Un modelo de inteligencia artificial desarrollado por Mayo Clinic logró identificar, a partir de ecografías cardíacas de rutina, señales compatibles con una obstrucción que puede dificultar la salida de sangre del corazón. La herramienta prescinde de las imágenes Doppler, que siguen siendo centrales para confirmar el diagnóstico.
El sistema apunta a la miocardiopatía hipertrófica (MCH), una enfermedad genética en la que el músculo cardíaco se engrosa y que puede derivar en una obstrucción del tracto de salida del ventrículo izquierdo (TSVI). La identificación temprana de ese problema puede definir la necesidad de pruebas adicionales, tratamientos y derivaciones a centros especializados.
Los resultados fueron publicados en Circulation: Cardiovascular Imaging y corresponden a una investigación que reunió datos de 1.833 pacientes de Mayo Clinic. El algoritmo fue probado en 275 pacientes y sometido después a validación externa con 46 casos de un hospital de Corea del Sur.
Hasta dos tercios de los pacientes presentaron obstrucción del flujo cardíaco
La MCH provoca un engrosamiento anormal del músculo cardíaco. Hasta dos tercios de los pacientes presentan una obstrucción del tracto de salida del ventrículo izquierdo, una alteración que dificulta la expulsión de sangre y puede causar dolor en el pecho, falta de aire durante el esfuerzo o dificultad para respirar al estar acostado.
Determinar quiénes presentan esa obstrucción es un punto decisivo en el seguimiento clínico. La medición habitual requiere una ecocardiografía Doppler, una técnica que exige alinear con precisión el haz de ultrasonido y depende de la experiencia del operador.
“Para medir la obstrucción del TSVI normalmente se necesita una ecocardiografía Doppler, que depende de una alineación precisa del haz de ultrasonidos y de la experiencia del operador”, afirmó Imon Banerjee, investigadora de IA de Mayo Clinic en Phoenix y autora principal del trabajo.
El modelo utilizó únicamente videos ecográficos convencionales en modo B, es decir, imágenes bidimensionales habituales, tomados cuando el paciente estaba en reposo. Con ese material, calculó la probabilidad de una obstrucción potencialmente relevante en el flujo de salida del corazón, sin recurrir a las mediciones Doppler.
Los investigadores informaron que la combinación de tres vistas ecográficas estándar elevó la capacidad del sistema para distinguir a los pacientes con gradientes altos en el TSVI. El algoritmo también identificó indicios de obstrucciones que pueden no aparecer durante el estudio en reposo y manifestarse cuando el corazón se somete a esfuerzo.
“Queríamos determinar si la IA podía reconocer patrones sutiles que son imperceptibles para el ojo humano en vídeos ecográficos en modo B obtenidos de forma rutinaria”, señaló Banerjee. Según explicó, la detección anticipada permitiría indicar una evaluación confirmatoria con Doppler y derivar al paciente cuando resulte necesario.
La prueba externa sostuvo el rendimiento del sistema
El algoritmo mantuvo su desempeño en la cohorte de Corea del Sur, pese a las diferencias entre esos pacientes y la población con la que fue desarrollado. Para los autores, ese resultado justifica nuevas evaluaciones en otros grupos de pacientes, equipos de ecografía y escenarios clínicos.
En una parte de los casos, la inteligencia artificial detectó la obstrucción con mayor precisión que dos ecocardiografistas expertos que revisaron las mismas imágenes sin información Doppler. El hallazgo expone las limitaciones de interpretar ecografías bidimensionales de rutina cuando faltan mediciones específicas del flujo sanguíneo.
La tecnología no busca reemplazar el Doppler, subrayó la investigadora. Su función sería alertar sobre pacientes con una posible obstrucción para acelerar las pruebas de confirmación, las evaluaciones de esfuerzo o la consulta en una unidad especializada en MCH.
El resultado deberá confirmarse en estudios prospectivos y en hospitales con equipos y poblaciones diferentes antes de que la herramienta pueda incorporarse a la práctica clínica. Por ahora, el algoritmo podría servir de apoyo para identificar qué pacientes requieren una evaluación Doppler más completa.
*Este contenido fue producido por expertos de Mayo Clinic en exclusiva para Infobae
