Machine learning prediction of obstructive coronary artery disease using opportunistic coronary calcium and epicardial fat assessments from CT calcium scoring scans

Resumen Técnico: Predicción de Enfermedad Coronaria Obstructiva Mediante Aprendizaje Automático Utilizando Evaluaciones Oportunistas de TAC de Calcio Coronario

Declaración del Problema
La angiografía por tomografía computarizada coronaria (TAC-CC) es el estándar de oro para diagnosticar la enfermedad coronaria obstructiva (ECO), pero enfrenta limitaciones en cuanto a costos, dependencia de contraste basado en yodo y exposición a radiación. Por el contrario, la puntuación de calcio coronario mediante TAC sin contraste (TACC) es una modalidad ampliamente disponible y rentable, utilizada principalmente para la estratificación del riesgo basada en la puntuación de Agatston. Sin embargo, su utilidad para diagnosticar directamente la ECO es limitada, particularmente en pacientes con puntuaciones de calcio cero o bajas que aún pueden albergar placas obstructivas no calcificadas. Este estudio aborda la brecha en la utilización de escaneos TACC sin contraste, fácilmente disponibles, para predecir la ECO con una mayor precisión diagnóstica que los métodos de puntuación tradicionales por sí solos.

Metodología
El estudio utilizó un análisis secundario de 1.324 pacientes del ensayo clínico SCOT-HEART que se sometieron tanto a TACC sin contraste como a TAC-CC con contraste. La ECO se definió como una puntuación CAD-RADS de 4A, 4B o 5, mientras que las puntuaciones 0–3 se clasificaron como no obstructivas.

Los investigadores desarrollaron un marco de aprendizaje automático que involucra los siguientes pasos:

1. Extracción de Características: Se extrajo un conjunto integral de 424 características de las imágenes TACC y los registros clínicos:
   • Clínicas: 24 variables que incluyen datos demográficos, factores de riesgo e historial de medicación.
   • Calcio-ómica: 189 biomarcadores cuantitativos extraídos a múltiples escalas espaciales (lesiones individuales, territorios coronarios y corazón completo). Estos incluyeron características radiómicas (masa, volumen, estadísticas de Unidades Hounsfield, descriptores de forma) y métricas espaciales (difusividad, distribución de lesiones).
   • Grasa-ómica: 211 biomarcadores derivados del tejido adiposo epicárdico (EAT) segmentado dentro del pericardio. Las características incluyeron atributos morfológicos, estadísticas basadas en intensidad (valores HU, entropía) y patrones de distribución espacial a través de láminas axiales y cintas concéntricas.
2. Selección de Características: El algoritmo CatBoost se entrenó con validación cruzada de 5 pliegues. Se calcularon los valores de SHapley Additive exPlanations (SHAP) para clasificar la importancia de las características y seleccionar el subconjunto más predictivo.
3. Desarrollo del Modelo: Se entrenaron y compararon tres modelos utilizando el método de boosting de gradiente CatBoost:
   • Modelo 1: Solo características clínicas.
   • Modelo 2: Características clínicas + características de calcio-ómica.
   • Modelo 3: Características clínicas + características de calcio-ómica + características de grasa-ómica.
4. Evaluación: El rendimiento se evaluó mediante 1.000 iteraciones de validación cruzada de 5 pliegues utilizando sensibilidad, especificidad, precisión, AUROC y AUPRC. El modelo CatBoost también se comparó con SVM, Random Forest, XGBoost y LightGBM.

Resultados Clave

• Selección de Características: De las 424 características iniciales, el método CatBoost-SHAP identificó 14 como las más predictivas para el Modelo 3. Cabe destacar que las dos características principales fueron variables de grasa-ómica (específicamente el volumen de EAT en rangos de HU de -70 a -50 y de -50 a -30 en el 25% superior del corazón), mientras que las 12 restantes fueron de calcio-ómica. No se seleccionaron variables clínicas para el modelo optimizado final, lo que indica que las características derivadas de la imagen por sí solas poseían un poder predictivo suficiente.
• Rendimiento del Modelo: El Modelo 3 (que integra todos los tipos de datos) logró el mejor rendimiento con una sensibilidad de 83,1±4,6%, una especificidad de 93,8±1,7%, una precisión de 85,3±2,0% y una puntuación F1 de 73,9±3,3%.
• Análisis Comparativo: La inclusión de características de grasa-ómica mejoró significativamente el rendimiento sobre el Modelo 2, aumentando el AUROC de 0,886 a 0,918 y el AUPRC de 0,738 a 0,823. CatBoost superó consistentemente a otros algoritmos (SVM, RF, XGBoost, LightGBM).
• Casos con CAC Cero: El modelo demostró la capacidad de identificar correctamente la ECO en pacientes con puntuaciones de calcio cero o mínimas, un escenario donde la puntuación tradicional a menudo arroja falsos negativos. Por el contrario, clasificó con precisión los casos con puntuaciones de calcio altas que no resultaron en obstrucción.

Significado y Afirmaciones
Los autores afirman que este estudio demuestra el potencial de los escaneos TACC sin contraste oportunistas para servir no solo para la estratificación del riesgo, sino también para la detección directa de la ECO. Al aprovechar datos de "ómica" de alta dimensión (calcio y grasa) en lugar de solo puntuaciones convencionales, el marco captura información biológica sutil y complementaria sobre la carga de placa y la inflamación perivascular.

El estudio destaca que la evaluación cuantitativa de la grasa epicárdica, particularmente en rangos específicos de Unidades Hounsfield y ubicaciones anatómicas próximas a las arterias coronarias, proporciona un valor predictivo crítico. Este enfoque ofrece una vía para mejorar la toma de decisiones clínicas y potencialmente reducir la dependencia de procedimientos diagnósticos con contraste o invasivos, especialmente en grupos de pacientes de bajo a riesgo intermedio. Los autores señalan que, aunque el modelo muestra promesa, su implementación clínica requiere una validación adicional en poblaciones más grandes y diversas, así como una optimización para reducir el tiempo de procesamiento (actualmente de 10 a 15 minutos por escaneo).