Machine Learning em Ecocardiografia de Estresse Quantitativo (MLQSE)

A dor torácica de início recente é uma queixa comum e pode ser um marcador de doença cardiovascular significativa e risco de infarto do miocárdio e morte; portanto, obter um diagnóstico preciso é fundamental para orientar o tratamento do paciente. É digno de nota que apenas 40-50% dos pacientes que têm arteriografia invasiva subseqüentemente sofrem revascularização. Isso ressalta a imprecisão dos testes iniciais empregados antes da arteriografia.

Historicamente, o teste de estresse eletrocardiográfico durante o exercício tem sido usado para detectar isquemia miocárdica induzível, mas sua sensibilidade e especificidade diagnósticas são baixas (cerca de 65%). A precisão diagnóstica pode ser melhorada pela incorporação de ecocardiografia ou tomografia computadorizada por emissão de fóton único. As diretrizes atuais do NICE recomendam que os pacientes com dor torácica de início recente sejam investigados com angiografia coronária por TC como primeira linha e, se isso revelar uma estenose significativa, um teste de imagem funcional deve ser realizado.

O estudo Myocardial Doppler in Stress Echocardiography (MYDISE) avaliou o valor diagnóstico da ecocardiografia de estresse quantitativo durante a infusão de dobutamina, uma catecolamina sintética de ação curta que atua nos receptores β-1 adrenérgicos para aumentar a frequência cardíaca e a contratilidade miocárdica. A medição das velocidades sistólicas da função do eixo longo do VE no pico do estresse apresentou boa reprodutibilidade (coeficientes de variação nos segmentos basais 9-14% em repouso e 11-18% no pico do estresse) e sensibilidades e especificidades semelhantes (cerca de 70%) às publicadas estudos em que observadores especialistas relataram pontuações de movimento de parede. Quando ajustado para os efeitos independentes de idade, sexo e frequência cardíaca, no entanto, a precisão do diagnóstico aumentou significativamente com estatísticas C (área sob as curvas receptor-operador) até 90%.

A análise visual da ecocardiografia sob estresse para detectar isquemia miocárdica depende da avaliação qualitativa de múltiplos parâmetros. Os principais estudos de ecocardiografia de estresse quantitativo limitaram-se a identificar a melhor variável ecocardiográfica isolada e usaram a estenose de diâmetro como critério de referência. Reduções subclínicas progressivas da função miocárdica regional (eixo longo) foram demonstradas em indivíduos com fatores de risco cardiovascular, afetando a deformação miocárdica (strain e taxa de strain), bem como as velocidades. A isquemia altera o tempo dos eventos durante o ciclo cardíaco - por exemplo, prolongando as fases de pré-ejeção e pós-ejeção. Esses fatores confirmam a necessidade clínica de medição objetiva da função miocárdica regional ao longo do ciclo cardíaco.

Agora é possível criar algoritmos baseados não apenas em um único ponto no tempo (por exemplo, velocidade de pico), mas sim na análise de todo o traço de velocidade. Este conceito também pode ser estendido para incluir curvas de taxa de deformação e deformação. Pesquisadores da Universitat Pompeu Fabra, em Barcelona, ​​desenvolveram essa abordagem para criar um atlas estatístico do coração para detectar dissincronia. Um conceito semelhante foi aplicado usando o aprendizado de núcleo múltiplo para pacientes com dispneia que foram submetidos a teste de esforço para identificar aqueles com evidência de insuficiência cardíaca diastólica. indivíduos (com e sem dispneia) e aqueles com diagnóstico de insuficiência cardíaca com fração de ejeção preservada (ICFEp); as principais diferenças observadas estão na função diastólica precoce. Este aplicativo não foi usado anteriormente para explorar isquemia miocárdica induzível em ecocardiografia de estresse, mas achados semelhantes podem ser esperados, pois alterações durante a diástole estão entre os indicadores mais precoces e sensíveis de isquemia miocárdica. Indivíduos da Universidade de Leuven (Prof Jan D'hooge) desenvolveram recentemente métodos supervisionados de aprendizado de máquina que permitem a classificação automática de segmentos do miocárdio com base em seu comportamento mecânico local (ou seja, velocidade/strain/strain rate) após passar por uma fase de treinamento; a abordagem de aprendizado de máquina proposta supera as leituras de movimento de parede especializadas, bem como a interpretação especializada de traços de tensão segmentar (taxa) na classificação de segmentos isquêmicos.