Modelo de Machine Learning Integra Datos Clínicos y de RM para Estratificación de Riesgo
Un estudio publicado en Radiology demostró la eficacia de un modelo de machine learning (ML) que incorpora datos clínicos y métricas de resonancia magnética cardíaca en la predicción de desenlaces cardiovasculares a largo plazo en pacientes con STEMI. El modelo alcanzó un AUC de 0,91 en la prueba externa, superando significativamente el score GRACE (AUC 0,66).
Metodología del Estudio
El estudio retrospectivo analizó 1.066 pacientes con STEMI que realizaron RM cardíaca dentro de una semana tras intervención coronaria percutánea. La muestra se dividió entre un conjunto de entrenamiento en el Hospital Renji (682 pacientes) y un conjunto de prueba externo en el Hospital Beijing Anzhen (384 pacientes), evaluando 67 variables con el algoritmo Light Gradient Boosting Machine.
Rendimiento del Modelo
El modelo categorizó eficazmente a los pacientes en grupos de bajo, intermedio y alto riesgo para eventos adversos cardiovasculares mayores (MACE), integrando predictores clínicos con datos de RM cardíaca incluyendo fracción de eyección, volúmenes ventriculares y extensión del infarto.
Implicaciones Clínicas
La integración en sistemas PACS con análisis avanzado podría automatizar la estratificación de riesgo, similar a cómo sistemas de IA se integran en protocolos de cribado.
Perspectivas Futuras
Se necesita validación en poblaciones diversas. Los desarrollos futuros se centrarán en simplificar los modelos para mayor utilidad clínica, avanzando hacia la medicina cardiovascular personalizada.
Fuente: Applied Radiology
