Unsupervised phenotype clustering of non-ischemic dilated cardiomyopathy with AI-assisted T1 mapping cardiac MR

Resumen Técnico: Agrupamiento Fenotípico No Supervisado de la Miocardiopatía Dilatada No Isquémica mediante RM Cardíaca con Mapeo de T1 Asistido por IA

Planteamiento del Problema
La miocardiopatía dilatada no isquémica (MDNI) es una entidad patológica heterogénea caracterizada por la dilatación del ventrículo izquierdo (VI) y disfunción sistólica en ausencia de enfermedad coronaria significativa. Si bien las guías actuales dependen en gran medida de la fracción de eyección del ventrículo izquierdo (FEVI) para la estratificación del riesgo, la FEVI por sí sola no logra capturar las diversas variaciones etiológicas y fisiopatológicas dentro de la población con MDNI. En consecuencia, la estratificación pronóstica sigue siendo imprecisa y el manejo individualizado resulta desafiante. Aunque los parámetros de caracterización tisular de la resonancia magnética cardíaca (RMC) (como el T1 nativo, la fracción de volumen extracelular [VEC] y la realce tardío de gadolinio [LGE]) ofrecen un valor pronóstico incremental, su integración en un marco de fenotipado unificado y basado en datos para la MDNI ha sido limitada. Además, la cuantificación manual de estos parámetros es laboriosa y propensa a la variabilidad interobservador, lo que dificulta su aplicación clínica generalizada.

Metodología
Los autores realizaron un estudio de cohorte retrospectivo que incluyó a 347 pacientes con MDNI de dos centros terciarios en Corea del Sur (Hospital Universitario de Seúl Bundang y Hospital Universitario de Hanyang Guri) que se sometieron a RMC y ecocardiografía basal entre enero de 2018 y diciembre de 2023.

• Adquisición de Datos e Integración de IA: Para garantizar la reproducibilidad, todos los pacientes se sometieron a RMC en escáneres de 3.0-T del mismo fabricante. Se empleó un sistema semiautomatizado basado en aprendizaje profundo (software Myomics-T1) para cuantificar los parámetros de RMC, incluyendo el T1 nativo, el VEC y la extensión del LGE. Este enfoque minimizó la variabilidad relacionada con el fabricante y redujo la necesidad de un contorno manual laborioso.
• Diseño del Estudio: La cohorte se dividió aleatoriamente en un conjunto de derivación (n=242) y un conjunto de validación (n=105) utilizando un muestreo estratificado basado en el desenlace principal para asegurar una distribución equilibrada de eventos.
• Agrupamiento No Supervisado: El estudio utilizó el algoritmo de agrupamiento Partitioning Around Medoids (PAM), un algoritmo de aprendizaje automático no supervisado. El modelo de agrupamiento incorporó 11 variables multidimensionales: índice de masa corporal (IMC), presión arterial sistólica, tasa de filtración glomerular estimada (TFGe), estado de fibrilación auricular (FA), NT-proBNP log-transformado, deformación longitudinal global del VI (LVGLS), volumen diastólico final del VI indexado (LVEDVi), FEVI derivada de RMC, volumen diastólico final del ventrículo derecho indexado (RVEDVi), T1 nativo y extensión del LGE (umbral de 5-SD). Notablemente, la edad y el sexo se excluyeron del algoritmo de agrupamiento para evitar que dominaran la separación fenotípica; en su lugar, se utilizaron como covariables en los análisis de supervivencia posteriores.
• Medidas de Desenlace: El desenlace primario fue un compuesto de muerte cardiovascular y hospitalización por insuficiencia cardíaca (HHF). Los desenlaces secundarios incluyeron cambios longitudinales en los parámetros ecocardiográficos (FEVI, volúmenes, índice de volumen de la aurícula izquierda [LAVI] y E/e') durante un seguimiento medio de 12 meses.
• Análisis Estadístico: El número óptimo de grupos se determinó mediante el método del codo (elbow method), el coeficiente de silueta (silhouette score) y el estadístico de brecha (gap statistic). La importancia de las variables se evaluó mediante clasificadores de bosque aleatorio (random forest). Las diferencias de supervivencia se analizaron mediante curvas de Kaplan-Meier y modelos de riesgos proporcionales de Cox multivariantes ajustados por edad y sexo.

Resultos Clave
El análisis de agrupamiento no supervisado identificó tres fenotipos distintos en la cohorte de derivación, los cuales fueron validados en la cohorte independiente:

1. Clúster 1 (Fenotipo Preservado): Caracterizado por una población más joven, con predominio masculino, con función cardíaca relativamente preservada, niveles más bajos de NT-proBNP y mínima fibrosis miocárdica (T1 nativo y LGE bajos). Este grupo exhibió el pronóstico más favorable.
2. Clúster 2 (Fenotipo Metabólico/Fibrótico): Un fenotipo de mayor edad con una mayor carga de diabetes y comorbilidades cardiorrenales. Este grupo mostró remodelación del VI avanzada, fibrosis miocárdica difusa (T1 nativo elevado) y LGE prevalente.
3. Clúster 3 (Fenotipo de Disfunción Biventricular Predominante por FA): Un fenotipo de mayor edad con una carga muy alta de fibrilación auricular (98% de prevalencia), disfunción biventricular (deterioro grave del VD y del VI) y fibrosis difusa avanzada. A pesar de tener un LGE (fibrosis de sustitución) menos frecuente en comparación con el Clúster 2, este grupo demostró el peor pronóstico.

Trayectorias Longitudinales y Desenlaces:

• Remodelación Inversa: Los tres clústeres demostraron remodelación inversa del VI (mejora de la FEVI y reducción de los volúmenes del VI) durante el periodo de seguimiento, lo que sugiere que la terapia médica dirigida por guías (GDMT) es efectiva en todos los fenotipos.
• Disfunción de la Aurícula Izquierda (AI): Se observó una distinción crítica en la remodelación de la AI. Mientras que la remodelación inversa del VI fue comparable entre los clústeres, el Clúster 3 presentó una reducción atenuada del LAVI y de la relación E/e', lo que indica una disfunción persistente de la AI a pesar de la recuperación del VI.
• Pronóstico: El Clúster 3 presentó el mayor riesgo para el desenlace compuesto (HR ajustado de 3.03 en la derivación; 5.08 en la validación), seguido del Clúster 2 (HR ajustado de 2.33). El Clúster 1 sirvió como referencia con el menor riesgo.

Significancia y Reivindicaciones
El artículo afirma ser el primer estudio en identificar distintos grupos fenotípicos en la MDNI integrando datos de RMC multiparamétricos (específicamente T1 nativo y LGE) con datos clínicos y ecocardiográficos multimodales mediante aprendizaje automático no supervisado.

Los autores destacan varias contribidades clave:

1. Fenotipado Refinado: El estudio demuestra que la MDNI no es una enfermedad monolítica, sino que comprende subgrupos distintos con trayectorias de remodelación y pronósticos únicos. Específicamente, la identificación del Clúster 3, donde el mal pronóstico está vinculado a la disfunción persistente de la AI a pesar de cierta recuperación del VI, sugiere que la remodelación de la AI es un determinante crítico del riesgo residual.
2. Utilidad de la RMC Asistida por IA: El estudio valida la viabilidad del uso de la cuantificación de RMC semiautomatizada asistida por IA para el fenotipado a gran escala. Este enfoque aborda las limitaciones del análisis manual (tiempo, variabilidad) y facilita la integración estandarizada de la caracterización tisular en los modelos de riesgo clínico.
3. Implicaciones Clínicas: Los hallazgos sugieren que el agrupamiento basado en aprendizaje automático no supervisado puede permitir estrategias de manejo más individualizadas. Al identificar a pacientes con riesgos fenotípicos específicos (por ejemplo, aquellos con una remodelación inversa de la AI atenuada), los clínicos pueden adaptar mejor el seguimiento y las intervenciones terapéuticas más allá de las guías estándar basadas en la FEVI.

Los autores mantienen un tono modesto respecto a sus afirmaciones, reconociendo limitaciones como el diseño retrospectivo, el entorno de un solo país (Corea del Sur) y el tamaño de muestra relativamente pequeño de la cohorte de validación. Concluyen que, si bien el marco de trabajo es prometedor para refinar la estratificación del riesgo personalizada, se requiere una validación externa adicional en poblaciones más diversas y de mayor tamaño.