LABORATORIO DE URGENCIAS

Inteligencia Artificial y Evaluación Ecocardiográfica.

En Enfermedad Cardíaca Valvular

                                                                            Rashmi Nedadur, Bo Wang, Wendy Tsang
                                                                                                     Division of Cardiac Surgery, University of Toronto, Ontario, Canada
                                                                                                     Department of Laboratory Medicine and Pathobiology, University of Toronto, Ontario, Canada                                                                                                       Department of Computer Science, University of Toronto, Ontario, Canada
                                                                                                     Vector Institute of Artificial Intelligence, University of Toronto, Ontario, Canada 
                                                                                                     Peter Munk Cardiac Center,University Health Network, Toronto, Ontario, Canada
                                                                                                     Division of Cardiology, University of Toronto, Toronto, Ontario, Canada

                                                                                                                  Heart (2022);108:1592-1599.

                                                                                                            Resumido por: Christopher DiMaio

La incidencia global de la cardiopatía valvular (VHD) ha aumentado un 45% en los últimos 30 años, con una incidencia anual de 401 casos nuevos por cada 100 000 personas.1 Esto se debe al envejecimiento creciente de la población y a la VHD relacionada con la edad.1 La ecocardiografía es la modalidad de imagenología más común utilizada para identificar pacientes con VHD, ya que no es invasiva, portátil, está ampliamente disponible y es rentable, y proporciona una evaluación en tiempo real de la estructura y la función cardíacas. Actualmente, se realizan más de siete millones de ecocardiogramas anualmente en América del Norte. A pesar de esto, hay evidencia de que varios pacientes con VHD están infradiagnosticados. Simplemente aumentar el número de ecocardiogramas realizados para proporcionar detección a los millones de personas en riesgo de desarrollar VHD no es factible dentro de los paradigmas actuales de la práctica clínica y los límites presupuestarios. Incluso la llegada de las máquinas de ultrasonido portátiles/en el punto de atención puede no abordar esta necesidad, ya que la adquisición e interpretación de imágenes de calidad diagnóstica para la VHD requieren capacitación y experiencia. Además, los profesionales clínicos, con una alta carga de trabajo, deben incorporar imágenes multimodales y datos clínicos y bioquímicos del paciente para la toma de decisiones.
Los avances en el campo de la inteligencia artificial (IA) son muy prometedores para transformar la evaluación y el tratamiento de los pacientes con valvulopatías, ya que permiten simular la compleja toma de decisiones multimodal que requiere. Ya está cambiando la forma en que se adquieren, procesan y cuantifican las imágenes ecocardiográficas. Los métodos de IA también pueden aplicarse a la gran cantidad de información contenida en las imágenes, mediciones y datos clínicos obtenidos que actualmente no se tienen en cuenta durante la evaluación.
En esta revisión, analizaremos el trabajo emergente de la IA en la evaluación de las valvulopatías:.
- Primero, ofreceremos un resumen de los conceptos de IA relacionados con la imagenología médica y su implementación actual en la
  evaluación ecocardiográfica de imágenes valvulares.
- Segundo,examinaremos los métodos de IA utilizados para la fenotipificación de las valvulopatías y evaluaremos los estudios en este
  ámbito.
- Finalmente, analizaremos las futuras direcciones de la ecocardiografía y la evaluación valvular con IA.

IA en imágenes cardíacas
La IA es un método utilizado para identificar patrones de asociación entre predictores y resultados. Su poder reside en su capacidad para encontrar estas asociaciones a partir de grandes cantidades de datos y, sin conocimiento previo de las asociaciones, establecer relaciones no lineales entre una amplia variedad de predictores y un resultado de interés.
Estas grandes cantidades de datos, denominadas «big data», se caracterizan por las 4 V: volumen, variedad, velocidad y veracidad. Los datos de pacientes recopilados hoy en día pueden considerarse «big data» y la IA es potente en su capacidad para integrar múltiples datos y generar predicciones utilizando información clínica, de imagen, electrofisiológica y genómica..
Con un acceso mejorado a una potencia de cálculo significativa y, por lo tanto, la capacidad de procesar grandes cantidades de datos, la IA puede tomar decisiones complejas en una fracción del tiempo que necesitan los humanos.
Según el tipo de problema, se pueden aplicar diferentes algoritmos de IA a datos clínicos y de imagen.
El modelo más implementado ha sido la red neuronal convolucional (CNN) debido a su éxito en la imagenología médica.
La arquitectura de la CNN se modela con base en la corteza visual del cerebro e implica la identificación de características cruciales de la imagen que permiten su identificación.
Al aplicar diferentes filtros o tamices a una imagen, se pueden extraer características y correlacionarlas con el resultado de interés.
Esta forma de modelado puede ser extremadamente precisa, pero requiere una potencia de cálculo significativa y muchas imágenes para entrenar un modelo y construir asociaciones.
La IA se utiliza actualmente en la interpretación automatizada de ECG, las mediciones de las cámaras de TC y RMN cardíacas y, más recientemente, en el análisis de deformación por ecocardiografía bidimensional (2D) y el trazado Doppler. Dado el papel dominante de la ecocardiografía en la cardiopatía ventricular (VHD), esta revisión se centrará en esta modalidad. Los ecocardiogramas son ideales para aplicaciones de IA, ya que cada estudio ecocardiográfico contiene varios modos de adquisición, múltiples vistas y numerosos fotogramas que generan una gran cantidad de datos, de los cuales solo una fracción se aprecia clínicamente.
La IA, basada en estos macrodatos, puede generar mejoras en la evaluación de imágenes valvulares ecocardiográficas y la identificación de nuevos marcadores de enfermedad mediante el fenotipado.

IA: para mejorar la evaluación valvular mediante imágenes ecocardiográficas
La aplicación de la IA a imágenes ecocardiográficas en pacientes con valvulopatías ventriculares (VHD) se divide en cuatro categorías principales:
(1) adquisición de imágenes,
(2) reconocimiento de vistas,
(3) segmentación de imágenes,
(4) identificación del estado de la enfermedad.

Adquisición de imágenes
En pacientes con VHD, el estudio ecocardiográfico se centra en la adquisición de imágenes que permitan diagnosticar la gravedad de la valvulopatía y su impacto en las estructuras cardíacas relacionadas. Por lo tanto, además de las cámaras cardíacas, las imágenes adquiridas deben permitir una visualización clara de las valvas/cúspides valvulares, el origen y la extensión del chorro en lesiones regurgitantes, la fuente de aceleración del flujo en lesiones estenóticas y la señal Doppler continua completa de los flujos máximos. La adquisición de dichas imágenes requiere entrenamiento, especialmente cuando los chorros regurgitantes son excéntricos o se adhieren a la pared, o los gradientes son máximos en planos fuera del eje no tradicionales. Algunos laboratorios han abordado problemas de calidad específicos, como la adquisición de gradientes máximos de estenosis aórtica (EA) mediante la implementación de sistemas de "compañero". Sin embargo, esto requiere mucho tiempo y trabajo.
La IA tiene el potencial de mejorar las evaluaciones valvulares mediante el desarrollo de programas que guían la adquisición de imágenes. Actualmente, el enfoque de dicha adquisición de imágenes asistida por IA se ha centrado en imágenes básicas sin color, como las vistas paraesternal o apical. Uno de estos algoritmos de IA desarrollados se ha evaluado comparando la calidad de las imágenes adquiridas por enfermeras noveles que exploran a pacientes con guía de IA con ecografistas expertos. El porcentaje de imágenes evaluables de las válvulas aórtica, mitral y tricúspide obtenidas por los usuarios noveles fue del 91,7 %, 96,3 % y 83,3 %, respectivamente.
Se podrán utilizar iteraciones futuras de estos programas de etapa temprana en pacientes con insuficiencia mitral o tricúspide o para guiar la interrogación Doppler en EA.

Identificación de vistas
De forma similar a su uso actual para identificar vistas del ventrículo izquierdo (VI), la IA podría mejorar la evaluación valvular al identificar imágenes que contienen datos valvulares, lo que permite la lectura en pilas, la automatización de mediciones e incluso facilitar la interpretación según los criterios de las directrices actuales. Esto podría suponer un ahorro de tiempo significativo y mejorar potencialmente la calidad de los informes al aumentar la concordancia en la evaluación de la gravedad entre los lectores, que puede ser tan baja como el 61 % para la insuficiencia mitral (IM). El primer paso para estos programas de IA sería identificar las vistas que incluyen información valvular.
Si bien se han publicado numerosos artículos sobre la identificación de vistas estándar, pocos han identificado la anatomía valvular específica o las señales Doppler. Una publicación describe el uso de la IA para identificar y rastrear las valvas de las válvulas mitral y tricúspide en la vista apical de cuatro cámaras para identificar la presencia de patología. Este artículo informó que su programa podía detectar las valvas de la válvula mitral con una precisión del 98 % y las de la válvula tricúspide con una precisión del 90 %. Los estudios también han reportado un éxito general en la identificación de datos Doppler del 94 %. Un programa de IA independiente ha demostrado que la precisión en la identificación de imágenes de señal Doppler de onda continua (CW) es superior, con un 98 %, en comparación con las imágenes de onda pulsada (PW), que presentan una precisión del 83 %, debido a que una señal PW puede parecerse a una señal CW débil.

Segmentación de imágenes
El análisis automatizado de imágenes basado en IA para obtener mediciones mejoraría considerablemente las evaluaciones cuantitativas, la precisión y la reproducibilidad. Esto se puede lograr mediante la segmentación de imágenes, que consiste en reconocer una estructura específica en la imagen, identificar sus límites y realizar mediciones. La segmentación de imágenes se puede aplicar a imágenes ecocardiográficas bidimensionales y tridimensionales (3D) con el objetivo de automatizar las mediciones de tamaño y función. Cabe destacar que la mayor parte de este trabajo se ha realizado utilizando imágenes etiquetadas, pero existen algunos estudios que desarrollan programas sin delineación manual de imágenes. Además, se puede segmentar el anillo valvular, las valvas/cúspides, los chorros y los perfiles espectrales Doppler. Anillo y valva valvular
Se han desarrollado programas comerciales y no comerciales que utilizan métodos de IA para proporcionar mediciones valvulares automatizadas a partir de imágenes ecocardiográficas 3D aórticas, mitrales y tricúspides. Cabe destacar que los primeros programas en esta área se basaban en métodos computacionales, que aplican reglas matemáticas para la automatización, en lugar de métodos de IA como las CNN. Debido a la naturaleza propietaria de los paquetes de software comerciales, no se dispone de detalles sobre los algoritmos de IA incluidos, aunque es probable que las iteraciones actuales incluyan algún tipo de análisis de IA.
En general, estos paquetes comerciales presentan algunas limitaciones. Algunos son procesos técnicamente semiautomatizados que requieren la inicialización por parte de un experto, y otros solo pueden aplicarse a imágenes generadas por equipos ecocardiográficos del mismo proveedor.

Consideraciones metodológicas para la fenotipificación en estudios de valvulopatías
Para evaluar los estudios de fenotipificación, existen cinco componentes metodológicos útiles. Para determinar los criterios de inclusión, el grupo de la enfermedad debe presentar un fenotipo heterogéneo con un subgrupo con peores resultados. Se debe prestar atención a los sesgos inherentes, como los relacionados con el sexo o la raza, que pueden afectar a la población incluida en un conjunto de datos. Los predictores deben derivarse de diversas fuentes de datos, ya que el uso de IA para combinar datos de ecocardiogramas, otras imágenes, ECG y datos clínicos de pacientes puede mejorar la identificación de grupos de alto riesgo gracias a una mayor granularidad de los datos. Durante la selección del algoritmo, se puede utilizar el aprendizaje no supervisado para derivar grupos que puedan estudiarse y compararse con otros grupos para identificar grupos de alto riesgo y nuevos predictores de estos grupos.
Las métricas de rendimiento deben incluir mediciones de la mejora del rendimiento de la clasificación.
La validación del modelo es importante para garantizar que funcione con ejemplos no utilizados en el entrenamiento y sea generalizable a su tarea. Esta medida es importante, ya que los datos de entrenamiento pueden estar sesgados y contribuir al sesgo en el modelado. La validación puede adoptar diversas formas y se adapta al propósito del modelado.

Estudios de fenotipado con parámetros derivados de la ecocardiografía
Casaclang-Verzosa et al. utilizaron aprendizaje automático no supervisado para crear una red de similitud entre pacientes que describiera la progresión entre EA leve y grave en 346 pacientes, utilizando 79 variables clínicas y ecocardiográficas. Se creó un gráfico de Reeb, donde las distancias entre pacientes definen sus similitudes, mediante análisis topológico de datos. Se visualizaron dos subtipos de pacientes con EA moderada: un grupo de varones con menor fracción de eyección y mayor enfermedad coronaria, mientras que el otro grupo presentó una velocidad AV máxima y gradientes medios más bajos, pero índices de masa del VI y volúmenes auriculares izquierdos más altos. En el seguimiento posterior al reemplazo valvular aórtico (RVA), los loci de los pacientes en el gráfico de Reeb retrocedieron de la posición grave a la leve. El modelo se validó posteriormente en un modelo murino de EA, con hallazgos similares a los del gráfico de Reeb humano. A partir de este análisis, se identificó un subconjunto de pacientes con EA moderada que experimentan un deterioro agresivo de la función ventricular izquierda (VI). Esta estratificación superior respalda el uso de los cambios en la función ventricular izquierda (VI) y aurícula derecha (AV) a lo largo de un continuo en el manejo de la enfermedad.
Sengupta et al., investigadores, buscaron identificar un grupo de alto riesgo entre una cohorte de 1052 pacientes con EA leve o moderada y un grupo con EA discordante, el grupo tradicional de bajo flujo y bajo gradiente. El análisis topológico de datos basado en parámetros ecocardiográficos arrojó un fenotipo de alto riesgo con puntuaciones más altas de calcio AV, mayor realce tardío de gadolinio, niveles más altos de proteína natriurética cerebral y troponina, mayor incidencia de RVA y fallecimiento antes y después de la RVA.
Estas relaciones se mantuvieron cuando el conjunto de datos se limitó únicamente a la EA discordante. La validación del modelo incluyó el desarrollo de un modelo de ML supervisado con un AUC de 0,988, que presentó una mejor discriminación (mejora de la discriminación integrada de 0,07) y reclasificación (mejora neta de la reclasificación de 0,17) para el resultado de SVA a los 5 años, en comparación con nuestra clasificación tradicional de la gravedad valvular. Este trabajo demostró que, mediante mediciones ecocardiográficas y ML, se puede mejorar la estratificación del riesgo en la EA discordante, donde los riesgos se pueden identificar sin necesidad de pruebas adicionales.
Kwak et al. utilizaron la agrupación basada en modelos de 398 pacientes con EA moderada y grave de reciente diagnóstico, con 11 parámetros demográficos, de laboratorio y ecocardiográficos, para identificar un subgrupo de alto riesgo que podría no beneficiarse de la intervención valvular. Encontraron tres grupos de pacientes que diferían en edad, remodelado del VI y síntomas. Estos grupos presentaban diferentes riesgos de mortalidad: un grupo experimentaba una mayor mortalidad por cualquier causa y otro grupo presentaba una alta mortalidad cardíaca. Al añadir la variable de conglomerados al modelo que predice la mortalidad por cualquier causa a 3 años, se observó una mejora en la discriminación (mejora de la discriminación integrada: 0,029) y una mejora en la reclasificación neta (0,294).
Entre los hallazgos importantes de este estudio se incluyen:
* la integración de mediciones no ecocardiográficas
* medidas no tradicionales de la gravedad de la enfermedad en la
  estratificación del riesgo de pacientes con EA.
Este estudio sugiere que los pacientes con alto riesgo de muerte por causas no cardíacas podrían justificar una estrategia terapéutica diferente.

Resumen y futuras orientaciones
La aplicación de la IA a la evaluación valvular ecocardiográfica está en auge y será esencial dadas las limitaciones de tiempo clínicas y el creciente volumen de datos de pacientes. La automatización de la ecocardiografía mediante IA puede reducir las barreras estructurales y económicas para la atención de las cardiopatías valvulares, democratizando el acceso al cribado de enfermedades, la evaluación valvular en el punto de atención y, potencialmente, la derivación para intervención. Por ejemplo, afecciones como la cardiopatía reumática, infradiagnosticada en poblaciones marginadas, podrían beneficiarse de la detección automatizada de enfermedades y ayudar a conectar a los pacientes con los servicios de salud.
Además, plataformas como la computación en la nube federada permiten la adquisición automatizada de imágenes en zonas de difícil acceso, con interpretación/consulta de imágenes en tiempo real en otros lugares, de forma privada y fiable.
Las aplicaciones de IA en el fenotipado podrían utilizarse en otras circunstancias donde la evaluación valvular mediante ecografía puede ser compleja, como en la identificación de EA de bajo flujo y bajo gradiente, o en la cuantificación de la enfermedad en valvulopatías mixtas.
En general, la IA puede optimizar el uso de la ecografía en la atención médica, lo que permite una mejor identificación, diagnóstico y tratamiento de las valvulopatías...