La ecocardiografía es un pilar fundamental en la atención cardiovascular, pero depende de la interpretación experta y la elaboración manual de informes a partir de una serie de videos. Un sistema de inteligencia artificial, PanEcho, se propuso para automatizar la interpretación de ecocardiogramas mediante aprendizaje profundo multitarea.
Este estudio incluyó el desarrollo y la validación retrospectiva y multisitio de un sistema de IA. PanEcho se desarrolló utilizando estudios de ETT realizados en hospitales y clínicas del Yale New Haven Health System (YNHHS) entre enero de 2016 y junio de 2022 durante la atención de rutina. El modelo se validó internamente en una cohorte temporalmente distinta de YNHHS de julio a diciembre de 2022, y externamente en cuatro cohortes diversas.
El resultado principal fue el área bajo la curva ROC (AUC) para las tareas de clasificación diagnóstica y el error absoluto medio para las tareas de estimación de parámetros, comparando las predicciones de la IA con la evaluación del cardiólogo intérprete.
El estudio incluyó 1,2 millones de videos ecocardiográficos de 32 265 estudios de ETT de 24 405 pacientes en hospitales y clínicas de YNHHS. El sistema de IA realizó 18 tareas de clasificación diagnóstica con una mediana (RIQ) de AUC de 0,91 (0,88-0,93) y estimó 21 parámetros ecocardiográficos con una mediana (RIQ) de error absoluto medio normalizado de 0,13 (0,10-0,18) en la validación interna.
Por ejemplo, el modelo estimó con precisión la fracción de eyección del ventrículo izquierdo (error absoluto medio: 4,2 % interno; 4,5 % externo) y detectó disfunción sistólica moderada o grave del ventrículo izquierdo (AUC: 0,98 interno; 0,99 externo), disfunción sistólica del ventrículo derecho (AUC: 0,93 interno; 0,94 externo) y estenosis aórtica severa (AUC: 0,98 interno; 1,00 externo).
El sistema de IA mantuvo un rendimiento excelente en protocolos de imagen limitados, realizando 15 tareas de diagnóstico con una mediana (RIQ) de AUC de 0,91 (0,87-0,94) en una cohorte de ETT abreviada y 14 tareas con una mediana (RIQ) de AUC de 0,85 (0,77-0,87) en adquisiciones de ultrasonografía en el punto de atención de los departamentos de emergencia de YNHHS.
Gráficos de radar que representan la importancia relativa de cada vista ecocardiográfica para un aspecto determinado del diagnóstico cardiovascular. Para cada tarea, se calculó una puntuación de relevancia de vista normalizada, donde 1 indica la vista más relevante; esta puntuación refleja la fracción de la métrica de rendimiento máximo (área bajo la curva característica del operador receptor para tareas de clasificación y error absoluto medio [MAE] para tareas de regresión) en una tarea determinada cuando solo se usan videos de una vista individual. Las puntuaciones de relevancia de la vista presentada se promediaron en todas las tareas que caían en una categoría determinada en cada gráfico de radar. El análisis se realizó en el conjunto de validación interno de YNHHS utilizando hasta 3 videos de una vista ecocardiográfica dada por estudio. A2C indica 2 cámaras apicales; A3C, apical de 3 cámaras; A4C, apical de 4 cámaras; A5C, apical de 5 cámaras; AUC, área bajo la curva característica del operador receptor; MAE, error absoluto medio; PLAX: eje largo paraesternal; PSAX, eje corto paraesternal; VD, ventrículo derecho; YNHHS, Sistema de Salud de Yale New Haven.
PanEcho se distingue de los sistemas comerciales y académicos existentes en tres aspectos fundamentales:
- Código abierto: A diferencia de los productos comerciales, PanEcho es totalmente de código abierto, lo que acelera la investigación en IA para ecocardiografía.
- Validación exhaustiva: Fue evaluado en 39 etiquetas diversas que abarcan hallazgos diagnósticos clave en un informe ecocardiográfico completo, mientras que estudios comparables solo validan subconjuntos de estas etiquetas.
- Validación internacional y en el punto de atención: Se probó en múltiples sitios, tanto en estudios de calidad diagnóstica completa como en adquisiciones técnicas limitadas realizadas por operadores no cardiovasculares.
Este sistema puede aportar:
- Lectura preliminar: Como herramienta de asistencia para la interpretación en laboratorios de ecocardiografía, identificando anomalías clave para una revisión más detallada por parte de expertos.
- Detección de anomalías no identificadas: Para analizar repositorios existentes de ecocardiogramas y marcar posibles anomalías clínicas pasadas por alto durante el examen inicial.
- Cribado en el punto de atención: Como sistema de evaluación rápida en protocolos acelerados y exámenes realizados por no expertos, especialmente en clínicas comunitarias y entornos con escasez de personal especializado.
No obstante, hay aspectos a considerar
- Modalidades excluidas: El modelo se limita a videos ecocardiográficos en escala de grises y Doppler color, excluyendo imágenes estáticas, Doppler espectral, imágenes de deformación (strain) y ecocardiografía 3D, lo que podría mejorar su rendimiento y versatilidad.
- Falta de segmentación: A diferencia de otros enfoques, PanEcho no incorpora un paso de segmentación para las mediciones ecocardiográficas. Aunque el enfoque de estimación directa arroja resultados numéricos sólidos, esto podría limitar la interpretabilidad del modelo.
- Desafíos en tareas específicas: El rendimiento en ciertas etiquetas, como la válvula aórtica bicúspide o las anomalías de la aurícula derecha, está limitado por su baja prevalencia y la dificultad de interpretación incluso para expertos humanos.
- Granularidad limitada: Para ciertas tareas, el modelo puede no proporcionar interpretaciones lo suficientemente detalladas como para guiar de manera independiente la atención del paciente, por lo que se requiere supervisión experta para garantizar un diagnóstico y tratamiento confiables.
En este estudio, un sistema de IA que interpreta automáticamente ecocardiogramas mantuvo una alta precisión en diferentes contextos geográficos y temporales, tanto en estudios completos como limitados. Este sistema de IA podría utilizarse como lector adjunto en laboratorios de ecocardiografía o como herramienta de cribado habilitada por IA en entornos de atención primaria, tras una evaluación prospectiva en los respectivos flujos de trabajo clínicos.