La estenosis aórticase produce cuando la sangre circula con dificultad desde el ventrículo izquierdo hasta la aorta, la principal arteria que conduce la sangre fuera del corazón. Las directrices y protocolos clínicos con los que se cuenta actualmente para el manejo de la estenosis aórtica resultan de gran ayuda pero, a pesar de estos, lo cierto es que aún resulta difícil evaluar tanto la gravedad como el pronóstico de la enfermedad, así como también decidir si se intervienen o no las válvulas cardíacas (especialmente cuando la estenosis aórtica es de bajo gradiente o asintomática).
A menudo las variables que se utilizan para evaluar esta valvulopatía, es decir, el área de la válvula aórtica, la velocidad máxima transvalvular y el gradiente de presión transaórtica media, aportan datos discordantes.
Con el objetivo de solventar este problema se han desarrollado nuevos métodos como el aprendizaje automático (ML) interpretable. A través de este se generan recomendaciones sobre directrices basándose directamente en los datos disponibles.
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 Clínicas Saint-Luc UCL, Bruselas, (Bélgica).
Mediante el uso del citado sistema han desarrollado un árbol de decisiones a través del que han sido capaces de predecir la mortalidad por causas cardiovasculares en un plazo de seis años
Los autores del estudio han realizado un análisis retrospectivo de 2.761 pacientes inscritos en el registro de estenosis aórtica, de un solo centro, entre los años 2000 y 2016. Mediante el uso del citado sistema han desarrollado un árbol de decisiones a través del que han sido capaces de predecir la mortalidad por causas cardiovasculares en un plazo de seis años, a partir de valores basales que han sido utilizados como predictores en el momento de inclusión del paciente.
Más tarde y con el empleo del 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 hallazgos de la investigación 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.
Pero, los datos recogidos sugieren que la intervención sobre la válvula podría no traducirse en una mejora de 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.