Vés enrere

Un mètode d’aprenentatge automàtic pot millorar el maneig clínic de l’estenosi aòrtica

Un mètode d’aprenentatge automàtic pot millorar el maneig clínic de l’estenosi aòrtica

Segons un estudi presentat a la conferència internacional EuroEcho que recullen les actes del congrés publicades a l’European Heart Journal - Cardiovascular Imaging, liderat per investigadors del grup de recerca Physense i AI&ML, en col·laboració amb científics del Philips Research, Medical Imaging (Medisys), Suresnes, (França) i metges de Cliniques Saint-Luc UCL, Brussel·les, (Bèlgica).

30.01.2020

Imatge inicial

L’estenosi aòrtica es dona quan la sang circula amb dificultat des del ventricle esquerra fins a l’aorta, la principal artèria que porta la sang fora del cor. Les directrius i els protocols clínics existents en el maneig de l’estenosi aòrtica són d’un gran ajut, però encara és difícil avaluar la gravetat i el pronòstic de la malaltia, així com també decidir si cal o no intervenir en les vàlvules cardíaques, sobretot quan l’estenosi aòrtica es de baix gradient o asimptomàtica.

Les variables a través de les quals s’avalua aquesta valvulopatia, és a dir l’àrea de la vàlvula aòrtica, la velocitat màxima transvalvular i el gradient de pressió transaòrtica mitjana, sovint aporten dades discordants. Per superar aquesta discordança han sorgit nous mètodes com ara el d’aprenentatge automàtic (ML) interpretable,  el qual pot generar recomanacions sobre directrius basant-se directament en les dades disponibles.

S'ha avaluat l’ús del mètode d’aprenentatge automàtic interpretable en l’estratificació del risc d’estenosi aòrtica, i més específicament, en l’avaluació de la millora esperada després d’una intervenció de vàlvula aòrtica

Un estudi liderat per investigadors del grup de recerca Physense de la Unitat BCNMedtech i del grup Intel·ligència Artificial i Aprenentatge de Màquina (AI&ML), del Departament de Tecnologies de la Informació i les Comunicacions (DTIC) de la UPF (Cecília Nunes,  Oscar Camara, Anders Jonsson i Bart Bijnens) ha avaluat l’ús del mètode d’aprenentatge automàtic interpretable en l’estratificació del risc d’estenosi aòrtica, i més específicament, en l’avaluació de la millora esperada després d’una intervenció de vàlvula aòrtica. La recerca ha comptat amb la participació d’investigadors de Philips Research, Medical Imaging (Medisys), Suresnes, França) i Cliniques Saint-Luc UCL, Brussel·les, (Bèlgica).

Els resultats de l’estudi posen de manifest que el valor de la variable àrea de la vàlvula aòrtica és coherent amb l'evidència de què es disposa i identifica aquells pacients que més es podrien beneficiar d'una intervenció

Els autors del treball van realitzar una anàlisi retrospectiva de 2.761 pacients inscrits en un registre d’estenosi aòrtica, d’un sol centre, entre els anys 2000 i 2016. Mitjançant el mètode d’aprenentatge automàtic van crear un arbre de decisions capaç de predir la mortalitat per causes cardiovasculars en un termini de sis anys,  a partir de valors basals com a predictors en el moment d’inclusió del pacient. Posteriorment amb el mateix mètode van estratificar tots els individus del registre. Per a cada subgrup dins de l’arbre de decisió, es va comparar la supervivència dels pacients, tant si havien estat intervinguts com si no, en els sis mesos posteriors a la inclusió en aquest estudi retrospectiu.

Els resultats de l’estudi posen de manifest que el valor de la variable àrea de la vàlvula aòrtica és coherent amb l'evidència de què es disposa i identifica aquells pacients que més es podrien beneficiar d'una intervenció. Tot i això, les dades suggereixen que la intervenció sobre la vàlvula pot no millorar la supervivència de certs subgrups de pacients amb estenosi, concretament aquells que presenten un patró de classificació discordant, o en associació amb disfunció renal o hipertensió.

Aquest anàlisi demostra la capacitat que tenen els enfocaments d’aprenentatge automàtic per crear recomanacions explicables basades en dades, que es poden incorporar fàcilment a la informació local i que poden ser de gran ajut per formular noves directrius d’intervenció de l’estenosi aòrtica.

Un treball ha estat finançat per la Unió Europea a través del Programa Marc H2020; el Ministeri d’Economia i Competitivitat del Govern Espanyol i pel Programa Maria de Maeztu.

Article de referència:

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 gener. https://doi.org/10.1093/ehjci/jez319.308

Multimèdia

Multimedia

Multimedia

Perfils dels protagonistes:

Perfiles de los protagonistas:

Profiles of the protagonists:

Oscar Camara

Categories:

Per a més informació

Para más información

For more information

Notícia publicada per:

Noticia publicada por:

News published by:

Unitat de Comunicació i Projecció Institucionals

Unidad de Comunicación y Proyección Institucionales

Institutional Communication and Promotion Unit