Una herramienta de IA aprobada por la FDA detecta la insuficiencia cardíaca con fracción de eyección preservada (HFpEF) a partir de imágenes ecocardiográficas (4 cámaras apical), sin otros datos clínicos. En esta validación externa (47 pacientes con disnea inexplicada que se sometieron tanto a ecocardiografía como a cateterismo cardíaco derecho), la herramienta se comparó con el estándar invasivo (presión de enclavamiento ≥15 mmHg en reposo o ≥25 mmHg con ejercicio). La IA tuvo una especificidad alta (88 %) y un valor predictivo positivo alto (86 %), pero una sensibilidad baja (30 %); utilizando la pendiente PCWP/gasto cardíaco, la especificidad y el PPV alcanzaron el 100 %. Los pacientes con IA positiva presentaron presiones de llenado y resistencia pulmonar más elevadas. Entre los pacientes con puntuación H2FPEF indeterminada, la IA identificó el 80 % de los casos de HFpEF confirmados de forma invasiva. Por lo tanto, la herramienta es más útil para identificar a pacientes con hemodinámica claramente anómala que para descartar la HFpEF.
Validar externamente una herramienta de inteligencia artificial (IA) aprobada por la FDA para la detección de la insuficiencia cardíaca con fracción de eyección preservada (HFpEF) mediante clips de vídeo ecocardiográficos, comparando su rendimiento con los criterios hemodinámicos invasivos en una cohorte de derivación del mundo real con disnea inexplicada.
Analizamos retrospectivamente a 47 pacientes que se sometieron a ecocardiografía transtorácica (TTE) y cateterismo cardíaco derecho (RHC), incluidos 28 con hemodinámica tanto en reposo como en ejercicio. El modelo de IA evaluó datos de vídeo de 4 cámaras apical y clasificó los resultados como HFpEF, sin HFpEF o no diagnóstico, sin ningún otro dato clínico. El criterio de valoración principal fue la HFpEF definida de forma invasiva: presión de enclavamiento capilar pulmonar (PCWP) ≥15 mmHg en reposo o ≥25 mmHg con ejercicio. El análisis secundario utilizó una pendiente PCWP/gasto cardíaco (CO) >2 mmHg/l/min. Evaluamos la sensibilidad, la especificidad, el valor predictivo positivo (PPV) y el valor predictivo negativo (NPV).
Entre los pacientes con RHC de ejercicio (n = 28), el 71 % cumplió los criterios hemodinámicos de HFpEF. La herramienta de IA mostró una sensibilidad del 30 %, una especificidad del 88 %, un PPV del 86 % y un NPV del 33 %. Utilizando la pendiente PCWP/CO (n = 25), la especificidad y el PPV fueron del 100 %, la sensibilidad del 27 % y el NPV del 16 %. Los pacientes con IA positiva tuvieron una PCWP en reposo significativamente más alta (20 frente a 15 mmHg, P = 0,029), una presión media de la AP más alta (29 frente a 24 mmHg, P = 0,02) y una PVR más alta (2,1 frente a 1,3 WU, P = 0,002). En los pacientes con puntuación H2FPEF indeterminada (n = 25), la IA identificó correctamente al 80 % de los que tenían HFpEF confirmada de forma invasiva. El rendimiento del modelo fue consistente en los intervalos TTE-RHC <365 y <90 días.
Este modelo de IA mostró una alta especificidad y un alto valor predictivo positivo (PPV) para la detección de HFpEF, identificando de forma fiable a los pacientes con alteraciones hemodinámicas más avanzadas. Su rendimiento se mantuvo sólido en intervalos variables entre la ecocardiografía transtorácica (TTE) y el cateterismo cardíaco derecho (RHC), y en pacientes con puntuaciones clínicas indeterminadas. Debido a su sensibilidad limitada, la herramienta se utiliza mejor para mejorar la identificación de pacientes con hemodinámica claramente anómala, más que para excluir la HFpEF, especialmente en casos precoces o límite. Aunque su uso más amplio como herramienta de cribado es prometedor, son necesarios estudios de validación prospectivos para confirmar su utilidad en poblaciones generales.
