Un equipo de investigadores de Mayo Clinic desarrolló y evaluó de forma prospectiva un modelo de aprendizaje profundo o deep learning diseñado específicamente para detectar estenosis aórtica moderada o grave. La herramienta utiliza exámenes de ultrasonido cardiaco enfocado guiados por inteligencia artificial (IA), logrando su funcionamiento incluso cuando son realizados por operadores sin experiencia previa en ecografía. Los resultados de este estudio fueron publicados recientemente en la revista científica JAMA Cardiology.
La estenosis aórtica es una condición médica que afecta de manera aproximada al 12% 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 y relevancia clínica, con frecuencia esta patología se subdiagnostica y se trata de forma tardía en los pacientes. El reconocimiento tardío de la enfermedad se asocia directamente con complicaciones graves como remodelación ventricular adversa, insuficiencia cardiaca y un aumento en la mortalidad.
Actualmente, la ecocardiografía transtorácica es considerada el estándar diagnóstico de referencia para esta enfermedad. Sin embargo, su realización como 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 las barreras del método tradicional. "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. Estos requisitos pueden limitar el acceso, particularmente en entornos con recursos restringidos, y hacen que la ecocardiografía integral no sea factible ni costo-efectiva como herramienta de tamizaje amplio", señaló el especialista.
Para superar estas barreras, el modelo de inteligencia artificial se desarrolló utilizando datos correspondientes a 6 mil 753 pacientes. Posteriormente, fue evaluado en cohortes de validación interna, prueba interna y validación geográficamente distintas, las cuales correspondieron a sedes de Mayo Clinic ubicadas en el medio oeste, Arizona y Florida, en Estados Unidos. Durante las pruebas en la cohorte interna, el algoritmo alcanzó un área bajo la curva ROC (AUROC) de 0.99, obteniendo resultados similares en las cohortes de los estados de Arizona y Florida. En las evaluaciones realizadas por ecografistas experimentados que utilizaron dispositivos portátiles, el sistema demostró una sensibilidad del 95% y una especificidad del 97%.
En una fase posterior, el equipo de investigación evaluó el modelo de forma prospectiva en un total de mil 302 pacientes. A estos participantes se les practicó una ecografía cardiaca enfocada guiada por IA, la cual fue llevada a cabo 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. Del total de estas exploraciones, el 96.6% resultaron adecuadas para el análisis automatizado. Los resultados mostraron una sensibilidad del 93% y una especificidad del 96%, tomando como estándar de referencia una ecocardiografía Doppler completa.
Por su parte, el doctor Jared Bird, cardiólogo de Mayo Clinic y colíder del estudio, se refirió al propósito fundamental de la investigación. "Queríamos ver 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 e identificar a los pacientes que podrían necesitar una evaluación adicional", indicó.
Durante el estudio, los investigadores también pusieron a prueba un flujo de trabajo estructurado en dos pasos. En este esquema, los casos que fueron clasificados por la IA como positivos o no interpretables —que representaron aproximadamente el 10% del total— se sometieron a la revisión de un cardiólogo experto. Esta estrategia demostró elevar el valor predictivo positivo desde un 49.4% hasta un 91.1%, manteniendo una sensibilidad del 85.4%. Asimismo, esta metodología logró reducir la necesidad de derivar a los pacientes a una ecocardiografía completa a tan solo el 4.8% de los participantes totales.
Los autores del estudio aclararon enfáticamente que el propósito principal de esta herramienta tecnológica es servir como una estrategia eficaz de clasificación de riesgo, y no funcionar como un método de diagnóstico definitivo. El modelo desarrollado no mide directamente la hemodinámica valvular ni determina por sí mismo la gravedad exacta de la estenosis; en su lugar, se encarga de identificar un patrón morfológico bidimensional que se encuentra asociado con la presencia de enfermedad moderada o grave. Debido a esto, todos los casos que resulten positivos requieren obligatoriamente una confirmación posterior mediante una ecocardiografía Doppler completa.
Entre las limitaciones señaladas en la investigación, los autores indicaron que, a pesar de que el desempeño del modelo fue consistente entre distintas sedes dentro de un mismo sistema de salud y se mantuvo estable al utilizar imágenes obtenidas con dispositivos portátiles, aún es necesario realizar una validación prospectiva en sistemas de salud independientes que cuenten con distintos proveedores de ultrasonido y protocolos de adquisición heterogéneos.
Asimismo, los investigadores apuntaron que los participantes del estudio fueron reclutados directamente de una población con derivación clínica a ecocardiografía y no de una población de tamizaje no seleccionada. También destacaron que los efectos reales que este modelo pueda tener sobre los patrones de derivación médica, el uso de los recursos sanitarios y los desenlaces clínicos de los pacientes todavía se desconocen y deben ser analizados en el futuro.
Para concluir, los autores afirmaron que estos hallazgos respaldan la realización de evaluaciones adicionales sobre esta estrategia, visualizándola como una herramienta escalable que podría implementarse para la clasificación de riesgo, y posiblemente como un método de tamizaje útil, en entornos de atención primaria, comunitarios y en aquellos lugares que cuentan con recursos limitados.
