IA-Habilitada Electrocardiograma-Guía Terapia Médica Dirigida por Guías sobre la Disfunción Ventricular Izquierda Incidente: Un Estudio de Emulación de Ensayo Objetivo

Este estudio retrospectivo y multicéntrico utilizó datos de registros médicos electrónicos (RME) de un sistema sanitario nacional en Taiwán, que comprende un centro médico académico y siete hospitales regionales. El período de estudio se extendió desde enero de 2016 hasta diciembre de 2024. Los datos clínicos incluyeron demografía, comorbilidades, prescripciones de medicamentos, electrocardiogramas de 12 derivaciones y resultados de ecocardiografía transtorácica.

Se desarrolló un modelo de electrocardiografía con inteligencia artificial (IA-ECG) para detectar disfunción ventricular izquierda (DVI) utilizando más de 50.000 registros emparejados de ECG-ecocardiograma obtenidos en un intervalo de 7 días. La arquitectura del modelo consistió en una red neuronal convolucional de 82 capas que incorporaba un mecanismo de atención para capturar características temporales y morfológicas destacadas del ECG. El modelo finalizado se aplicó sin modificaciones a la cohorte de estudio para la estratificación de riesgo.

Todos los pacientes elegibles tenían fracción de eyección del ventrículo izquierdo (FEVI) preservada en la línea base. Según las predicciones de IA-ECG al inicio de la cohorte, los pacientes clasificados por el modelo como teniendo DVI a pesar de una FEVI basal normal fueron designados como el grupo de alto riesgo de IA-ECG, mientras que aquellos predichos como sin DVI fueron designados como el grupo de bajo riesgo de IA-ECG. El resultado principal fue el declive funcional ventricular izquierdo incidente, definido como una reducción de la FEVI a ≤40% en ecocardiografía de seguimiento.

Las terapias preventivas candidatas, incluyendo inhibidores de la enzima convertidora de angiotensina (IECA) o bloqueadores del receptor de angiotensina II (BRA), betabloqueantes e inhibidores del cotransportador sodio-glucosa 2 (ISGLT2), fueron primero cribadas evaluando sus patrones de prescripción individuales y combinados y sus asociaciones con el resultado principal. La terapia más prometedora identificada en esta fase de cribado fue posteriormente evaluada utilizando un marco de emulación de ensayo objetivo. Específicamente, el uso recién iniciado de la terapia candidata se comparó con la no utilización para emular un ensayo controlado aleatorizado, estimando así el efecto del tratamiento preventivo temprano sobre el declive incidente de la FEVI utilizando datos observacionales del mundo real.

Los investigadores preespecificaron métodos analíticos para estimar contrastes causales utilizando análisis de tiempo hasta el evento adecuados para datos observacionales, siguiendo la emulación de asignación aleatoria de tratamiento. Se realizaron análisis de sensibilidad preespecificados para evaluar la robustez de los hallazgos en diferentes entornos clínicos, perfiles de comorbilidad, terapias concomitantes y umbrales de riesgo alternativos de IA-ECG.