La estenosis aórtica se da cuando la sangre circula con dificultad desde el ventrículo izquierdo hasta la aorta, la principal arteria que lleva la sangre fuera del corazón. Las directrices y los protocolos clínicos existentes en el manejo de la estenosis aórtica son de gran ayuda, pero todavía es difícil evaluar la gravedad y el pronóstico de la enfermedad, así como también decidir si hay o no que intervenir en las válvulas cardíacas, sobre todo cuando la estenosis aórtica es de bajo gradiente o asintomática.

Las variables a través de las que se evalúa esta valvulopatía, es decir el área de la válvula aórtica, la velocidad máxima transvalvular y el gradiente de presión transaòrtica media, a menudo aportan datos discordantes. Para superar esta discordancia han surgido nuevos métodos como el de aprendizaje automático (ML) interpretable, el cual puede generar recomendaciones sobre directrices basándose directamente en los datos disponibles.

Se ha evaluado el uso del método de aprendizaje automático interpretable en la estratificación del riesgo de estenosis aórtica, y más concretamente, en la evaluación de la mejora esperada tras una intervención de válvula aórtica

Un estudio liderado por miembros del grupo de investigación Physense de la Unidad BCNMedtech y del grupo Inteligencia Artificial y Aprendizaje de Máquina (AI&ML), del Departamento de Tecnologías de la Información y las Comunicaciones (DTIC) de la UPF (Cecilia Nunes,  Oscar Camara, Anders Jonsson y Bart Bijnens) ha evaluado el uso del método de aprendizaje automático interpretable en la estratificación del riesgo de estenosis aórtica, y más concretamente, en la evaluación de la mejora esperada tras una intervención de válvula aórtica. La investigación ha contado con la participación de investigadores de Philips Research, Medical Imaging (Medisys), Suresnes, Francia) y Clinicas Saint-Luc UCL, Bruselas, (Bélgica).

Los autores del trabajo realizaron un análisis retrospectivo de 2.761 pacientes inscritos en un registro de estenosis aórtica, de un solo centro, entre los años 2000 y 2016. Mediante el método de aprendizaje automático crearon un árbol de decisiones capaz de predecir la mortalidad por causas cardiovasculares en un plazo de seis años, a partir de valores basales como predictores en el momento de inclusión del paciente. Posteriormente con el mismo método estratificaron todos los individuos del registro. Para cada subgrupo dentro del árbol de decisión, se comparó la supervivencia de los pacientes, tanto si habían sido intervenidos o no, en los seis meses posteriores a la inclusión en este estudio retrospectivo.

Los resultados del estudio han puesto de manifiesto que el valor de la variable área de la válvula aórtica es coherente con la evidencia de que se dispone e identifica aquellos pacientes que más se pueden beneficiar de una intervención. Sin embargo, los datos sugieren que la intervención sobre la válvula puede no mejorar la supervivencia de ciertos subgrupos de pacientes con estenosis, concretamente aquellos que presentan un patrón de clasificación discordante, o en asociación con disfunción renal o hipertensión.

Este análisis demuestra la capacidad que tienen los enfoques de aprendizaje automático para crear recomendaciones explicables basadas en datos, que se pueden incorporar fácilmente a la información local y que pueden ser de gran ayuda para formular nuevas directrices de intervención de la estenosis aórtica.

Este trabajo ha sido financiado por la Unión Europea a través del Programa Marco H2020; el Ministerio de Economía y Competitividad del Gobierno Español y por el Programa María de Maeztu.

Artículo de referencia:

Cecília Nunes, Hélène Langet, Mathieu De Craene, Jean Louise Vanoverschelde, Bernhard Lothar Marie  Gerber, Oscar Camara, Anders Jonsson, Bart Bijnens (2020), “622 Predicting post-intervention survival improvement in aortic stenosis through interpretable machine learning”, European Heart Journal Cardiovascular Imaging, volum 21, 17 de enero. https://doi.org/10.1093/ehjci/jez319.308