Nueva herramienta basada en aprendizaje automático para ayudar a los médicos a determinar la mejor prueba para el dolor torácico
Crédito: CC0 Public Domain
La elección entre dos pruebas diagnósticas no invasivas es un dilema común en los pacientes que presentan dolor torácico. El cardiólogo de Yale, Rohan Khera, MD, MS, y sus colegas han desarrollado ASSIST, una nueva herramienta digital de ayuda para la toma de decisiones.
Al aplicar técnicas de aprendizaje automático a los datos de dos grandes ensayos clínicos, esta nueva herramienta identifica qué prueba de diagnóstico por la imagen debe realizarse en pacientes que pueden tener enfermedad de las arterias coronarias o CAD, una afección causada por la acumulación de placa en la pared arterial.
La nueva herramienta, descrita en un estudio publicado el 21 de abril en el European Heart Journal, se enfoca en el resultado a largo plazo para un paciente determinado.
«Existen fortalezas y limitaciones para cada uno de estos pruebas de diagnóstico», aseguró Khera, profesora asistente de cardiología en la Facultad de Medicina de Yale. Los pacientes pueden tener calcio en los vasos sanguíneos o una etapa más avanzada de la enfermedad que se puede pasar por alto. «Si puede establecer el diagnóstico correctamente, es más probable que busque una terapia médica y de procedimiento óptima, lo que luego puede influir en los resultados de los pacientes».
Estudios clínicos recientes han intentado determinar si uno la prueba es óptima. Los ensayos clínicos PROMISE y SCOT-HEART han sugerido que las imágenes anatómicas tienen resultados similares a las pruebas de estrés, pero pueden mejorar los resultados a largo plazo en ciertos pacientes.
«Cuando los pacientes presentan dolor en el pecho, tiene dos pruebas principales: Se han realizado grandes ensayos clínicos sin una respuesta concluyente, por lo que queríamos ver si los datos del ensayo podrían usarse para comprender mejor si un paciente determinado se beneficiaría de una estrategia de prueba u otra», dijo Khera. Ambas estrategias se utilizan actualmente en la práctica clínica.
Para crear ASSIST, Khera y su equipo obtuvieron datos de 9572 pacientes que se inscribieron en el ensayo PROMISE a través del Instituto Nacional del Corazón, los Pulmones y la Sangre y crearon una estrategia novedosa que incorporan experimentos de datos locales dentro del ensayo clínico más grande.
«Un aspecto único de nuestro enfoque es que aprovechamos ambos brazos de un ensayo clínico, superando la limitación de los datos del mundo real, donde las decisiones tomadas por los médicos puede introducir sesgos en los algoritmos», dijo Khera
La herramienta también demostró ser eficaz en una población distinta de pacientes en el ensayo SCOT-HEART. Entre 2135 pacientes que se sometieron a pruebas funcionales primero o anatómicas primero, los autores observaron un riesgo dos veces menor de eventos cardíacos adversos cuando hubo acuerdo entre la prueba realizada y la recomendada por ASSIST. Khera dijo que espera que esta herramienta brinde más información a los médicos mientras eligen entre pruebas anatómicas o funcionales en la evaluación del dolor torácico.
Las pruebas funcionales, comúnmente conocidas como pruebas de esfuerzo, examinan a los pacientes en busca de CAD al detectar Reducción del flujo de sangre al corazón. La segunda opción, las pruebas anatómicas o la angiografía por tomografía computarizada coronaria (CCTA), identifica obstrucciones en los vasos sanguíneos. El uso de algoritmos de aprendizaje automático ASSIST proporciona una recomendación para cada paciente.
«Si bien utilizamos métodos avanzados para derivar ASSIST, su aplicación es práctica para el entorno clínico. Se basa en las características del paciente capturadas de forma rutinaria y puede ser utilizada por médicos con una simple calculadora en línea o pueden incorporarse en el registro de salud electrónico», dijo Evangelos Oikonomou, MD, DPhil, médico residente en Medicina Interna en Yale y el primer autor del estudio.
Explore más
La angiografía por TC parece ser mejor para predecir el riesgo futuro de los pacientes con dolor torácico. Más información: Evangelos K Oikonomou et al. Una herramienta derivada de phenomapping para personalizar la selección de pruebas anatómicas frente a funcionales en la evaluación del dolor torácico (ASSIST), European Heart Journal (2021). DOI: 10.1093/eurheartj/ehab223 Información de la revista: European Heart Journal
Proporcionado por la Universidad de Yale Cita: Nueva herramienta basada en aprendizaje automático para ayudar a los médicos a determinar la mejor prueba para dolor de pecho (2021, 29 de abril) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-04-machine-learning-based-tool-physicians-chest.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.