Artificial intelligence-enabled electrocardiographic detection of acute occlusive myocardial infarction

Resumen Técnico: Detección mediante Inteligencia Artificial de la Infarto Agudo de Miocardio Oclusivo mediante Electrocardiografía

Planteamiento del Problema
El infarto agudo de miocardio oclusivo (IMAO), definido por una oclusión coronaria completa o casi completa que causa isquemia transmural, requiere una revascularización oportuna para prevenir lesiones irreversibles. Si bien la angiografía coronaria (CAG) es la herramienta diagnóstica definitiva, es invasiva y requiere muchos recursos. Los protocolos clínicos actuales dependen en gran medida de los criterios de infarto de miocardio con elevación del segmento ST (STEMI) para activar la CAG de emergencia; sin embargo, solo entre el 65 % y el 75 % de los pacientes con IMAO confirmado por angiografía presentan elevaciones diagnósticas del segmento ST. El 25–35 % restante (a menudo clasificado como NSTEMI) posee arterias agudamente ocluidas pero carece de marcadores de ECG específicos, lo que conduce a un reconocimiento y tratamiento tardíos. Además, la interpretación visual de patrones sutiles de ECG en casos sin elevación del segmento ST es propensa a la variabilidad inter e intraobservador. Los modelos de aprendizaje profundo (DL) existentes para la detección de infartos de miocardio se han entrenado mayoritariamente en conjuntos de datos pequeños y de acceso público que carecen de confirmación angiográfica sistemática, lo que podría introducir un sesgo de espectro y no capturar el continuo diagnóstico observado en entornos de urgencias del mundo real.

Metodología
Este estudio de casos y controles retrospectivo utilizó un conjunto de datos a gran escala vinculado a un registro para desarrollar y validar un modelo fundacional para la detección de IMAO.

• Recopilación y Curación de Datos: El estudio analizó 17,165 ECG de 12 derivaciones estándar de 11,338 pacientes registrados entre 2016 y 2022 en el Hospital Universitario de Akershus y servicios de ambulancia afiliados. Los ECG se vincularon al Registro Nacional de Cardiología Invasiva de Noruega (NORIC) para obtener los resultados angiográficos.

  • Definición de IMAO: Los casos se etiquetaron como IMAO si implicaban una lesión culpable aguda con un grado de flujo TIMI de 0–2 tratados mediante intervención coronaria percutánea (PCI).
  • Grupos de Control: La población de control incluyó pacientes sin PCI, pacientes con hallazgos angiográficos normales y aquellos con lesiones no oclusivas (flujo TIMI >2) o lesiones antiguas. Para garantizar la robustez, el grupo de control se estratificó en "controles sanos", "Angio <24 horas" (pacientes sometidos a angiografía por razones no urgentes) y "evaluación clínica urgente" (pacientes que requerían monitorización estrecha pero no reperfusión inmediata).
  • Criterios de Exclusión: Se excluyeron los procedimientos electivos, las intervenciones secundarias (a menos que cumplieran criterios específicos) y los ECG registrados fuera de la ventana de 0–72 horas con respecto al procedimiento. También se excluyeron los pacientes con datos de troponina faltantes o niveles de troponina ≥14 ng/L en el grupo de control para minimizar los falsos negativos.

• Arquitectura y Entrenamiento del Modelo:

  • Modelo Fundacional: El estudio empleó el modelo ECGFounder, una arquitectura de aprendizaje profundo preentrenada con más de 10 millones de registros de ECG, la cual fue ajustada (fine-tuned) con el conjunto de datos del estudio.
  • Preprocesamiento: Las ondas digitales puras se remuestrearon a 500 Hz, se truncaron a 10 segundos y se procesaron con eliminación de deriva de la línea base (paso alto de 0.5 Hz), filtrado de muesca (50 Hz) y escalado min-max.
  • Estrategia de Entrenamiento: El modelo utilizó una fase de preentrenamiento contrastivo supervisado seguida de una clasificación ordinal. Este enfoque trató los cuatro grupos de resultados clínicos (Emergencia/IMAO, Urgente, Angio <24h, Sano) como una jerarquía ordenada de urgencia clínica en lugar de categorías independientes.
  • Funciones de Pérdida: Para abordar el severo desequilibrio de clases, el estudio implementó una pérdida focal asimétrica para la clasificación binaria y una pérdida ordinal focal para la tarea multiclase, enfatizando las muestras difíciles de clasificar.
  • Validación: El conjunto de datos se dividió en un conjunto de desarrollo del 80% (utilizado para validación cruzada de 5 pliegues) y un conjunto de prueba reservado del 20%, con separación a nivel de paciente para evitar la fuga de datos.

• Métricas de Evaluación: El rendimiento se evaluó utilizando el Área Bajo la Curva ROC (AUROC) y el Área Bajo la Curva de Precisión-Recall (AUPRC). El modelo también se comparó con la práctica clínica actual utilizando el "tiempo de puerta a procedimiento" (<30 minutos) como un sustituto pragmático del reconocimiento de IMAO.

Resultados Clave

• Rendimiento General: El modelo ECGFounder ajustado alcanzó una AUROC de 0.93 (IC 95%, 0.90–0.95) y un AUPRC de 0.72 (IC 95%, 0.65–0.79) para distinguir los casos de IMAO de los no IMAO y los controles. Este rendimiento superó significativamente la línea de base sin habilidad basada en la prevalencia (AUPRC ~0.10).
• Elevación de ST vs. No Elevación de ST:
  • STEMI (con elevación de ST): El modelo demostró un rendimiento excepcional con una AUROC de 0.98 y un AUPRC de 0.82.
  • NSTEMI (sin elevación de ST): El rendimiento fue moderado pero clínicamente relevante, con una AUROC de 0.84 y un AUPRC de 0.20. El menor AUPRC refleja la dificultad inherente de detectar oclusiones sin elevación del segmento ST en un conjunto de datos desequilibrado.
• Estratificación del Flujo TIMI: El modelo mantuvo una fuerte capacidad de discriminación a través de los grados de flujo TIMI (0, 0–1, 0–2), con AUROCs que oscilaron entre 0.93 y 0.95 para todos los casos de IMAO. El rendimiento mejoró al restringir el subgrupo de no elevación de ST a pacientes con niveles de troponina ≥500 ng/L, lo que sugiere que el modelo captura isquemia hemodinámicamente relevante.
• Comparación con la Práctica Clínica: Al comparar con el parámetro de "puerta a procedimiento <30 minutos":
  • Para los casos de STEMI, el modelo identificó el 93% de los casos (frente al 83% por tiempo clínico).
  • Para los casos de NSTEMI, el modelo identificó el 43% de los casos (frente al 11% por tiempo clínico), destacando su potencial para detectar oclusiones de alto riesgo que actualmente se pasan por alto mediante el triaje estándar.
• Correlaciones Demográficas y de Biomarcadores:
  • El modelo mostró un rendimiento ligeramente superior en hombres que en mujeres, potencialmente vinculado a niveles de troponina medianos más altos en hombres.
  • Las probabilidades predichas se correlacionaron positivamente con los niveles máximos de troponina e inversamente con los grados de flujo TIMI, lo que indica que el modelo captura la gravedad de la lesión miocárdica y la reducción del flujo.
  • Las clasificaciones erróneas fueron más frecuentes en las oclusiones de la Circunfleja Izquierda (LCx), un desafío diagnóstico conocido en el ECG.

Significancia y Reivindicaciones
Los autores afirman que este estudio demuestra la viabilidad de utilizar un modelo fundacional de ECG ajustado para detectar el IMAO agudo directamente desde ECG de 12 derivaciones estándar con una alta precisión discriminativa. Las principales reivindicaciones incluyen:

1. Detección de Oclusiones "Ocultas": El modelo supera significativamente los flujos de trabajo clínicos actuales en la identificación de IMAO en pacientes sin elevación del segmento ST (NSTEMI), un grupo donde los retrasos diagnósticos son comunes.
2. Utilidad del Modelo Fundacional: El estudio valida la utilidad de los modelos fundacionales de gran escala (ECGFounder) ajustados con datos del mundo real confirmados por registro, superando las limitaciones de los conjuntos de datos más pequeños y de acceso público.
3. Integración Clínica: El modelo está diseñado como una herramienta de apoyo a la decisión para complementar, no reemplazar, el juicio clínico. Opera sobre ECG estándar de 10 segundos sin requerir experiencia técnica adicional.
4. Correlación de Biomarcadores: Las probabilidades predichas por el modelo se alinean con los marcadores biológicos de lesión (troponina) y la severidad angiográfica (flujo TIMI), lo que sugiere que el modelo aprende características fisiopatológicas clínicamente relevantes en lugar de artefactos espurios.

Los autores mantienen la modestia respecto a la implementación clínica inmediata, señalando la necesidad de una validación externa prospectiva en diferentes sistemas de salud y flujos de trabajo de ambulancias antes de su implementación. Enfatizan que, si bien el modelo mejora las tasas de detección, particularmente para NSTEMI, no elimina la necesidad de la confirmación angiográfica.