrupan en una capa global determinando así el resultado diagnóstico final, con lo cual se logró resolver dos de los principales problemas al que nos enfrentamos al analizar un ECG. Uno de ellos es la diversidad, dada la cantidad de posibles combinaciones de patrones electrocardiográficos que pueden formarse en 12 derivaciones, y el otro es la integridad al relacionarlo con los antecedentes del paciente y la visión global del mismo en cada caso clínico. Este tipo de modelo logró una sensibilidad, especificidad y precisión promedio del 99,97%, 99,90% y 99,95%, respectivamente. Además, se obtuvo una sensibilidad promedio del 98,73%, especificidad del 99,35% y precisión del 98,79% en el experimento específico para cada paciente. En cuanto a la localización del IAM, la precisión general promedio fue del 99,81% cuando se comparaba el cateterismo coronario realizado posteriormente con el diagnóstico electrocardiográfico del algoritmo.

Acharya y cols.7 implementaron un algoritmo de RNC para la detección automatizada de latidos de ECG normales y de IAM en un total de 10.546 latidos de ECG normales y 40.182 latidos de ECG con IAM. Este tipo de algoritmos es sometido a un procesamiento de entrenamiento, validación y testeo (Figura 1). Lograron una precisión promedio del 93,53% y 95,22%, respectivamente, requiriendo tan solo entre 2 y 5 segundos de tira electrocardiográfica. Estos resultados son aún más destacables cuando se tiene en cuenta que se utilizaron muestras de ECG con y sin señales de ruido.

Zhao y cols.8 han utilizado modelos de RCN y residuales, los cuales permiten que la información fluya más fácilmente a través de la red durante el entrenamiento mediante atajos que saltan una o más capas, permitiendo que la red aprenda identidades en lugar de forzarla a aprender a partir de cero en cada capa (Figura 2). En este estudio se entrenó el modelo utilizando 3.646.080 ECG, que incluían 276.480 de IAM con elevación del segmento ST (IAMCEST) confirmados por angiografía coronaria y 3.369.600 ECG de control. Luego de realizar el correcto entrenamiento del algoritmo se seleccionaron al azar 100 imágenes de ECG, que incluían 50 con IAMCEST y 50 de control. Se llevó a cabo una prueba comparativa entre su algoritmo de IA, un algoritmo comercial de ECG y 15 médicos. Estos médicos incluían internos de medicina, residentes de medicina interna y cardiólogos experimentados, y cada uno de estos tres grupos estaba integrado por 5 médicos. A cada médico se le pidió que hiciera un diagnóstico sobre si la condición de cada paciente era o no un IAMCEST basándose en sus interpretaciones del ECG. El algoritmo de IA logró una sensibilidad del 90%, especificidad del 98% y una precisión del 94%. En comparación, el algoritmo comercial obtuvo una sensibilidad, especificidad, precisión del 32%, 90% y 61%, respectivamente y los médicos una sensibilidad del 71,73% (42%-94%), una especificidad del 89,33 (82%-100%) y una precisión del 80,53% (71%-93). El algoritmo de IA demostró la capacidad de identificar tanto segmentos ST atípicos como ligeramente elevados, sugiriendo promesa y valor para su aplicación clínica en el diagnóstico de IAMCEST.

II. IA aplicada a la angiotomografía
computarizada coronaria

Las imágenes cardíacas obtenidas mediante angiotomografía computarizada coronaria (angio-TC) se benefician enormemente de las aplicaciones de la IA en su interpretación. Algoritmos avanzados de aprendizaje profundo permiten la rápida y precisa cuantificación de placas ateroscleróticas y la evaluación de la severidad de la estenosis. Estos sistemas no solo concuerdan con las mediciones expertas, sino que también agilizan el proceso de análisis.

Zack y cols.9 realizaron un estudio internacional que incluyó 11 centros donde se utilizó una RCN para segmentar placas coronarias, valorando 5045 lesiones, y a su vez aplicada luego a un conjunto de prueba independientes, que incluyó una cohorte de validación externa evaluados por ultrasonido intravascular (IVUS) dentro de un mes de la angio-TC. El estudio encontró una excelente concordancia entre las mediciones de volumen total de placa y el estrechamiento del diámetro porcentual realizadas por el modelo de aprendizaje profundo y los expertos. Al compararse con el IVUS, también se encontró concordancia para el volumen total de placa y el área luminal mínima. Además, el tiempo necesario para el análisis de placas por paciente fue significativamente menor con el modelo de aprendizaje profundo (5,65 segundos) en comparación con el tiempo tomado por expertos (25,66 minutos). En un análisis paralelo, este algoritmo de IA utilizó pacientes del ensayo “SCOT-HEART”, y demostró que un volumen total de placa de 238,5 mm³ o más, según el modelo de aprendizaje profundo, se asoció con un mayor riesgo de IAM, con un odds ratio para esta asociación de 5,36 (p=0,0042) (Figura 3).

Por otro lado, la angio-TC es una modalidad confiable para detectar la enfermedad coronaria. Sin embargo, tiende a sobreestimar la gravedad de la estenosis en comparación con la angiografía invasiva, y la estenosis angiográfica no necesariamente implica relevancia hemodinámica cuando se utiliza la reserva fraccional de flujo (FFR) como referencia.

Fairbairn y cols.10 utilizaron el extenso “ADVANCE Registry”, donde se empleó una vía diagnóstica que integraba la angio-TC coronaria y la FFR derivada de la angio-TC coronaria (FFR-TC) para evaluar su impacto en la toma de decisiones y los resultados en entornos del mundo real. Se utilizaron modelos de regresión logística para estimar las probabilidades de revascularización, y se observó que la FFR-TC modificó las recomendaciones de tratamiento en aproximadamente dos tercios de los casos en comparación con angio-TC sola. Una FFR-TC negativa se asoció con una baja tasa de procedimientos invasivos y eventos adversos a corto plazo, resaltando su valor pronóstico. Se identificó una relación inversa entre FFR-TC y la probabilidad de angiografía coronaria invasiva, revascularización y eventos cardiovasculares adversos mayores. Se observó una menor prevalencia de enfermedad coronaria no obstructiva en pacientes sometidos a angiografía coronaria y FFR-TC < 0,80 (14,4%) en comparación con aquellos con FFR-TC >0,80 (43,8%, p< 0,001). Además, el 72,3% de los sujetos sometidos a angiografía coronaria con FFR-TC < 0,80 fueron revascularizados. No se registraron muertes/IAM en pacientes con FFR-TC >0,80 (n=1529), mientras que se observaron 19 (0,6%) eventos cardiovasculares mayores (cociente de riesgos [HR]=19,75; p=0,0008) y 14 (0,3%) muertes/IAM (HR=14,68; p=0,039) en sujetos con FFR-TC < 0,80 en los primeros 90 días.

Otros ensayos utilizaron FFR-TC comparándolo con técnicas de dinámica de fluidos computacional (DFC), mejorando la correlación con los resultados de FFR invasivos. Más específicamente, Coenen y cols.11, en el estudio multicéntrico “MACHINE Consortium”, compararon el rendimiento diagnóstico de la FFR-TC basada en aprendizaje automático con la angio-TC y la FFR-TC basada en DFC para la detección de enfermedad coronaria obstructiva funcionalmente relevante. Desarrollaron una aplicación de FFR-TC utilizando un enfoque de aprendizaje supervisado. Se entrenó un algoritmo de aprendizaje automático con 12.000 modelos coronarios de diversas anatomías y grados de enfermedad arterial coronaria, utilizando valores de FFR-TC basados en DFC como datos de referencia. El modelo de FFR-TC, entrenado con un modelo de aprendizaje profundo, integró la compleja relación no lineal entre características anatómicas y se basó en 28 variables para aprender su relación con los valores de FFR-TC. En este estudio, se observó una correlación moderada entre la FFR-TC basada en aprendizaje automático y la FFR invasiva (R=0,62), con una ligera subestimación promedio. Tanto la FFR-TC basada en aprendizaje automático como en DFC superaron a la clasificación visual de la angiografía por angio-TC según el área bajo la curva (AUC, por sus siglas en inglés). En análisis por vaso, la FFR-TC mejoró la especificidad, valor predictivo positivo (VPP) y precisión en comparación con la angio-TC para estenosis >50%, y al usar un umbral de >70%, mejoró la sensibilidad y el valor predictivo negativo (VPN).

Con lo anteriormente dicho, se puede consensuar que la utilización de este algoritmo de aprendizaje automático no solo agiliza el diagnóstico de enfermedad coronaria, sino que además proporciona la oportunidad de valorar funcionalmente dichas lesiones a fin de evitar un posible estudio angiográfico con las eventuales complicaciones que este puede presentar (mayor exposición a contraste, radiación, riesgo de lesión vascular, etc.), y a su vez disminuir costos y gasto de recursos.

III. Planificación y asistencia durante
intervenciones en cardiopatía isquémica

Angiografía coronaria

Los algoritmos de IA para la planificación de procedimientos intervencionistas en cardiopatía isquémica se centran en la identificación y evaluación precisa de lesiones coronarias. Estos algoritmos pueden analizar imágenes angiográficas como también IVUS para proporcionar información detallada sobre la localización, extensión y gravedad de las obstrucciones. Estos son capaces de segmentar y caracterizar las lesiones coronarias de manera más rápida y precisa que los métodos tradicionales. Pueden identificar automáticamente la anatomía vascular, evaluar la composición de las placas y prever posibles complicaciones. Por otro lado, estos pueden sugerir la mejor ruta y el tipo de dispositivos más adecuados, lo que mejora la eficiencia del procedimiento.

La detección manual de estenosis es subjetiva y requiere experiencia clínica, siendo un proceso demorado. Como vimos anteriormente la IA aplicada a angio-TC ha tenido buen desempeño; sin embargo, enfrenta limitaciones debido a múltiples procesamientos en un solo cuadro, que resultan en errores acumulativos. Esto afecta la detección final de estenosis debido al movimiento del vaso y al flujo del agente de contraste, generando falsos positivos. Para abordar esto, se ha propuesto aprovechar la información temporal de la secuencia de angiografía coronaria mediante la selección de cuadros consecutivos y la utilización de RCN para eliminar falsos positivos.

La capacidad del aprendizaje profundo para extraer automáticamente características a escala de píxeles mejora el análisis de imágenes angiográficas, permitiendo la identificación de características de lesiones que pueden ser difíciles para el ojo humano. La generación automatizada de informes angiográficos detallados por parte de estos algoritmos tiene el potencial de reducir la carga de trabajo y mejorar la eficiencia en el diagnóstico de angiografías coronarias12.

Tianming Du y cols.12, en un estudio realizado en Beijing, recolectaron consecutivamente 20.612 angiografías de 10.073 pacientes y, de estos, 13.373 angiografías se utilizaron para entrenar una red neuronal profunda en la segmentación coronaria, mientras que los restantes 7239, que mostraban al menos una lesión identificable, se emplearon en el reconocimiento de morfología de lesiones coronarias. El algoritmo diseñado fue capaz de fusionar los resultados de dos redes neuronales profundas especializadas: una para reconocer arterias coronarias y otra para detectar la morfología de las lesiones, permitiendo generar información diagnóstica detallada, identificando cada lesión en las arterias coronarias y su ubicación específica en el segmento correspondiente de la arteria coronaria (Figura 4). Después del entrenamiento supervisado con imágenes etiquetadas, el sistema proporcionó resultados con una precisión promedio del 98,4%, sensibilidad del 85,2%, especificidad del 99,1%, VPP del 76,2%, y VPN del 99,5%.

Las RCN son un algoritmo muy útil para extraer características y reconstruir imágenes segmentadas, permitiendo luego trabajarlas en conjunto. Esto convierte a las RCN en softwares especialmente atractivos en su utilización para la detección de estenosis en angiografías coronarias. Wei Wu y cols.13 realizaron un estudio utilizando una para cada tarea propuesta. Para un solo angiograma, la detección se realiza directamente en la imagen cruda mediante una red de detección de objetos sin requerimiento de preprocesamiento o intervención humana en comparación con otros métodos, logrando una sensibilidad relativamente alta del 87,2% y un VPP del 79,5%, superando a los métodos existentes. Los resultados experimentales demuestran que el método propuesto tiene el potencial de establecer un sistema de diagnóstico asistido por computadora para detectar automáticamente estenosis, asistiendo en exámenes clínicos.

El sistema DeepDiscern es un software que realiza un diagnóstico automático y multimodal en dos pasos: primero, reconoce todos los segmentos arteriales y luego detecta las lesiones en el angiograma, completando ambos pasos en menos de dos segundos en promedio. Este fue evaluado por Tianming Du y cols.12, quienes pudieron ver que, a diferencia de las interpretaciones visuales variables por individuos del resto de los sistemas computacionales, este ofrece evaluaciones consistentes, objetivas y reproducibles, superando el sesgo subjetivo y permitiendo análisis automáticos a nivel de píxel para identificar características difíciles de discernir a simple vista.

Tao y cols.14 utilizaron una RCN liviana, que utiliza algoritmos diseñados para hacer que las redes sean más eficientes y menos costosas computacionalmente, manteniendo un rendimiento efectivo en tareas de IA. Mediante la integración de estos algoritmos y la incorporación de módulos de atención para modelar dependencias espaciales se lograron resultados más eficientes. En este ensayo, utilizaron 284 angiogramas procedentes del Departamento de Cardiología del Instituto Mexicano del Seguro Social y de la Unidad Médica de Alta Especialidad No. 1, asociada a él. Las evaluaciones en un conjunto de datos de angiogramas coronarios demostraron que este tipo de IA alcanza una sensibilidad, especificidad, precisión y AUC de 87,7%, 97,9%, 97,7% y 0,9910, respectivamente. Este enfoque innovador contribuye al equilibrio entre rendimiento y ligereza en la detección precisa de enfermedades coronarias.

IVUS

Otra área de interés es la del IVUS, donde la aplicación de la IA tiene el potencial de agilizar el proceso de análisis, mejorar la precisión del diagnóstico y proporcionar información valiosa para la toma de decisiones.

Múltiples tipos de IA han sido valorados a fin de agilizar y mejorar la valoración de imágenes en IVUS. Sofian y cols.15 recolectaron 2175 imágenes IVUS donde 530 imágenes presentaban calcificación y 1645 no la presentaban, y las utilizaron en combinaciones de algoritmos de IA de aprendizaje profundo como RCN y Redes de Grafos Acíclicos Dirigidos junto con tres clasificadores (árbol de decisión, K-Nearest Neighbour y Naive Bayesian) para la detección de calcificación presente y ausente. Los resultados mostraron una precisión máxima de 99%, una sensibilidad máxima de 99,8% y una especificidad máxima de 100%.

Si bien la identificación de la placa coronaria en el contexto del paciente con enfermedad coronaria crónica puede predecir, acorde a su disposición anatómica, cuál es el riesgo que presenta de padecer un evento CV, aún faltan datos respecto a la correcta valoración de la placa aterosclerótica y su riesgo de ruptura acorde a las características anatómicas intrínsecas de la misma. Algunos autores han propuesto que el grosor de la cubierta fibrótica y el tamaño del núcleo lipídico son los factores más importantes a la hora de determinar si una placa es vulnerable o no; sin embargo, estos parámetros no pueden utilizarse para seguir su comportamiento dinámico con el tiempo.

Wang y cols.16, en un análisis de IVUS, compararon varios algoritmos de IA para analizar las características de la placa aterosclerótica en busca de nuevos predictores de eventos cardiovasculares no descritos previamente y lo que pudieron identificar fue que el espesor medio de la pared, área de la luz, área de la placa, estrés crítico de la pared de la placa y el índice de vulnerabilidad morfológica de placa en su conjunto resultaron ser el mejor predictor de evento CV. En este estudio utilizaron distintos tipos de algoritmos, entre los que destacó el método de bosques aleatorios, con una precisión de predicción del 91,47%. Esto se compara con el 90,78% obtenido con la máquina de soporte vectorial y el 85,56% de la regresión logística generalizada mixta.

Múltiples sistemas comerciales de IVUS utilizan la IA para su correcto desempeño. Dentro de ellos se destacan la retrodispersión de random forest (VH-IVUS, Philips Volcano), que utiliza aprendizaje automático para clasificar los componentes de la placa en cuatro clases (tejido fibroso, tejido fibrograso, núcleo necrótico y calcificación densa), y por otro lado el IVUS de retrodispersión integrada (Terumo Corporation), que utiliza la medida de intensidad basada en la dispersión de las ondas de ultrasonido cuando interactúan con los tejidos y de esta forma es capaz de discriminar los componentes de la placa en trombos, hiperplasia íntima, fibrosis, lesiones mixtas o calcificación (Figura 5). Al usar imágenes, estos métodos pueden tener en cuenta texturas prominentes, bordes, sombras y otras características en las imágenes de ultrasonido. Todas estas aproximaciones proporcionan una estimación de la composición de la placa. La tecnología VH-IVUS ha demostrado tener una fuerte correlación entre la placa predicha y la real, especialmente para los tipos de placa “vulnerable”. Se está aplicando el aprendizaje automático para integrar múltiples fuentes de datos, combinarlos con los datos recabados del estudio angiográfico, características de la imagen y datos clínicos del paciente e integrarlos mediante algoritmos de aprendizaje profundo para determinar qué regiones de la placa están en riesgo de eventos adversos futuros17.

FFR

Una de las técnicas más utilizadas para determinar la severidad funcional de las lesiones angiográficamente intermedias es la FFR. Como vimos previamente, la IA aplicada a angio-TC ha demostrado una adecuada correlación entre el FFR-TC y el FFR invasivo. Por otro lado, en el ámbito de la angiografía invasiva se desarrollaron diversos programas informáticos de FFR basados en angiografía con el fin de evaluar la significación hemodinámica de las lesiones coronarias y ayudar a adaptar la estrategia de intervención adecuada.

Roguin y cols.18 utilizaron en un ensayo un software que crea un modelo tridimensional de la anatomía coronaria basado en la angiografía y aplica un modelo de dinámica de flujo para derivar un valor de FFR. La aplicación de IA en él se basa en una red neuronal artificial que utiliza algoritmos de aprendizaje automático que fueron entrenados para medir la FFR mediante datos de numerosas angiografías previas. El software analiza estas imágenes y detecta automáticamente estrechamientos coronarios y predice su significado hemodinámico expresado como valores predictivos de FFR. La sensibilidad para predecir una FFR ≤0,8 fue del 88%, y la especificidad para FFR >0,8 fue del 93%, con un VPP del 94% y un VPN del 87%, indicando un nivel de precisión del 90% y un AUC de 0,91.

Fearon y cols.19 en el ensayo “FAST-FFR” utilizaron un software que se basa en crear una reconstrucción tridimensional (3D) del sistema arterial coronario y estimar la resistencia y flujo a través de una estenosis de manera similar al ensayo previamente mencionado (Figura 6). Este ensayo clínico prospectivo, randomizado y multicéntrico se diseñó para valorar la eficacia de este método. Diez centros en Estados Unidos, Europa e Israel inscribieron a un total de 301 pacientes y 319 vasos, la media de FFR fue de 0,81 y el 43% de los vasos tenían una FFR ≤0,80. La sensibilidad y la especificidad por vaso fueron del 94% y el 91%, respectivamente, ambas superando los objetivos de rendimiento predefinidos. La precisión diagnóstica fue del 92% en general, manteniéndose en rangos similares al considerar solo los valores de FFR entre 0,75 y 0,85 (87%) y por otro lado no hubo diferencias significativas entre los valores tomados con FFR convencional y FFR por angiografía (r=0,80; p< 0,001).

Estos avances indican que la integración de la IA en el campo de la angiografía y la determinación de la FFR son una herramienta valiosa, que mejora la evaluación hemodinámica de las lesiones coronarias, evita la necesidad de utilización de catéteres y drogas endovenosas, y facilita decisiones clínicas más precisas para las lesiones evaluadas.

C. Patología valvular

I. Método de diagnóstico y tratamiento

El implante valvular aórtico transcatéter (TAVI por sus siglas en inglés) ha surgido como una alternativa revolucionaria en el manejo de la estenosis aórtica (EAo) severa. Estudios de seguimiento a largo plazo, como los ensayos “PARTNER 2” y “SAPIEN 3”, han confirmado su durabilidad y sus beneficios clínicos sostenidos20,21.

La IA ha demostrado que la detección de pacientes con EAo severa puede comenzar incluso con el ECG. El valor principal del ECG en este contexto es detectar condiciones concomitantes como la fibrilación auricular (FA) y enfermedad coronaria, aunque anomalías similares en la repolarización son causadas por la hipertrofia ventricular izquierda e isquemia.

Kwon y cols.22, en un análisis sobre más de 39.000 ECG, desarrollaron un algoritmo basado en aprendizaje profundo utilizando el eje de la onda T en las derivaciones V1–V4, el intervalo QT y la edad del paciente para detectar EAo moderada o severa. El algoritmo desarrollado utilizó una RNC para filtrar y seleccionar los datos relevantes del ECG, que logró un AUC de aproximadamente 0,861 a 0,884 y demostró a su vez funcionar bien como una herramienta potencial de detección para descartar la EAo, con un VPN superior al 99%.

Hasta la actualidad, uno de los desafíos que se enfrentan los equipos de cardiología es respecto a la decisión terapéutica de los pacientes jóvenes con EAo severa, cuyo abordaje mediante Heart team está basado en experiencia clínica con una base científica pobre a la hora de decidir la realización de un TAVI.

Hasimbegovic y cols.23, en un análisis de un total de 692 pacientes de 75 años o menos tomados del Registro de la Válvula Aórtica Cardiotorácica de Viena (VICTORY registry) donde 604 (87.3%) recibieron reemplazo valvular aórtico quirúrgico y 88 (12.7%) recibieron TAVI, diseñaron un algoritmo basado en el aprendizaje automático, a fin de determinar qué aspectos determinan la asignación de TAVI o reemplazo quirúrgico para pacientes con EAo sintomática grave menores de 75 años y así comprender mejor los procesos de toma de decisiones clínicas en áreas terapéuticas emergentes. Respecto a las comorbilidades, pudo apreciarse mayor prevalencia de dislipidemia en los pacientes quirúrgicos vs. TAVI (62,9% vs. 60,2%; p=0,026) y una prevalencia significativamente menor de diabetes (27,2% vs. 40,9%; p=0,012). No hubo diferencias significativas en la prevalencia de otras comorbilidades relevantes o condiciones previas, incluyendo cirugía cardíaca previa, FA y la clase funcional de la NYHA. Se observó a su vez un Logistic EuroSCORE significativamente más alto en la cohorte de reemplazo quirúrgico (21,6% vs. 17,4%; p=0,032), y además estos pacientes tenían un CHADS₂-VASc score significativamente mayor (5,8% vs. 5,2%; p=0,014).

Dentro de las variables analizadas, se pudo evidenciar mediante el algoritmo de IA que las dos razones más frecuentes para elegir TAVI en lugar de reemplazo quirúrgico fueron la necesidad de una reoperación de alto riesgo (47,7% de los casos) e insuficiencia respiratoria significativa (46,6% de los casos). Otros factores a favor de TAVI que estaban presentes en más de una cuarta parte de los pacientes fueron una fracción de eyección severamente reducida (38,6%), insuficiencia renal severa (36,4%) y cualquier tipo de abuso de sustancias (26,1%). El 84,1% de los pacientes presentaba al menos 2 o más razones a favor de TAVI23.

Por otro lado, la valoración con multiimágenes incluye la evaluación anatómica, hemodinámica y fisiopatológica de la válvula; dentro de ellas, la ecocardiografía transtorácica es una de las principales herramientas de las cuales se dispone a la hora del diagnóstico y decisión terapéutica frente a una EAo severa. Un problema importante de este método es la variabilidad interobservador, lo que lleva a discrepancias en los resultados diagnósticos. La IA ha demostrado un gran potencial en diversas aplicaciones dentro del campo de la ecocardiografía, ofreciendo una solución prometedora para abordar estos problemas.

Sánchez-Puente y cols.24, en un estudio retrospectivo, aplicaron un modelo de aprendizaje automático para predecir si un paciente con EAo leve a moderada desarrollaría enfermedad valvular grave a 1, 2 o 3 años. Se obtuvieron datos internos de un hospital con 4633 ecocardiogramas de 1638 pacientes y una cohorte externa de un hospital independiente que constaba de 4531 ecocardiogramas de 1533 pacientes. En la prueba interna, el modelo pudo distinguir entre el desarrollo de EAo grave y no grave con una precisión de alrededor del 90% para el intervalo de 1 año, y de alrededor del 92% para los intervalos de 2 y 3 años. En la prueba externa, el modelo tuvo una precisión ligeramente menor, alrededor del 85%, para los mismos intervalos de tiempo. Al aplicar el modelo en un grupo diferente de pacientes de manera simulada, se observó que podría reducir en un 49% y 13%, respectivamente, la cantidad de ecocardiogramas innecesarios realizados cada año, en comparación con las recomendaciones de las pautas médicas europeas y estadounidenses.

Existe un creciente interés en métodos alternativos para estratificar el riesgo en pacientes con EAo, incluyendo evaluaciones por multiimágenes, principalmente, como métodos adicionales al ecocardiograma transtorácico (ETT), la tomografía computarizada (TC) para valorar el score de calcio y la resonancia magnética cardíaca (RMC) para valorar fibrosis miocárdica y remodelado adverso del ventrículo izquierdo (VI). Sin embargo, estas modalidades de imagen son costosas, no están ampliamente disponibles y pueden implicar exposición a radiación o administración de agentes de contraste. En este sentido, la aplicación de IA a métodos más sencillos y de fácil acceso como el ETT es una alternativa atractiva para determinar el riesgo de nuestros pacientes aprovechando la utilización de algoritmos capaces de valorar más allá del ojo del ecocardiografista mediante redes neuronales complejas.

Sengupta y col.25 realizaron un estudio valorando los distintos fenotipos de pacientes con EAo con información fisiopatológica y pronóstica basada en mediciones ecocardiográficas estándar adquiridas en la práctica clínica de rutina para desarrollar un algoritmo de aprendizaje automático, identificar fenotipos únicos y luego probarlo en validación de 2 cohortes externas: una de ellas internacional de TC que incluyó a 752 pacientes que se sometieron tanto a ecocardiografía como a puntuación de calcio por TC, y una cohorte de RMC del Reino Unido de 160 pacientes que se sometieron tanto a ecocardiografía como a RMC. En 1964 pacientes de las 3 cohortes multiinstitucionales, 1346 (68%) sujetos tenían EAo no grave o discordante. El aprendizaje automático identificó a 1117 (57%) pacientes como de alta gravedad y a 847 (43%) como de baja gravedad. En los pacientes de alta gravedad en las cohortes de TC y RMC, se observaron mayores puntuaciones de calcio en la válvula y mayor masa y fibrosis del VI en comparación con el grupo de baja gravedad. En la cohorte de ecografía, la progresión al reemplazo valvular y a la muerte en pacientes que no recibieron el reemplazo fue más rápida en el grupo de alta gravedad (Figura 7). En comparación con la clasificación convencional de la gravedad de la enfermedad, la clasificación de gravedad basada en el aprendizaje automático mejoró la discriminación (0,07; IC del 95%: 0,02-0,12) y la reclasificación (0,17; IC del 95%: 0,11-0,23) para el resultado del reemplazo valvular a los 5 años. La utilización de la IA en este grupo de pacientes permitió integrar de manera fluida y significativa las características ecocardiográficas, exhibiendo un rendimiento sólido en diversas poblaciones de pacientes y además demostró ser una herramienta potente para predecir eventos clínicos.

El proceso pre procedimental para el TAVI incluye la utilización de la angioTC protocolar para detectar previamente enfermedad coronaria y obtener detalles sobre el plano valvular, las dimensiones de la válvula y la aorta, la distancia a las arterias coronarias, y evaluar los accesos vasculares periféricos.

Santaló-Corcoy y cols.26, en el ensayo “TAVI-PREP”, desarrollaron un método automatizado basado en aprendizaje profundo centrado en medidas extraídas de angio-TC. El algoritmo se entrenó en el conjunto de datos público MM-WHS (Conjunto de datos para segmentación de todo el corazón en múltiples modalidades) y en un subconjunto de datos privados. Utilizaron MeshDeformNet (una red neuronal para procesamiento de imágenes tridimensionales diseñada para tareas de deformación y manipulación) y una RNR Residual 3D para la detección de puntos de referencia y extraer 22 medidas diferentes del complejo valvular aórtico. Analizaron 200 tomografías computarizadas y compararon el método automático con el método manual realizado por dos expertos, obteniendo coeficientes de correlación altos para la mayoría de los parámetros (0,.90-0,97), excepto para la altura de las arterias coronarias izquierda y derecha (0,8 y 0,72, respectivamente). Además, el error relativo absoluto medio estuvo dentro del 5% para la mayoría de las medidas, excepto para la altura de las arterias coronarias. Notablemente, este método requirió aproximadamente 2 minutos para predecir las 22 mediciones, mejorando el tiempo en comparación con los 15 minutos del experto para la misma tarea.

Por otro lado, el grupo de Theriault-Lauzier y cols.27 utilizó un algoritmo de red neuronal convolucional (usando el marco de trabajo TensorFlow desarrollado por Google) para realizar mediciones automáticas del plano valvular aórtico. Lograron un error promedio de localización fuera del plano de 0,7±0,6 mm para el conjunto de datos de entrenamiento y de 0,9±0,8 mm para el conjunto de datos de evaluación, comparables con otros métodos publicados y clínicamente insignificantes. El 84,6% de los volúmenes de imágenes de evaluación tuvieron un error angular inferior a 10°, similar a la precisión a nivel de experto.

II. Monitoreo continuo, predicción
de complicaciones y resultados

La realización de un TAVI conlleva la posibilidad de complicaciones y resultados desfavorables. Si bien se han desarrollado scores para predecir este tipo de eventos, la utilización de la IA asociada ha mostrado un buen desempeño para mejorar la predicción y hacer una correcta valoración del paciente.

Evertz y cols.28 demostraron que la cuantificación automatizada de los volúmenes y la función ventriculares no era inferior a la cuantificación realizada por lectores humanos que buscaban predecir la mortalidad CV después del TAVI. Además, la cuantificación completamente automatizada también resultó en un ahorro de tiempo de diez minutos por paciente. Abdul Ghaffar y cols.29 utilizaron un enfoque de aprendizaje automático automatizado semisupervisado para clasificar a los pacientes en grupos fenotípicos, para la mortalidad CV a 30 días, el uso de datos de fenotipos junto con la puntuación STS se encontró que mejoraba la predicción general de la mortalidad en comparación con el uso de las puntuaciones STS solas (AUC 0,96 vs. AUC 0,8; p=0,02). Hernández-Suárez y cols.30 utilizaron modelos de regresión logística, red neuronal artificial, Naive Bayes y algoritmos de aprendizaje automático de bosque aleatorio para obtener modelos de predicción de mortalidad intrahospitalaria a partir de pacientes sometidos a TAVI, y encontraron que estaba en segundo lugar detrás de la puntuación STS/ACC TVT. Desarrollaron una puntuación (NIS-TAVI) a partir de una cohorte de más de 10.000 pacientes de TAVI con una tasa de mortalidad total del 3,6% y crearon un modelo que superó a los calculadores de riesgo establecidos, con un AUC de 0,9228,29.

El grupo de Hernández-Suárez y cols. propuso desarrollar un algoritmo de predicción de riesgos basado en aprendizaje automático para la mortalidad intrahospitalaria después de la realización de reparación percutánea de la válvula mitral. Se analizaron 849 procedimientos revelando una tasa global de mortalidad intrahospitalaria del 3,1%. Un modelo de Naive Bayes tuvo la mejor discriminación para quince variables, con un AUC operativa del receptor de 0,83 (IC del 95%: 0,80-0,87), en comparación con 0,77 para la regresión logística (IC del 95%: 0,58-0,95), 0,73 para una red neuronal artificial (IC del 95%: 0,55-0,91) y 0,67 tanto para un bosque aleatorio como para una máquina de vectores de soporte (IC del 95%: 0,47-0,87). Factores como la historia de enfermedad coronaria, enfermedad renal crónica y tabaquismo surgieron como los predictores más significativos de la mortalidad intrahospitalaria28,30.

La colocación de un TAVI es un procedimiento invasivo que puede presentar complicaciones potenciales. Entre estas se incluyen hemorragia en el sitio de punción o en otros lugares, arritmias cardíacas, accidente cerebrovascular (ACV), insuficiencia renal debido al contraste, entre otras. Aunque muchas de estas complicaciones pueden ser manejadas con diagnóstico y tratamiento oportunos, es de especial interés la predicción de su ocurrencia que puede ofrecer la IA.

En general, la incidencia de hemorragia posprocedimiento en TAVI puede estar en el rango del 5% al 20%. Es importante tener en cuenta que la hemorragia puede manifestarse de diversas formas, desde sangrado menor hasta hemorragia mayor. La identificación temprana de los factores de riesgo y la implementación de estrategias para minimizar el riesgo de hemorragia son cruciales en la gestión exitosa de los pacientes sometidos a TAVI. Jia y cols.31 desarrollaron un modelo basado en aprendizaje profundo llamado BLeNet con 56 características (que abarcan características basales, procedimentales y posprocedimentales) para predecir hemorragias posprocedimiento. En el análisis de Kaplan-Meier, el modelo BLeNet mostró un excelente rendimiento al estratificar a los pacientes con alto y bajo riesgo de hemorragia (p< 0,0001)28,31.

Por otro lado, dentro de las complicaciones arrítmicas, una de las más temidas es el bloqueo auriculoventricular completo con la consecuente necesidad de implantación de un marcapasos (MCP) definitivo. El grupo de Truong y cols.32 abordó la evaluación del riesgo de implantación de MCP definitivo tras la realización de un TAVI de 557 pacientes en ritmo sinusal, utilizando tanto enfoques de aprendizaje automático, como el algoritmo de bosque aleatorio. Los resultados permitieron identificar factores tales como los intervalos PR post- y pre-TAVI (delta PR) y la variación en el complejo QRS (delta QRS), como predictores para el requerimiento de implante de MCP definitivo, y comparados con modelos de regresión logísticas tradicionales, estos modelos de IA tuvieron mayor poder para predecir este evento28,32.

Si bien los eventos cerebrovasculares resultan infrecuentes como complicación del TAVI (rondando entre un 1% y 5%), no dejan de ser eventos adversos graves. Es así como Okuno y cols.33 desarrollaron un modelo de aprendizaje automático utilizando RCN con los datos de 2279 pacientes a fin de predecir eventos cerebrovasculares a los 30 días, y si bien la tasa de ACV y accidente isquémico transitorio en este grupo de pacientes fue muy baja (1,3% a 2,4%), lograron un AUC 0,79, que muestra la capacidad de la IA para predecir este tipo de situaciones28,33.

D. Simulación computacional e IA física

La simulación computacional surge como un tipo de IA que permite modelar y prever resultados en entornos virtuales, facilitando la planificación preoperatoria, el diseño de dispositivos y la evaluación de estrategias terapéuticas. La IA física surge como una rama de la IA convencional, aprovechando los complejos softwares de la misma a fin de traducirlos en procesos determinados a ser realizados por un robot, ya sea con o sin intervención humana. Estas tecnologías permiten una recopilación y análisis de datos más eficientes, predicciones de riesgo personalizadas y un mejor entendimiento de la anatomía y procedimientos cardiovasculares. Desde la planificación preprocedimental hasta el desarrollo de dispositivos y la educación, estas tecnologías están transformando todo el proceso que implica realizar una intervención hemodinámica.

I. Simulación computacional en hemodinamia

En lo que respecta a planificación de intervenciones, la simulación con IA representa un avance significativo.

El grupo de Antoniadis y cols.34 valoró los distintos diseños para simulación de resolución de lesiones cercanas a bifurcaciones con stent completo de bifurcación coronaria. Las simulaciones computacionales van desde modelos geométricos simples hasta representaciones anatómicas detalladas de las arterias coronarias obtenidas de imágenes in vivo. Estas simulaciones permiten evaluar el entorno hemodinámico en bifurcaciones antes y después de la colocación de stents, ofreciendo información sobre cómo las tensiones hemodinámicas locales afectan la formación de hiperplasia neointimal y la trombosis del stent. Por otro lado, resulta atractiva la utilización de la simulación en casos de la inflación de kissing balloon en bifurcaciones, teniendo en cuenta las probables complicaciones que este acarrea, ya que estudios previos han demostrado que la utilización de esta técnica puede causar una deformación elíptica, daño al revestimiento del segmento proximal, una configuración alterada de los puntales, posibles lesiones arteriales en el ostium de la rama lateral y altas tensiones en la pared con la consecuente evolución a lesión arterial. Este tipo de modelos han sido evaluados en ensayos clínicos mostrando adecuadas tasas de correlación entre simulaciones y el resultado clínico final34,35 (Figura 8).

Dowling y cols.36 desarrollaron un software de simulación computacional específica en casos de morfología de válvula aórtica bicúspide (VAB) para colocación de TAVI. Se incluyeron nueve pacientes con VAB que fueron sometidos a simulación computacional específica del paciente utilizando la tecnología TAVIguide (Valor Añadido de la Simulación por Computadora Específica del Paciente en la TAVI) antes del TAVI. Las simulaciones influyeron en la estrategia de tratamiento en un 89% de los casos, identificando riesgos como regurgitación paravalvular y alteraciones de la conducción (Figura 9). Este enfoque permitió ajustar el tamaño y la posición de la válvula autoexpandible, logrando resultados clínicos favorables en la mayoría de los casos.

El Faquir y cols.37 evaluaron la utilidad y capacidad predictiva del software TAVIguide en la práctica clínica de pacientes con EAo grave tratados con la válvula Evolut R. Se llevó a cabo un estudio prospectivo, observacional y multicéntrico en 80 pacientes, donde la simulación computacional específica del paciente no afectó la selección del tamaño de la válvula, pero sí influyó en la elección de la profundidad objetivo de la implantación y la ejecución del procedimiento para alcanzar la profundidad deseada. La simulación mostró cambios en la ejecución del procedimiento, destacando su potencial valor en la optimización del resultado clínico en pacientes sometidos a TAVI (Figura 10).

Young y cols.38 realizaron un ensayo prospectivo en el Centro Médico de la Universidad de Vanderbilt, donde 17 becarios de cardiología de dos clases consecutivas de primer año participaron en un protocolo de enseñanza facilitado por casos simulados y equipos de simulación utilizando softwares de IA como herramienta educativa para aumentar la exposición a procedimientos menos comunes. El grupo de intervención tuvo puntuaciones estadísticamente más altas en el examen escrito en comparación con el grupo de control (IC: (0+,4); p=0,038). El grupo de intervención obtuvo entre 2 y 8 puntos más en las evaluaciones de habilidades de marcapasos transitorio y entre 1 y 16 puntos más en las evaluaciones de habilidades de balón de contrapulsación intraaórtico que los controles (p=0,007 y 0,021, respectivamente). La simulación mejorada con tecnología ha demostrado ser una herramienta educativa eficaz para profesionales de la salud.

II. Aplicación de la robótica integrada a la IA dentro del laboratorio

La incorporación de la robótica en hemodinamia proporciona beneficios significativos, mejorando la precisión mediante movimientos controlados, reduciendo la exposición a la radiación para los operadores y mejorando la estabilidad durante procedimientos intravasculares. Además, la ergonomía mejorada y la capacidad de operación remota permiten una realización más cómoda y segura de intervenciones prolongadas, mientras que la posibilidad de acceder a áreas anatómicas difíciles mejora la efectividad de los procedimientos.

Weisz y cols.39 realizaron el ensayo clínico “PRECISE” (Evaluación de la Seguridad y Efectividad del Sistema CorPath 200 en Intervenciones Coronarias Percutáneas), un estudio prospectivo, no randomizado, multicéntrico, abierto y de un solo brazo que buscó evaluar la seguridad, así como la eficacia clínica y técnica de la intervención coronaria percutánea (ICP) asistida por robot en aquellos pacientes con lesión de vaso único. Se incluyeron pacientes con enfermedad coronaria y necesidad de ICP, realizándose la intervención con el sistema robótico CorPath 200. Los resultados clínicos revelan que el objetivo primario de éxito clínico del procedimiento se logró en un 97,6% de los pacientes, superando significativamente el objetivo de rendimiento del protocolo del 84% (p=0,001). Aproximadamente el 2,4% experimentó elevaciones posprocedimiento en biomarcadores miocárdicos, indicativas de IAM no-Q. Asimismo, se alcanzó el éxito técnico del dispositivo en un 98,8% de los casos, superando de manera significativa el objetivo de rendimiento del protocolo del 90% (p=0,001). Además, se logró el punto final secundario de reducir la exposición a radiación en un 95,2% comparada con la registrada en la mesa de procedimientos (0,98 vs. 20,6 Gy; p=0,001).

Por otro lado, Mahmud y cols.40, en el estudio “CORA-PCI”, incluyeron todos los procedimientos de ICP realizados de manera robótica (grupo de estudio) o manual (grupo de control) durante un período de 18 meses. Un total de 315 pacientes se sometieron a 334 procedimientos de ICP las cuales fueron 108 vía robótica (R-ICP) y 226 manual (M-ICP). El éxito técnico y clínico con R-ICP fue del 91,7% y 99,1% respectivamente, el uso de stent y el tiempo de fluoroscopia fueron similares entre los grupos (p=0,73 y p=0,39, respectivamente), aunque el tiempo del procedimiento fue más largo en el grupo de R-ICP (p=0,002), principalmente en aquellas lesiones consideradas de baja complejidad (p=0,001), sin diferencias significativas entre las de complejidad intermedia y alta (p=0,526 y 0,855, respectivamente). Este estudio demuestra la viabilidad, seguridad y alto éxito técnico de la R-ICP para el tratamiento de enfermedades coronarias complejas con adecuados resultados clínicos, sin aumento de los efectos adversos con respecto a la rama M-ICP.

En lo que respecta a enfermedad vascular periférica, Mahmud y cols.41 propulsaron el estudio “RAPID” (Robotic-Assisted Peripheral Intervention for peripheral arterial Disease). Un estudio prospectivo unicéntrico, abierto y no aleatorizado sobre la intervención asistida por robot para realizar intervenciones endovasculares en la arteria femoropoplítea. El estudio incluyó a 20 sujetos con un total de 29 lesiones siendo la mayoría (89,7%) en la arteria femoral superficial. El éxito técnico del dispositivo, la seguridad y el éxito clínico del procedimiento fueron todos del 100%, con la necesidad de colocar provisionalmente stents en el 34,5% de las lesiones. El tiempo de fluoroscopia y el uso de contraste fueron favorables en comparación con estudios en cohortes de pacientes similares.

Discusión

Como se ha analizado, la IA está comenzando a tomar un papel importante dentro de la cardiología intervencionista: la utilización de las distintas técnicas disponibles ha demostrado tener un valor significativo en la evolución del diagnóstico y tratamiento de las enfermedades cardiovasculares más prevalentes.

El uso de algoritmos de aprendizaje automático y técnicas de IA en el análisis del estudio que más a disposición y reproducibilidad disponemos, el ECG, permite un cambio positivo para la detección temprana y precisa del IAM1-4. La capacidad de la IA para identificar patrones sutiles en ECG permite mejorar la toma de decisiones clínicas y contribuir a una atención CV más personalizada y eficiente, incluso en el Servicio de Emergencias médicas donde no siempre se dispone de un cardiólogo para realizar la correcta interpretación del ECG. Con estos algoritmos propuestos se logra disminuir el tiempo de diagnóstico electrocardiográfico, con la ventaja de que, en caso de requerir una intervención de urgencia en el síndrome coronario agudo con elevación del segmento ST, poder realizarlo lo antes posible y de esta manera disminuir las eventuales complicaciones que conlleva la demora en el tiempo puerta-balón o puerta-aguja si no se dispone de hemodinamia. Por otro lado, como vimos en el ensayo de Liu y cols.6, la IA es capaz de valorar la complejidad del ECG, proporcionando una sensibilidad, especificidad y precisión excepcionales, y a su vez, como valoró el estudio de Acharya y cols.7, lo hace con tiempos de procesamiento reducidos, mejorando el flujo de información y mostrando resultados comparables con algoritmos comerciales, superando incluso la interpretación de médicos en ciertos aspectos, como se vio en el trabajo de Zhao y cols.8.

La utilización de la IA ha permitido prescindir, en algunos casos, de la angiografía invasiva como pudimos ver mediante el uso de angio-TC para la detección y evaluación de la enfermedad coronaria. Algoritmos como los utilizados por Zack y cols. han mostrado una excelente concordancia con mediciones expertas en la cuantificación de placas ateroscleróticas y la evaluación de la severidad de la estenosis. Además, agilizan el proceso de análisis, reduciendo el tiempo necesario en comparación con los expertos9-11. Es de destacar que actualmente con los algoritmos de IA podemos utilizar la angio-TC de una forma mucho más eficiente y versátil, como vimos mediante el uso de la FFR-TC, el cual logró incluso modificar las recomendaciones de tratamiento en comparación con la angio-TC sola, mejorando la especificidad, el VPP y la precisión en comparación a la angiografía convencional, como vimos en el ensayo “MACHINE Consortium”. En conjunto, estos avances proporcionan una evaluación funcional de las lesiones, evitando procedimientos invasivos innecesarios y contribuyendo a la optimización de recursos y la reducción de costos en la atención CV11.

Cuando se trata de la aplicación de esta a la cinecoronariografía y sus variables como el IVUS y la FFR, se han logrado resultados impresionantes, como lo es en la detección de calcificación en imágenes IVUS e incluso con algunos algoritmos que son capaces de identificar nuevos predictores de eventos cardiovasculares basados en las características de la placa. Por otro lado, en el ámbito de FFR, la IA ha demostrado su utilidad mediante la utilización de angiogramas para inferir el FFR en lo que se conoce como FFR derivado de angiografía, alcanzando niveles de sensibilidad y especificidad destacable como los vistos en el ensayo “FAST-FFR” (94% y 91%, respectivamente). Estos enfoques permiten una evaluación hemodinámica mejorada de las lesiones coronarias sin la necesidad de procedimientos invasivos adicionales, catéteres y drogas endovenosas, proporcionando decisiones clínicas más precisas12-19.

El TAVI ha surgido como un enfoque revolucionario para la EAo severa sintomática, principalmente en pacientes con riesgo quirúrgico elevado y, en los últimos años, incluyendo pacientes de riesgo intermedio y bajo. La IA se ha utilizado en este ámbito desde la etapa diagnóstica, incluso para identificar pacientes con EAo con la utilización solo del ECG, ofreciendo así un método de screening para la población general. Por otro lado, como vimos en los estudios de Hasimbegovic y cols. y Sánchez-Puente y cols.23,24, su utilización es de gran ayuda en casos indeterminados, donde el paciente presenta algunas características de fragilidad y en otros donde la estenosis aún no es caracterizada como severa por los métodos diagnósticos convencionales, pero sí donde la intervención precoz podría jugar un rol importante para prevenir la evolución rápida de la enfermedad. Incluso en ensayos como el de Sengupta y cols.25 vemos que la IA puede utilizarse para distinguir distintos fenogrupos de pacientes dentro de este abanico de posibilidades utilizando métodos de aprendizaje profundo y distinguir variables (tal vez ocultas a la vista del médico) que permitan predecir un mal desenlace a futuro22-25.

Sin embargo, aunque el aprendizaje automático es una extensión natural de enfoques tradicionales, no es una solución mágica, y hay casos donde métodos analíticos convencionales lo superan y, a pesar de la automatización, los médicos deben evaluar críticamente las predicciones generadas por la IA. Es así como vimos en el ensayo “TAVI-PREP”, donde más allá de haberse utilizado un sistema complejo de aprendizaje profundo, este no logró una buena correlación con el análisis convencional respecto a la altura de las coronarias y el anillo aórtico26.

Si bien existen avances en IA y su aplicación en robótica en el laboratorio de hemodinamia, este es un camino que aún no está del todo desarrollado. Se espera que sea explotado en los próximos años. Distintos tipos de aplicaciones, como realidad virtual, aumentada, extendida y mixta, denotan un gran potencial. Ensayos pequeños de ICP asistida por robot, han mostrado resultados con altos porcentajes de éxito técnico y clínico, así como una reducción significativa en la exposición a la radiación. Por otro lado, son de gran utilidad para mejorar la planificación de intervenciones, la enseñanza médica y la realización de procedimientos, con resultados prometedores en términos de eficacia y seguridad1-4,28.

Se debe analizar la información que otorga la IA, ya que al día de hoy no existe algoritmo que sea capaz de superar el criterio clínico y uno de los principales problemas que se presenta, paradójicamente, es la enorme fuente de información que son las bases de datos mundiales, las cuales, si bien son una representación de la heterogeneidad de la sociedad, siguen presentando sesgos de representación, con bajo porcentaje del sexo femenino, de distintas etnias, y edades que superen los 75 años. Esta caja negra puede ser fuente de información valiosa si se diseña bien un algoritmo, pero también terminar en un suceso de errores desafortunados los cuales nos llevarían al fracaso.

Por otro lado, y no menos importante, la IA se enfrenta con problemas éticos, ya que en muchos países del mundo no existen leyes que protejan la ciberinformación de los pacientes, por lo que abordar este inconveniente es una tarea fundamental para llevar a cabo su utilización, a fin de no caer en posibles casos de piratería y hackeo de información que pueda utilizarse con fines económicos o ilícitos. Se destaca la necesidad del consentimiento del paciente antes de hacer que los datos de atención médica estén disponibles públicamente, por lo que las asociaciones médicas internacionales, investigadores y empresas deberían abordar este problema de manera responsable1-4.

Conclusiones

Gracias a la digitalización de vastas cantidades de datos, el desarrollo de algoritmos de aprendizaje automático y el mejoramiento de la capacidad de cálculo de las computadoras en las últimas décadas, la IA puede facilitar la automatización de tareas, implementarse en la medicina de precisión y detectar patrones complejos en bases de datos. En particular, el análisis de estudios complementarios como pueden ser el ECG, la angio-TC y la angiografía coronaria ha experimentado una revolución gracias a las técnicas aplicadas en esta área. Se ha observado, además, que la aplicación de la IA ya no se limita únicamente a proporcionar información objetiva, sino que también ofrece asistencia en tiempo real durante los procedimientos y mejora las habilidades técnicas mediante el entrenamiento con simuladores.

Ante la diversidad de modelos de algoritmos de IA, como las RCN y las RNR, se puede realizar un análisis de datos más específico. Al conectar distintas capas entre sí, estas redes pueden relacionar datos clínicos de mayor complejidad. Así, hemos observado su utilidad en la definición del riesgo clínico, abarcando desde pacientes con sospecha de IAM hasta aquellos que serán sometidos a TAVI.

El avance de la IA en el campo de la cardiología intervencionista es prometedor, pero todavía enfrenta desafíos significativos que requieren una atención continua. A pesar de los progresos realizados, hay aspectos clave como realizar estudios con mayor número de participantes y centros involucrados para lograr datos más sólidos y representativos permitiendo una evaluación más precisa de la eficacia y seguridad de las aplicaciones de IA en cardiología intervencionista.

Por último, es fundamental entender que la IA no reemplaza la esencialidad de la experiencia médica, sino que tiene el potencial de complementarla. El médico cuenta con la ventaja de considerar aspectos únicos de cada paciente, como su historial médico, preferencias y valores personales, que pueden influir en la selección del tratamiento más adecuado. En la práctica actual de la cardiología intervencionista, la interacción entre médicos y máquinas ya es un paradigma, y esta sinergia se espera que se acelere con los nuevos algoritmos de aprendizaje profundo. Los cardiólogos intervencionistas, en lugar de esperar pasivamente, pueden liderar estas innovaciones. A medida que la IA proporciona más información para la atención del paciente, los roles de los cardiólogos intervencionistas pueden cambiar, y es crucial que desarrollen habilidades éticas, de liderazgo y empatía que las máquinas no pueden replicar.

1. Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial intelligence in precision cardiovascular medicine. J Am Coll Cardiol. 2017;69(21):2657-2664.

2. Shameer K, Johnson KW, Glicksberg BS, Dudley JT, Sengupta PP. Machine learning in cardiovascular medicine: are we there yet? Heart. 2018;104(14):1156-1164.

3. Wieneke H, Voigt I. Principles of artificial intelligence and its application in cardiovascular medicine. Clin Cardiol. 2024;47(1):e24148.

4. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. Aplicaciones de la inteligencia artificial en cardiología: el futuro ya está aquí. Rev Esp Cardiol. 2019;72(12):1065-1075.

5. Segar MW, Jaeger BC, Patel KV, Nambi V, Ndumele CE, Correa A, et al. Development and validation of machine learning–based race-specific models to predict 10-year risk of heart failure: a multicohort analysis. Circulation. 2021;143(24):2370-2383.

6. Liu W, Huang Q, Chang S, Wang H, He J. Multiple-feature-branch convolutional neural network for myocardial infarction diagnosis using electrocardiogram. Biomed Signal Process Control. 2018;45:22-32.

7. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M. Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals. Inf Sci. 2017;415:190-198.

8. Zhao Y, Xiong J, Hou Y, Zhu M, Lu Y, Xu Y, et al. Early detection of ST-segment elevated myocardial infarction by artificial intelligence with 12-lead electrocardiogram. Int J Cardiol. 2020;317:223-230.

9. Zack CJ, Senecal C, Kinar Y, Metzger Y, Bar-Sinai Y, Widmer RJ, et al. Leveraging machine learning techniques to forecast patient prognosis after percutaneous coronary intervention. Cardiovasc Interventions. 2019;12(14):1304-1311.

10. Fairbairn TA, Nieman K, Akasaka T, Nørgaard BL, Berman DS, Raff G, et al. Real-world clinical utility and impact on clinical decision-making of coronary computed tomography angiography-derived fractional flow reserve: lessons from the ADVANCE Registry. Eur Heart J. 2018;39(41):3701-3711.

11. Coenen A, Kim YH, Kruk M, Tesche C, De Geer J, Kurata A, et al. Diagnostic accuracy of a machine-learning approach to coronary computed tomographic angiography-based fractional flow reserve: result from the MACHINE consortium. Circ Cardiovasc Imaging. 2019;11(6):e007217.

12. Du T, Xie L, Zhang H, Liu X, Wang X, Chen D, et al. Training and validation of a deep learning architecture for the automatic analysis of coronary angiography: Automatic recognition of coronary angiography. EuroIntervention. 2021;17(1):32.

13. Wu W, Zhang J, Xie H, Zhao Y, Zhang S, Gu L, et al. Automatic detection of coronary artery stenosis by convolutional neural network with temporal constraint. Comput Biol Med. 2020;118:103657.

14. Tao X, Dang H, Xiong DA lightweight network for accurate coronary artery segmentation using X-ray angiograms. Front Public Health. 2022;10:892418.

15. Sofian H, Ming JTC, Mohamad S, Noorliza N. Calcification detection using deep structured learning in intravascular ultrasound image for coronary artery disease. In 2018 2nd International Conference on BioSignal Analysis, Processing and Systems (ICBAPS). 2018;47-52.

16. Wang L, Tang D, Maehara A, Wu Z, Yang C, Muccigrosso D, et al. Using intravascular ultrasound image-based fluid-structure interaction models and machine learning methods to predict human coronary plaque vulnerability change. Comput Methods Biomech Biomed Engin. 2020;23(15):1267-1276.

17. Fedewa R, Puri R, Fleischman E, Lee J, Prabhu D, Wilson DL, et al. Artificial intelligence in intracoronary imaging. Curr Cardiol Rep. 2020;22:1-15.

18. Roguin A, Dogosh AA, Feld Y, Konigstein M, Lerman A, Koifman E. Early feasibility of automated artificial intelligence angiography based fractional flow reserve estimation. Am J Cardiol. 2021;139:8-14.

19. Earon WF, Achenbach S, Engstrom T, Assali A, Shlofmitz R, Jeremias A, et al. FAST-FFR Study Investigators. Accuracy of fractional flow reserve derived from coronary angiography. Circulation. 2019;139(4):477-484.

20. Leon MB, Smith CR, Mack MJ, Makkar RR, Svensson LG, Kodali SK, et al. Transcatheter or surgical aortic-valve replacement in intermediate-risk patients. N Engl J Med. 2016;374(17):1609-1620.

21. Thourani VH, Kodali S, Makkar RR, Herrmann HC, Williams M, Babaliaros V, et al. Transcatheter aortic valve replacement versus surgical valve replacement in intermediate-risk patients: a propensity score analysis. Lancet. 2016;387(10034):2218-2225.

22. Kwon JM, Lee SY, Jeon KH, Lee Y, Kim KH, Park J, et al. Deep learning–based algorithm for detecting aortic stenosis using electrocardiography. J Am Heart Assoc. 2020;9(7):e014717.

23. Hasimbegovic E, Papp L, Grahovac M, Krajnc D, Poschner T, Hasan W, et al. A sneak-peek into the physician’s brain: A retrospective machine learning-driven investigation of decision-making in TAVR versus SAVR for young high-risk patients with severe symptomatic aortic stenosis. J Pers Med. 2021;11(11):1062.

24. Sánchez-Puente A, Dorado-Díaz PI, Sampedro-Gómez J, Bermejo J, Martinez-Legazpi P, Fernández-Avilés F, et al. Machine Learning to Optimize the Echocardiographic Follow-Up of Aortic Stenosis. JACC Cardiovasc Imaging. 2023;16(6):733-744.

25. Sengupta PP, Shrestha S, Kagiyama N, Hamirani Y, Kulkarni H, Yanamala N, et al. A machine-learning framework to identify distinct phenotypes of aortic stenosis severity. Cardiovasc Imaging. 2021;14(9):1707-1720.

26. Santaló-Corcoy M, Corbin D, Tastet O, Lesage F, Modine T, Asgar A, et al. TAVI-PREP: A Deep Learning-Based Tool for Automated Measurements Extraction in TAVI Planning. Diagnostics. 2023;13(20):3181.

27. Theriault-Lauzier P, Alsosaimi H, Mousavi N, Buithieu J, Spaziano M, Martucci G, et al. Piazza, N. Recursive multiresolution convolutional neural networks for 3D aortic valve annulus planimetry. Int J Comput Assist Radiol Surg. 2020;15:577-588.

28. Benjamin MM, Rabbat MG. Artificial Intelligence in Transcatheter Aortic Valve Replacement: Its Current Role and Ongoing Challenges. Diagnostics. 2024;14(3):261.

29. Abdul Ghffar Y, Osman M, Shrestha S, Shaukat F, Kagiyama N, Alkhouli M, et al. Usefulness of Semisupervised Machine-Learning-Based Phenogrouping to Improve Risk Assessment for Patients Undergoing Transcatheter Aortic Valve Implantation. Am. J. Cardiol. 2020;136:122-130.

30. Hernández-Suárez DF, Kim Y, Villablanca P, Gupta T, Wiley J, Nieves-Rodríguez BG, et al. Machine Learning Prediction Models for In-Hospital Mortality after Transcatheter Aortic Valve Replacement. JACC Cardiovasc. Interv. 2019;12:1328-1338.

31. Jia Y, Luosang G, Li Y, Wang J, Li P, Xiong T, et al. Deep Learning in Prediction of Late Major Bleeding after Transcatheter Aortic Valve Replacement. Clin. Epidemiol. 2022;14:9-20.

32. Truong VT, Beyerbach D, Mazur W, Wigle M, Bateman E, Pallerla A, et al. Machine learning method for predicting pacemaker implantation following transcatheter aortic valve replacement. Pacing Clin. Electrophysiol. 2021;44:334-340.

33. Okuno T, Overtchouk P, Asami M, Tomii D, Stortecky S, Praz, F, et al. Deep learning-based prediction of early cerebrovascular events after transcatheter aortic valve replacement. Sci. Rep. 2021;11(1):18754.

34. Antoniadis AP, Mortier P, Kassab G, Dubini G, Foin N, Murasato Y, et al. Biomechanical modeling to improve coronary artery bifurcation stenting. Cardiovascular Interventions. 2015;8(10):1281-1296.

35. Zhao S, Wu W, Samant S, Khan B, Kassab GS, Watanabe Y, et al. Patient-specific computational simulation of coronary artery bifurcation stenting. Sci. Rep. 2021;11(1):16486.

36. Dowling C, Firoozi S, Brecker SJ. First-in-human experience with patient-specific computer simulation of TAVR in bicuspid aortic valve morphology. Cardiovasc Interventions. 2020;13(2):184-192.

37. El Faquir N, De Backer O, Bosmans J, Rudolph T, Buzzatti N, Bieliauskas G, et al. Patient-specific computer simulation in TAVR with the self-expanding Evolut R valve. Cardiovasc Interventions. 2020;13(15):1803-1812.

38. Young MN, Markley R, Leo T, Coffin S, Davidson MA, Salloum J., et al. Effects of advanced cardiac procedure simulator training on learning and performance in cardiovascular medicine fellows. J. Med. Educ. Curric. Dev. 2018;5:2382120518803118.

39. Weisz G, Metzger DC, Caputo RP, Delgado JA, Marshall JJ, Vetrovec GW, et al. Safety and feasibility of robotic percutaneous coronary intervention: PRECISE (Percutaneous Robotically-Enhanced Coronary Intervention) Study. J. Am. Coll. Cardiol. 2013;61(15):1596-1600.

40. Mahmud E, Naghi J, Ang L, Harrison J, Behnamfar O, Pourdjabbar A, et al. Demonstration of the safety and feasibility of robotically assisted percutaneous coronary intervention in complex coronary lesions: results of the CORA-PCI Study (Complex Robotically Assisted Percutaneous Coronary Intervention). JACC Cardiovasc Interventions. 2017;10(13):1320-1327.

41. Mahmud E, Schmid F, Kalmar P, Deutschmann H, Hafner F, Rief P, et al. Feasibility and safety of robotic peripheral vascular interventions: results of the RAPID trial. Cardiovasc Interventions. 2016;9(19):2058-2064.

Para descargar el PDF del artículo
Cardiología intervencionista en la era de la inteligencia artificial

Haga click aquí

---

Para descargar el PDF de la revista completa
Revista del CONAREC, Volumen Año 2024 Num 175

Haga click aquí