Dynamical Predictive Modelling of Cardiovascular Disease Progression Post-Myocardial Infarction via ECG-Trained Artificial Intelligence Model

Resumen Técnico: Modelado Predictivo Dinámico de la Progresión de la Enfermedad Cardiovascular Post-Infarto de Miocardio Mediante un Modelo de IA Pre-entrenado en ECG

Planteamiento del Problema
El infarto de miocardio (IM) sigue siendo una de las principales causas de mortalidad y morbilidad a largo plazo. Aunque el electrocardiograma (ECG) es una herramienta estándar y no invasiva para la estratificación inicial del IM, actualmente no desempeña ningún papel en la gestión de pacientes post-IM. Los autores identifican una brecha crítica: los modelos de aprendizaje profundo (DL) para el pronóstico basado en ECG tienen un rendimiento deficiente en entornos clínicos porque dependen de grandes conjuntos de datos etiquetados, los cuales son escasos en medicina. En regímenes de datos limitados, las estrategias estándar de DL a menudo fallan en extraer información clínicamente relevante, dependiendo en su lugar de "atajos" que conducen a una generalización deficiente. Además, los modelos fundacionales existentes que utilizan aprendizaje auto-supervisado a menudo no incorporan el contexto temporal a nivel de paciente, lo cual es esencial para capturar la progresión de la enfermedad.

Metodología
La solución propuesta es un modelo de inteligencia artificial pre-entrenado que aprende representaciones específicas del paciente y conscientes de la dinámica, combinando aprendizaje contrastivo con objetivos multitarea supervisados.

• Fuentes de Datos: El modelo fue pre-entrenado con 800.035 registros de ECG de 12 derivaciones de 161.352 pacientes únicos obtenidos de la base de datos MIMIC-IV. Para la evaluación aguas abajo, se utilizaron dos cohortes específicas post-IM: una cohorte de mortalidad (8.499 pacientes, 3.097 fallecimientos) y una cohorte de insuficiencia cardíaca (852 pacientes, 552 eventos).
• Estrategia de Pre-entrenamiento:
  • Aprendizaje Contrastivo: El núcleo del pre-entrenamiento es un enfoque auto-supervisado donde los pares de señales de ECG del mismo paciente, registrados dentro de una ventana temporal de 60 días ($T_w$), se tratan como pares positivos. Las señales de diferentes pacientes o fuera de esta ventana se tratan como pares negativos. Esto obliga al modelo a aprender representaciones sensibles a los cambios relevantes para la enfermedad a lo largo del tiempo, manteniéndose invariante al ruido de adquisición.
  • Aumento de Datos: Se aplican aumentaciones de datos estocásticas (ruido gaussiano, escalado de amplitud, desplazamientos temporales, eliminación de derivaciones, etc.) para crear vistas distorsionadas de la misma señal, evitando el aprendizaje de atajos.
  • Arquitectura: Un codificador convolucional 1D (ResNet1D) procesa las señales aumentadas, seguido de una cabeza de proyección. El modelo optimiza una pérdida de Entropía Cruzada Normalizada con Escala de Temperatura (NT-Xent) para maximizar la similitud entre los pares positivos.
  • Supervisión Multitarea: Para garantizar la relevancia clínica, el codificador se entrena simultáneamente con cabezas de tareas lineales para la clasificación del ritmo (fibrilación auricular, elevación del ST) y la regresión de la forma de onda (intervalos de onda P, QRS, T, RR). Estas tareas supervisadas actúan como regularizadores, ponderadas por una incertidumbre homoscedástica aprendida para manejar diferentes escalas de tareas.
• Ajuste Fino: El codificador ResNet1D pre-entrenado se transfiere a tareas aguas abajo. Los pesos del codificador se congelan o ajustan finamente, y se entrena una nueva red de capa densa para clasificar la mortalidad y la insuficiencia cardíaca utilizando instancias individuales de ECG post-IM.

Contribuciones Clave

1. Aprendizaje Contrastivo Dinámico: El artículo replantea el aprendizaje contrastivo como un problema de modelado dinámico definiendo pares positivos basados en la identidad del paciente y una ventana temporal clínicamente significativa (60 días), en lugar de solo vistas aumentadas de una sola instancia.
2. Objetivo de Entrenamiento Híbrido: La integración del aprendizaje contrastivo auto-supervisado con cabezas multitarea supervisadas (ritmo y morfología) asegura que los incrustamientos aprendidos capturen tanto la dinámica temporal específica del paciente como características estructuradas clínicamente.
3. Rendimiento en Regímenes de Pocos Datos: El estudio demuestra que esta estrategia de pre-entrenamiento mejora significativamente el rendimiento pronóstico en conjuntos de datos post-IM etiquetados y pequeños en comparación con el entrenamiento desde cero.

Resultados
El estudio evaluó el modelo pre-entrenado frente a una línea base ResNet1D entrenada desde cero en las mismas tareas aguas abajo. El rendimiento se midió utilizando el Área Bajo la Curva Característica Operativa del Receptor (AUC):

• Predicción de Mortalidad: El modelo pre-entrenado logró un AUC de 0,794, en comparación con 0,608 para el modelo entrenado desde cero (una mejora del 19 %).
• Predicción de Insuficiencia Cardíaca: El modelo pre-entrenado logró un AUC de 0,781, en comparación con 0,602 para la línea base (una mejora del 18 %).

Significado y Afirmaciones
Los autores afirman que este trabajo sirve como prueba de concepto para el uso de modelos de IA pre-entrenados "clínicamente inteligentes" en regímenes de pocos datos típicos de la predicción de resultados cardiovasculares. Afirman que al estructurar el modelado del ECG para tener en cuenta el contexto temporal a nivel de paciente y la progresión de la enfermedad, el modelo aprende representaciones que son más robustas y clínicamente significativas que las derivadas de un entrenamiento desde cero. Los resultados sugieren que tales estrategias de aprendizaje de representaciones pueden mejorar efectivamente la predicción de resultados a largo plazo para pacientes post-IM, permitiendo potencialmente el uso de ECGs para la gestión continua de pacientes donde actualmente están limitados.