El modelo de IA identifica pacientes de alto riesgo de fibrilación auricular antes de que aparezcan los síntomas
Una herramienta de aprendizaje automático que utiliza registros de salud rutinarios identifica pacientes propensos a la fibrilación auricular con una probabilidad ~8 veces mayor de ser diagnosticados, lo que permite una prevención de ictus dirigida.
Resumen
La fibrilación auricular suele pasar desapercibida hasta que ocurre un ictus. Un grupo de investigadores desarrolló FIND-AF 2.0, un modelo de aprendizaje automático de bosque aleatorio que utiliza la edad, el sexo y 10 afecciones comunes extraídas de historias clínicas electrónicas para predecir quién desarrollará fibrilación auricular en los siguientes seis meses. Validado en más de 13 millones de pacientes en cinco países, el modelo mostró un buen rendimiento a nivel global. En una prueba prospectiva, los pacientes de alto riesgo tuvieron más de ocho veces más probabilidades de recibir un diagnóstico de fibrilación auricular durante tres semanas de monitorización con ECG portátil que los pacientes de bajo riesgo. Casi todos los pacientes recién diagnosticados iniciaron posteriormente tratamiento anticoagulante. En un registro finlandés, la fibrilación auricular no tratada en personas de alto riesgo provocó ictus a una tasa de seis por cada cien pacientes-año, una carga grave y prevenible. Este enfoque podría hacer viable el cribado masivo y dirigido de la fibrilación auricular aprovechando los datos sanitarios existentes.
Resumen detallado
La fibrilación auricular es el trastorno del ritmo cardíaco más frecuente en adultos mayores y uno de los principales factores desencadenantes de ictus, aunque con frecuencia pasa desapercibida hasta que ocurre un evento grave. Una identificación más temprana, especialmente en quienes presentan mayor riesgo de ictus, podría salvar vidas. Este estudio tuvo como objetivo desarrollar, validar y probar de forma prospectiva una herramienta de cribado basada en inteligencia artificial para identificar a los pacientes con mayor necesidad de ser evaluados.
Los investigadores desarrollaron FIND-AF 2.0, un modelo de aprendizaje automático de bosque aleatorio entrenado con registros electrónicos de salud. Utiliza únicamente la edad, el sexo y diez comorbilidades frecuentes para predecir la aparición de fibrilación auricular nueva en un plazo de seis meses. El modelo fue validado en cinco países —Reino Unido, Japón, Israel, Canadá y China— abarcando a más de 13 millones de pacientes, y se comparó con puntuaciones de riesgo existentes, incluida CHA2DS2-VASc.
El modelo mostró una discriminación buena a excelente en todas las cohortes, con AUROCs que oscilaron entre 0,747 y 0,835. Superó tanto a CHA2DS2-VASc como a C2HEST y tuvo un rendimiento consistentemente bueno tanto en hombres como en mujeres. En un estudio prospectivo con 1.923 participantes en 15 centros clínicos, quienes fueron clasificados como de alto riesgo por FIND-AF 2.0 recibieron un diagnóstico de fibrilación auricular a una tasa del 4,5 %, frente a solo el 0,6 % en los pacientes de bajo riesgo, lo que representa una razón de momios superior a ocho.
Las implicaciones clínicas son sustanciales. Entre los casos detectados, la carga mediana de fibrilación auricular fue del 33 % y el 96 % inició anticoagulantes orales. El análisis de un registro finlandés mostró que los pacientes de alto riesgo con fibrilación auricular no tratada sufrieron ictus isquémico a una tasa de 6 eventos por cada 100 pacientes-año, un impacto prevenible si el cribado los identifica a tiempo.
Para los clínicos y pacientes orientados hacia la longevidad, esta investigación demuestra que el riesgo cardiovascular asociado al envejecimiento puede abordarse de forma proactiva utilizando datos ya disponibles. Entre las limitaciones se incluyen la dependencia de datos a nivel de resumen, la posible variación en la calidad de los registros electrónicos de salud entre sistemas sanitarios, y la necesidad de estudios de resultados a más largo plazo para confirmar la reducción de ictus derivada del cribado dirigido.
Hallazgos clave
- FIND-AF 2.0 achieved AUROCs of 0.75–0.84 across five countries, outperforming existing AF risk scores.
- High-risk patients were 8.5x more likely to be diagnosed with AF during 3-week ECG screening than low-risk patients.
- 96% of newly detected AF patients in high-risk group initiated oral anticoagulants, enabling stroke prevention.
- Untreated AF in high-risk patients caused ischemic stroke at 6 events per 100 patient-years in a Finnish registry.
- The model uses only age, sex, and 10 comorbidities from routine EHR data, making it broadly scalable.
Metodología
Los investigadores entrenaron un modelo de bosque aleatorio con datos de historiales médicos electrónicos de más de 13 millones de pacientes en cinco países y lo validaron externamente en cada población. Un brazo prospectivo incluyó a 1.923 participantes de 30 años o más con riesgo elevado de ictus, quienes realizaron cuatro registros de ECG al día durante tres semanas con un dispositivo de mano. El riesgo de ictus en la FA no tratada se evaluó mediante el registro finlandés FinACAF, que incluye a 229.565 pacientes con FA.
Limitaciones del estudio
El artículo completo no estaba disponible; este resumen se basa únicamente en el resumen (abstract). La calidad de los datos de HCE y las prácticas de codificación varían entre los sistemas de salud, lo que puede afectar el rendimiento del modelo en su implementación en el mundo real. Aún se necesita evidencia aleatorizada a largo plazo que demuestre que el cribado guiado por riesgo reduce efectivamente las tasas de accidente cerebrovascular.
¿Te ha gustado este resumen?
Recibe la última investigación sobre longevidad en tu bandeja de entrada cada semana.
Introduce tu correo electrónico para suscribirte: