LABORATORIO DE URGENCIAS

Detección Rápida de Insuficiencia Cardíaca con Fracción de Eyección Reducida Mediante IA

Estudio Prospectivo, Observacional y Mmulticéntrico; Londres, Reino Unido

                                                                                      Patrik Bachtiger, MBBS; Camille Petri, MD; Francesca Scott, BSc;
                                                                           Se Ri Park, BSc; Mihir Kelshiker, MBBS; Harpreet Sahemey, MSc; et al
                                                                            * National Hear-Lung Institute and Centre for Cardiac Engineering, Imperial College London, London, UK
                                                                            * Imperial College Healthcare NHS Trust, London, UK
                                                                            * UKRI Centre for Doctoral Training in AI for Healthcare, Imperial College London, London, UK
                                                                            * NHS Ealing Clinical Commissioning Group, London, UK
                                                                            * Center for Research in Cardiology, Beth Israel Deaconess Medical Center, Harvard Medical School, Boston,
                                                                               MA, US

                                                                                                                                         The Lancet (2022); vol 4; issue 2

EVIDENCIA PREVIA A ESTE ESTUDIO

Estudios previos han aplicado métodos de aprendizaje profundo para identificar el ECG de 12 derivaciones como un biomarcador digital preciso para detectar cambios en la fracción de eyección del ventrículo izquierdo (FEVI). Buscamos en las bases de datos Embase y MEDLINE artículos relevantes de texto completo, escritos en inglés y publicados entre el inicio de las bases de datos y el 2 de julio de 2021. Nuestras cadenas de búsqueda incluyeron “ECG” o “EKG” O “electrocardiograma”, Y “aprendizaje profundo” O “red neuronal” O ​​“aprendizaje automático” Y “predicción” O “cribado” Y “insuficiencia cardíaca” o “disfunción sistólica” O “fracción de eyección”.
Se revisaron 1284 resúmenes para determinar su idoneidad y se recuperaron 26 artículos de texto completo. Identificamos diez estudios de investigación originales que aplicaron aprendizaje profundo para predecir la FEVI utilizando ECG de 12 derivaciones como datos de entrada. Seis de estos estudios se relacionan con el algoritmo de la Clínica Mayo para detectar una fracción de eyección del ventrículo izquierdo (FEVI) baja a partir de un electrocardiograma de 12 derivaciones (conocido como ECG con inteligencia artificial [IA]), que ha sido validado retrospectivamente de forma externa en cohortes de la Clínica Mayo y en una población rusa.
Más recientemente, el ECG con IA se evaluó en un ensayo aleatorizado pragmático que lo utilizó en centros de atención primaria de la Clínica Mayo, destacando una mayor tasa de diagnóstico de FEVI ≤50% en el grupo de intervención. El perfil de los pacientes en todos estos estudios es de al menos un 90% de raza blanca. No existen estudios que describan el uso del ECG con IA utilizando únicamente un electrocardiograma de una sola derivación como entrada para la predicción de una FEVI del 40% o inferior, y específicamente ningún estudio que utilice un estetoscopio con capacidad para ECG para obtener instantáneamente esta información para la detección en el punto de atención.

Valor añadido de este estudio
Hemos completado el primer estudio prospectivo multicéntrico, de ECG con IA reentrenada para utilizar un electrocardiograma de una sola derivación como entrada. Además, estos datos se registraron durante un examen con estetoscopio con ECG en puntos de referencia anatómicos universales para la auscultación cardíaca, además de una posición manual.
Nuestros participantes fueron pacientes del Servicio Nacional de Salud del Reino Unido que acudieron a una ecocardiografía transtorácica, donde la fracción de eyección del ventrículo izquierdo (FEVI) derivada del ecocardiograma transtorácico se utilizó como referencia para evaluar el rendimiento del ECG con IA de una sola derivación. Nos centramos en la detección de una FEVI reducida (≤40%), dada la disponibilidad de terapias con beneficio pronóstico en este grupo. Nuestro estudio demuestra la precisión del ECG con IA utilizando datos de una sola derivación y que un examen con estetoscopio con ECG de 15 segundos puede registrar de forma fiable (>93%) datos adecuados para dicho análisis. Destacamos la posición sobre la válvula pulmonar como la que presenta la mayor área bajo la curva e indicamos que esta calidad puede mejorarse aún más utilizando registros de dos posiciones combinados, ya sea mediante un enfoque simple basado en reglas o mediante el procesamiento de los resultados del ECG con IA mediante regresión logística. Es importante destacar que nuestra población presenta una diversidad racial sin precedentes (41 % no blanca).

Implicaciones de toda la evidencia disponible
Nuestro estudio sugiere que la ECG con IA puede aplicarse para la detección en el punto de atención de la fracción de eyección del ventrículo izquierdo (FEVI) reducida utilizando únicamente un electrocardiograma de una sola derivación.
La obtención de datos mediante un estetoscopio con capacidad para ECG utiliza una herramienta clínica familiar con un flujo de trabajo universal, lo que podría facilitar su adopción clínica. Se requieren estudios prospectivos adicionales para determinar si el rendimiento de la ECG con IA se mantiene en una población de cribado no seleccionada. La posibilidad de realizar cribado de FEVI reducida en entornos de atención primaria podría contribuir a abordar la realidad de que la FEVI reducida se diagnostica principalmente durante el ingreso hospitalario.

                                                       _______________________________________

La creciente carga mundial de insuficiencia cardíaca se ve agravada por el diagnóstico tardío, que empeora el pronóstico de los pacientes e incrementa los costos para los sistemas de salud, principalmente debido a hospitalizaciones evitables. En el Reino Unido, el Plan a Largo Plazo del Servicio Nacional de Salud (NHS) subraya esta deficiencia en la atención, destacando que «el 80 % de los casos de insuficiencia cardíaca se diagnostican actualmente en el hospital, a pesar de que el 40 % de los pacientes presentan síntomas que deberían haber motivado una evaluación más temprana». Entre estos pacientes, aproximadamente el 50 % presenta insuficiencia cardíaca con fracción de eyección reducida, definida por una fracción de eyección del ventrículo izquierdo (FEVI) del 40 % o inferior, obtenida mediante ecocardiograma.
El pronóstico para este grupo de pacientes continúa mejorando gracias a los avances en terapias farmacológicas y con dispositivos rentables, donde el inicio oportuno maximiza los beneficios.
Existe una importante necesidad no cubierta de un cribado en el punto de atención, económico y práctico, para detectar una FEVI del 40 % o inferior. Mediante la aplicación de inteligencia artificial (IA), el ECG de 12 derivaciones se ha descrito como un biomarcador digital preciso para las etapas de compromiso de la fracción de eyección del ventrículo izquierdo (FEVI). Investigaciones previas de la Clínica Mayo demostraron que una red neuronal convolucional (conocida como IA-ECG), entrenada con ECG de 12 derivaciones etiquetados con la FEVI correspondiente derivada del ecocardiograma, podía detectar una FEVI del 35 % o inferior con una sensibilidad del 86,3 % y una especificidad del 85,7 %. Este modelo de IA-ECG se ha validado externamente con ECG de 12 derivaciones en cohortes adicionales del medio oeste de Estados Unidos y en una población rusa (sensibilidad del 80,8 % y especificidad del 67,3 %). Recientemente, un ensayo controlado aleatorizado por conglomerados facilitó el acceso a la ECG asistida por IA para la interpretación de ECG de 12 derivaciones en una cohorte de centros de atención primaria de la Clínica Mayo, destacando un aumento en el diagnóstico de FEVI del 50 % o inferior (odds ratio [OR] 1,32 (1,01–1,61)). La aparición de estetoscopios con capacidad para registrar ECG, capaces de registrar ECG de una sola derivación durante la auscultación rutinaria, pone de manifiesto la oportunidad de aplicar la ECG asistida por IA para la detección en el punto de atención. Más allá de la precisión del algoritmo al utilizar únicamente ECG de una sola derivación, este enfoque depende de que estos datos sean fáciles de registrar y de una calidad adecuada para intentar la interpretación mediante ECG asistida por IA. Nuestro objetivo fue investigar si la ECG asistida por IA, reentrenada para utilizar ECG de una sola derivación como entrada, podría interpretar registros de un estetoscopio con capacidad para registrar ECG en sitios anatómicos establecidos durante la exploración clínica rutinaria, y si podría detectar una FEVI del 40 % o inferior en una población no estudiada previamente. Nuestro estudio puso a prueba la hipótesis de que una fracción de eyección del ventrículo izquierdo (FEVI) del 40 % o inferior podría detectarse con una precisión igual o superior a la clínicamente significativa de estudios previos de ECG de 12 derivaciones (sensibilidad >81 % y especificidad >67 %), lo que demuestra que un elemento fundamental de la atención al paciente —la exploración con estetoscopio— podría ofrecer una oportunidad de cribado en el punto de atención.

MÉTODOS

Diseño del estudio y participantes
En este estudio prospectivo multicéntrico, se reclutaron pacientes de siete centros del NHS (incluidos hospitales y centros de salud comunitarios) que realizan ecocardiografías transtorácicas en Londres, Reino Unido.
Los participantes fueron reclutados por 15 operadores (seis médicos, seis ecografistas y tres estudiantes de medicina de último año), todos ellos con la misma formación. Todos los adultos (mayores de 18 años) que acudían a realizarse una ecocardiografía transtorácica eran elegibles para participar (pacientes hospitalizados y ambulatorios). Los pacientes acudían a realizarse la ecocardiografía transtorácica como parte de su atención clínica rutinaria, tras haber sido derivados por médicos para diversas indicaciones estándar, como la investigación de síntomas (p. ej., disnea, edema periférico, fatiga y dolor torácico) y la detección precoz (p. ej., debido a hipertensión, arritmia, ictus o sospecha de valvulopatía). No se excluyó a los pacientes en función del motivo de la derivación para la ecocardiografía transtorácica ni de sus características clínicas. Se obtuvo el consentimiento informado por escrito de todos los participantes antes de su inscripción.
El diseño del modelo para el ECG-AI de 12 derivaciones se ha descrito previamente. En resumen, el modelo utiliza una red neuronal convolucional, entrenada con 35 970 pares independientes de ECG de 12 derivaciones y ecocardiogramas procedentes del repositorio de datos digitales de la Clínica Mayo. Probamos la versión de ECG-AI de una sola derivación de la Clínica Mayo, que utiliza una arquitectura de modelo similar, reentrenada con cada ECG de una sola derivación extraído del conjunto de datos original de 12 derivaciones.
Para cada entrada de ECG de una sola derivación, la salida de la red neuronal convolucional es un valor continuo entre 0 y 1, que indica la probabilidad de que esté presente la condición de interés, es decir, una fracción de eyección del ventrículo izquierdo (FEVI) del umbral especificado, compatible con insuficiencia cardíaca con fracción de eyección reducida (FEVI ≤40 %, donde existen terapias con beneficio pronóstico). El umbral de la IA-ECG se puede ajustar en una escala de 0 a 1 según el valor de corte de la FEVI de interés y el equilibrio entre rendimiento (por ejemplo, sensibilidad y especificidad). El estetoscopio con ECG integrado registra 15 segundos de ECG de una sola derivación, de los cuales el modelo de IA-ECG analiza únicamente los primeros 10 segundos. Mediante un clasificador de aprendizaje profundo independiente, entrenado con anotaciones de calidad de señal y validado con datos de referencia determinados por votación mayoritaria de tres cardiólogos, las grabaciones de ECG se clasifican como de calidad adecuada o inadecuada para su interpretación por la IA-ECG. La IA-ECG interpretará cualquier onda de ECG de calidad adecuada y generará una predicción, independientemente de la posición u orientación desde la que se registre el ECG de una sola derivación. Procedimientos
El reclutamiento de pacientes comenzó el 6 de febrero de 2021. A todos los participantes se les realizó un electrocardiograma (ECG) de 15 segundos en decúbito supino, con una sola derivación, mediante dos electrodos en un estetoscopio con capacidad para ECG de uso común (Eko DUO; Eko Health, Oakland, CA, EE. UU.). Todas las grabaciones se realizaron dentro de las 24 horas posteriores al ecocardiograma transtorácico; casi todas se registraron durante la misma consulta clínica. Los miembros del equipo de investigación desconocían la fracción de eyección del ventrículo izquierdo (FEVI) de los participantes al momento de la grabación y permanecieron ciegos a estos resultados durante todo el estudio.
El estetoscopio con capacidad para ECG tiene dos electrodos en el lado que mira hacia el paciente. Su colocación en el tórax del paciente (o su uso manual) crea un vector para registrar los ECG. Para simplificar y seguir un flujo de trabajo clínico habitual, las posiciones se registraron secuencialmente en puntos de referencia anatómicos estándar para la auscultación de las válvulas aórtica, pulmonar, tricúspide y mitral, y en una posición manual.
La angulación fija y única especificada para cada posición se determinó mediante consenso clínico, basándose en lo que resultaba más intuitivo y permitía capturar diversos vectores en las cinco posiciones. Las posiciones aórtica y pulmonar se registraron con el dispositivo inclinado hacia la izquierda, mientras que la posición tricúspide se mantuvo en posición vertical y la mitral en posición horizontal. Si bien la colocación precordial no es idéntica a la de los electrodos para un ECG de 12 derivaciones, los vectores explorados fueron similares. Por ejemplo, la posición de la válvula pulmonar se asemeja más a la derivación 2 de un ECG de 12 derivaciones.
Los sonidos cardíacos (fonocardiogramas) se registraron automáticamente de forma simultánea, pero no sirvieron como datos de entrada para el ECG con IA. Para la posición de mano, se pidió a los pacientes que colocaran los pulgares sobre los dos electrodos, con el pulgar izquierdo sobre el electrodo explorador, de forma que este representara la derivación 1 de un ECG estándar de 12 derivaciones.
El estetoscopio con ECG integrado transmitió registros de ECG de una sola derivación mediante Bluetooth para su visualización a través de una aplicación para smartphone Android o iOS (Eko Digital Stethoscope + ECG; Eko Health).
La aplicación notificaba al operador cuando la señal de ECG tenía la calidad adecuada o inadecuada para intentar su interpretación por el algoritmo. Solo se permitió un intento de registro por posición. Los datos de la forma de onda del ECG fueron analizados en tiempo real por el ECG con IA mediante una red neuronal convolucional en la nube, alojada por el fabricante del dispositivo, utilizando protocolos que cumplen con la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA) y el Reglamento General de Protección de Datos (RGPD). No se almacenó información en los smartphones de los usuarios. El examen completo duró aproximadamente 2 minutos por paciente. Las predicciones brutas de ECG mediante IA para cada electrocardiograma de una sola derivación se obtuvieron del panel de control en línea del fabricante del estetoscopio y se combinaron con una base de datos segura y anonimizada que contenía variables demográficas y clínicas relevantes para cada participante.

Resultados
Nuestro resultado principal fue la identificación de pacientes con una fracción de eyección del ventrículo izquierdo (FEVI) del 40 % o inferior a partir de registros de ECG de una sola derivación obtenidos con el estetoscopio con capacidad para ECG. Para la evaluación de la precisión diagnóstica, el estándar de referencia fue el porcentaje de FEVI medido en un ecocardiograma transtorácico 2D realizado por ecocardiografistas acreditados por la Sociedad Británica de Ecocardiografía. La FEVI se registró siguiendo el mismo enfoque que la Clínica Mayo para etiquetar el conjunto de datos de entrenamiento de referencia para el ECG mediante IA. Es decir, la primera FEVI disponible de una secuencia jerárquica estándar: un enfoque biplano mediante el método de Simpson, un método 2D o el modo M y, en ausencia de cualquiera de los anteriores, la FEVI estimada visualmente. Cuando la FEVI se informó como un rango, se utilizó el valor medio. La FEVI se binarizó según el punto de corte de interés.

Análisis estadístico.
Las variables demográficas y clínicas se resumieron para la cohorte total mediante medias y desviaciones estándar. Comparamos los grupos estratificados por FEVI (>40 % frente a ≤40 %) mediante la prueba t de Student para variables continuas o la prueba χ² de Pearson para variables categóricas, según correspondiera, considerando un valor de p < 0,05 como estadísticamente significativo. Las 18 opciones posibles de etnia se agruparon en blanca, negra, asiática, mestiza y otras.
Utilizando los resultados del modelo de IA-ECG en el intervalo de 0 a 1, se midió el rendimiento en la clasificación de la FEVI (>40 % frente a ≤40 %) para cada posición calculando el área bajo la curva ROC (AUROC), utilizando como referencia el porcentaje de FEVI derivado del ecocardiograma transtorácico. Probamos los resultados del AUROC entre la mejor y la segunda mejor posición individual utilizando la prueba de DeLong para la significancia. Para cada posición, también informamos la sensibilidad, la especificidad, el valor predictivo negativo y positivo, y la puntuación F1 en (1) el umbral óptimo que maximiza la suma de sensibilidad y especificidad (es decir, el índice de Youden), y (2) un umbral restringido que maximizaría la suma de sensibilidad y especificidad, con una sensibilidad mínima del 81% y (cuando sea posible) una especificidad mínima del 67%. Se informan los IC del 95% utilizando esta última restricción. Utilizando la posición individual con mejor rendimiento y comparándola con la población general, también informamos los OR diagnósticos estratificados por sexo para dos bandas de edad (18–69 años y ≥70 años) y por etnia no blanca. El OR diagnóstico es la razón de la razón de verosimilitud positiva (sensibilidad / [1 – especificidad]) a la razón de verosimilitud negativa ([1 – sensibilidad] / especificidad). Aplicamos la prueba de Breslow-Day para homogeneidad con el fin de evaluar la variación significativa (p<0,05) en el rendimiento. El rendimiento se informa utilizando únicamente registros de ECG de calidad adecuada para el análisis mediante IA-ECG.
Además de considerar la mejor posición individual, también se informa el rendimiento al considerar la mejor combinación de dos posiciones mediante un enfoque basado en reglas, donde cualquier posición que predijera una FEVI del 40 % o inferior se consideró un resultado positivo. Utilizando el conjunto de datos de valores 0-1 para las predicciones del modelo IA-ECG de cada una de las dos posiciones combinadas óptimamente como entrada, se probaron varios modelos de clasificación (incluida la regresión logística) para predecir una FEVI del 40 % o inferior. Estos modelos utilizaron el 60 % del conjunto de datos para el entrenamiento y el 40 % para las pruebas, y consistieron en proporciones iguales de pacientes con cada estado de FEVI (>40 % frente a ≤40 %; asignados aleatoriamente).
El mejor modelo se seleccionó mediante validación cruzada de cinco pliegues.
Utilizando las predicciones de la red neuronal de IA-ECG en el intervalo de 0 a 1 para cada ECG de una sola derivación, se trazaron curvas ROC (curvas de características operativas del receptor) para mostrar el rendimiento en todo el rango de umbrales. Generamos una curva ROC que resume la mejor posición individual, la combinación óptima de dos posiciones basada en reglas y el mejor modelo de clasificación general. Se presentan matrices de confusión utilizando el umbral restringido.

DISCUSIÓN

Este estudio observacional, prospectivo y multicéntrico demostró por primera vez el rendimiento de la IA-ECG para detectar una FEVI del 40 % o inferior utilizando únicamente ECG de una sola derivación registrados durante un examen con estetoscopio. Nuestro estudio de 1050 pacientes sometidos a ecocardiograma transtorácico reveló que la mejor posición individual, la combinación de dos de las mejores posiciones y un modelo de regresión logística exploratorio alcanzaron AUROC de 0,85, 0,85 y 0,91, respectivamente. Estos resultados sugieren que la auscultación con estetoscopio, un componente universal de la interacción médico-paciente, puede utilizarse como herramienta de cribado para una fracción de eyección del ventrículo izquierdo (FEVI) del 40 % o inferior, combinando el registro electrocardiográfico (ECG) con inteligencia artificial (IA) en el punto de atención.
Desde una perspectiva de salud pública, la combinación de IA con la auscultación con estetoscopio y ECG para el cribado de bajo coste de una FEVI del 40 % o inferior cumple los criterios clave para un programa de cribado, incluyendo que la afección subyacente sea una prioridad de salud pública, que implique una fase latente o sintomática temprana y que existan terapias basadas en la evidencia. Será necesaria una evaluación adicional de la posible rentabilidad y los efectos en los resultados de los pacientes, especialmente en combinación con pruebas de cribado establecidas para la insuficiencia cardíaca, como las pruebas de péptidos natriuréticos en sangre, que podrían mejorar aún más la capacidad predictiva. Variables clínicas tabulares fácilmente disponibles, como la edad, el sexo, la presión arterial o la presencia de comorbilidades, podrían mejorar aún más los resultados del modelo y ayudar en la identificación de la disfunción sistólica. En la clínica, la probabilidad pre-test suele ser mayor entre quienes presentan insuficiencia cardíaca con síntomas de fracción de eyección reducida (p. ej., disnea, edema de tobillo y fatiga). Sin embargo, estos síntomas no son específicos y pueden llevar a que se investiguen primero otras afecciones agudas o crónicas. En estos casos, donde siempre estaría indicada una auscultación con estetoscopio, se podrían evitar retrasos en el diagnóstico al detectar precozmente la posibilidad de insuficiencia cardíaca con fracción de eyección reducida. Dado el elevado coste de la ecocardiografía y la escasez de ecocardiografistas en todo el sistema nacional de salud, el alto valor predictivo negativo (97 %) también podría permitir priorizar los recursos.
La adopción exitosa de cualquier herramienta de IA en todo el sistema requerirá la confianza de pacientes y médicos, así como un cambio de comportamiento en estos últimos para adoptar y seguir las recomendaciones de los algoritmos. La naturaleza desconocida y opaca de la red neuronal implica que las características específicas del ECG que determinan la clasificación del estado de la FEVI en cada individuo no son evidentes, aunque probablemente se base en los efectos patológicos establecidos de la reducción de la FEVI en el ECG. De forma similar a la aplicación de redes neuronales para predecir la enfermedad coronaria a partir de imágenes retinianas, nuestro estudio utiliza IA para la interpretación de un biomarcador digital que va más allá de la capacidad humana. Incluimos ejemplos de ECG de una sola derivación en la posición pulmonar, clasificados según el umbral optimizado como verdaderos positivos, falsos positivos y falsos negativos.
Cabe destacar que, en nuestra población de estudio, el rendimiento del algoritmo no varió según la edad, el sexo o la etnia no caucásica.
Un estudio de validación externa de la ECG asistida por IA, utilizando datos de 12 derivaciones, reportó un AUROC de 0,82, en comparación con 0,93 para el estudio de validación interna original. Por lo tanto, nuestros hallazgos, utilizando únicamente datos de ECG de una sola derivación, se comparan favorablemente.
El bajo valor predictivo positivo debe interpretarse en el contexto de la población de estudio seleccionada (pacientes que acuden a realizarse un ECG y, por consiguiente, con mayor probabilidad de presentar anomalías electrocardiográficas que conllevan un riesgo de falso positivo) y dado que los falsos positivos se produjeron con mayor frecuencia en el rango de FEVI del 41-50%. Esto se encuentra dentro del espectro diagnóstico de la insuficiencia cardíaca, donde, desde una perspectiva clínica, se justificaría una investigación adicional, que implicaría la determinación de péptidos natriuréticos en sangre con un riesgo mínimo. Un desafío clave será cómo seleccionar y definir umbrales y puntos de corte específicos. Por ejemplo, unos puntos de corte más específicos podrían optimizar la reducción de las tasas de falsos positivos, pero a costa de una menor sensibilidad. Podrían ser necesarios puntos de corte específicos para cada población con el fin de optimizar el rendimiento de la prueba para diferentes perfiles demográficos y de enfermedades, incluyendo diferentes prevalencias de enfermedades subyacentes. Definir la unidad de examen (una o varias posiciones) también será importante.
Hemos demostrado que el rendimiento mejoró moderadamente al aplicar la ECG con IA en dos posiciones. Considerando las cuatro posiciones universales para el examen con estetoscopio (más una posición de mano) para cada paciente, obtuvimos cinco resultados brutos de ECG con IA. Al explorar solo dos de estos, la introducción de los valores de ECG con IA en un modelo de regresión logística mostró una mejora sustancial en el rendimiento.
Cabe destacar que este enfoque no debería comprometer la facilidad de uso de la herramienta al requerir que el usuario final realice múltiples registros o introduzca manualmente los datos en un modelo adicional, lo cual debería evitarse mediante la automatización y un diseño de experiencia de usuario bien pensado. Mostrar el porcentaje de FEVI o las predicciones brutas como una variable continua podría permitir al clínico elegir el umbral adecuado para solicitar más pruebas en cada caso; sin embargo, como ayuda para la toma de decisiones para no especialistas, esta función podría ser menos conveniente. El estudio de validación interna original (ECG de 12 derivaciones) identificó un aumento de cuatro veces en el riesgo de desarrollar una FEVI del 35 % o inferior en los años posteriores si el ECG con IA predecía una fracción de eyección del 35 % o inferior, pero la FEVI obtenida mediante ecocardiografía era de al menos el 35 %. Este hallazgo resalta la posibilidad de que los cambios en el ECG puedan preceder al deterioro de la FEVI detectable mediante ecocardiografía. Por consiguiente, realizaremos un seguimiento a largo plazo de los resultados clínicos de los falsos positivos en nuestra cohorte de estudio para investigar si el ECG con IA puede proponer una cohorte para vigilancia.

Fortalezas:
* En primer lugar, los datos se recopilaron prospectivamente en múltiples entornos reales y por numerosos operadores.
* En segundo lugar, los autores son independientes de los grupos que desarrollaron tanto el ECG con IA como el estetoscopio con ECG.
* En tercer lugar, nuestra población de estudio no guardaba relación con la cohorte de entrenamiento, y la diversidad étnica de nuestra muestra (41 % no blanca) no tiene parangón con estudios previos de validación externa retrospectiva de ECG con IA (que presentaban menos del 10 % de personas no blancas).
* En cuarto lugar, además de evaluar el rendimiento del ECG con IA por sí solo, analizamos un formato y un flujo de trabajo para la aplicación clínica de primera línea que ofrece varias ventajas sobre los ECG de 12 derivaciones.
En concreto, el registro de ECG durante la auscultación en la mejor posición (pulmonar) permitió obtener registros adecuados para intentar la predicción en al menos el 93 % de los pacientes (frente al 87 % con la posición manual), con un tiempo de ejecución de 15 segundos y una formación mínima.
*En quinto lugar, el uso de IA y un estetoscopio con capacidad para ECG mejora una herramienta familiar que ya se utiliza a diario en la práctica clínica. Esto podría superar barreras, como el uso continuado por parte de los médicos, un desafío previamente identificado para otros dispositivos capaces de registrar ECG de una sola derivación. Esta herramienta podría ser particularmente útil en el ajetreado entorno de atención primaria, dado que, entre el 80 % de los pacientes diagnosticados con insuficiencia cardíaca en el hospital, el 40 % ha tenido una consulta reciente de atención primaria con síntomas de insuficiencia cardíaca que habrían justificado una auscultación con estetoscopio.¹ Este enfoque también sería valioso en países de bajos ingresos con sistemas de salud donde el acceso a la atención cardiológica y a las pruebas de imagen es limitado.
* Finalmente, más allá del alcance de este estudio, la adquisición dual de ECG precordial y fonocardiograma (sonidos cardíacos) pone de manifiesto la oportunidad de detectar otras enfermedades cardiovasculares prioritarias, como la patología valvular cardíaca, mediante fonocardiografía con IA. Del mismo modo, el ECG monocanal de 15 segundos ofrece la posibilidad de detectar la fibrilación auricular, ya sea mediante inspección visual o con el apoyo de la IA.
Es posible lograr mejoras en la precisión para predecir la fracción de eyección del ventrículo izquierdo (FEVI) reducida mediante el análisis combinado de las ondas sincrónicas del ECG y el fonocardiograma.

Limitaciones.
* En primer lugar, la cohorte de pacientes no es totalmente representativa de una población de cribado, donde una menor prevalencia de una FEVI del 40 % o inferior podría influir en las características de rendimiento, en particular en los valores predictivos positivos. Si bien el perfil de la enfermedad de nuestra población probablemente refleja a quienes más se beneficiarían del cribado de una FEVI reducida, se necesitan más estudios, especialmente en entornos de atención primaria. Una mayor investigación también abordaría la actual escasez de datos que describen la prevalencia de la enfermedad asintomática.
* En segundo lugar, sin un acceso completo a las historias clínicas electrónicas de todos los participantes para determinar cualquier FEVI previamente normal, no podemos caracterizar con precisión cuántos participantes fueron identificados como positivos por el ECG con IA como parte de un diagnóstico inicial de insuficiencia cardíaca con fracción de eyección reducida.
* En tercer lugar, existe una variabilidad interobservador establecida en la medición de la FEVI mediante ecocardiografía, lo que da lugar a la posibilidad de que algunos participantes cercanos al límite del 40 % de la FEVI hayan sido clasificados erróneamente. Se requerirán más estudios con un mayor número de operadores en todo el personal clínico para determinar si el dispositivo es universalmente fácil de usar.
* Por último, no hemos evaluado la reproducibilidad. Es probable que exista variabilidad entre operadores en la posición y angulación precisas del estetoscopio con ECG, si bien esta variabilidad refleja la realidad de la práctica clínica.

 RESUMEN:

Nuestro estudio reveló que el ECG con IA podría identificar pacientes con fracción de eyección del ventrículo izquierdo (FEVI) reducida (≤40 %) a partir de registros de ECG de una sola derivación. Mediante el uso de un estetoscopio con ECG, destacamos un algoritmo de IA integrado en una herramienta clínica familiar que se adapta a los flujos de trabajo clínicos rutinarios y universales.
Dada la frecuencia de encuentros clínicos con pacientes sin diagnóstico previo al ingreso hospitalario por insuficiencia cardíaca, la exploración con estetoscopio tiene el potencial de convertirse en una herramienta de cribado en el punto de atención y, mediante algoritmos de IA adicionales, en una herramienta para la detección integral de enfermedades cardiovasculares.