La insuficiencia cardíaca se caracteriza por el debilitamiento o daño del músculo cardíaco, lo que provoca una acumulación gradual de líquido en los pulmones, piernas y otras partes del cuerpo. Esta condición es crónica e incurable, y puede resultar en arritmias o paro cardíaco repentino. Durante siglos, el tratamiento preferido fue la sangría, una práctica común entre los barberos cirujanos en Europa.
En la actualidad, el manejo de la insuficiencia cardíaca ha avanzado significativamente. Los pacientes realizan cambios en su estilo de vida, reciben medicamentos y, en algunos casos, utilizan marcapasos. Sin embargo, la insuficiencia cardíaca sigue siendo una de las principales causas de morbilidad y mortalidad, generando una carga considerable en los sistemas de salud a nivel mundial.
Desarrollo de un modelo de predicción
“Aproximadamente la mitad de las personas diagnosticadas con insuficiencia cardíaca morirán dentro de los cinco años posteriores al diagnóstico”, afirma Teya Bergamaschi, estudiante de doctorado en el MIT y coautora de un nuevo estudio que introduce un modelo de aprendizaje profundo para predecir el pronóstico de insuficiencia cardíaca. “Entender cómo se comportará un paciente tras la hospitalización es crucial para asignar recursos limitados”.
El artículo, publicado en Lancet eClinical Medicine, presenta el modelo PULSE-HF, que se traduce como “Predecir cambios en la función sistólica ventricular izquierda a partir de ECGs de pacientes con insuficiencia cardíaca”. Este modelo fue desarrollado y probado en el laboratorio de Collin Stultz, asociado al MIT Abdul Latif Jameel Clinic for Machine Learning in Health. Se realizó una prueba retrospectiva en tres cohortes de pacientes de hospitales de Massachusetts, logrando predecir con precisión cambios en la fracción de eyección ventricular izquierda (LVEF).
Prevención y seguimiento de pacientes
Un corazón humano sano bombea entre el 50 y el 70 por ciento de sangre de su ventrículo izquierdo con cada latido. El modelo PULSE-HF puede predecir si la fracción de eyección de un paciente caerá por debajo del 40 por ciento en el próximo año. Esto permite a los clínicos priorizar el seguimiento de pacientes en riesgo, reduciendo las visitas hospitalarias de aquellos con menor riesgo.
La implementación de este modelo en entornos clínicos de bajos recursos, como consultorios rurales, podría facilitar el diagnóstico y tratamiento de la insuficiencia cardíaca, donde la disponibilidad de sonografistas cardíacos es limitada. “Lo que distingue a PULSE-HF de otros métodos es que, en lugar de detectar, pronostica”, añade Tiffany Yau, coautora del estudio.
Desafíos y futuro del modelo
Durante el proceso de validación, los investigadores utilizaron la métrica conocida como “área bajo la curva característica del receptor” (AUROC) para medir el rendimiento de PULSE-HF, logrando AUROCs entre 0.87 y 0.91. Además, se desarrolló una versión del modelo para ECG de un solo derivado, manteniendo un rendimiento similar al del modelo de 12 derivaciones.
A pesar de los retos asociados a la recolección y limpieza de datos, el equipo ve un valor significativo en su trabajo. “Las cosas son gratificantes en parte porque son desafiantes”, comenta Bergamaschi. Con la mirada puesta en el futuro, los investigadores planean probar el modelo en un estudio prospectivo con pacientes reales.
