Un estudio europeo prospectivo y multicéntrico tiene como objetivo validar un sistema de inteligencia artificial que podría ayudar a los médicos de atención primaria y a los cardiólogos a diagnosticar la insuficiencia cardíaca y estratificar su riesgo de forma más temprana y precisa.
La insuficiencia cardíaca (IC) afecta a más de 64 millones de personas en todo el mundo y sigue siendo notoriamente difícil de diagnosticar, especialmente en la atención primaria, donde los síntomas como la disnea, el edema y la fatiga se superponen con otras afecciones comunes. La prueba de péptidos natriuréticos (NT-proBNP), la herramienta de primera línea actual para los médicos de atención primaria, es altamente sensible para descartar la IC, pero tiene una especificidad pobre (alrededor del 65%), lo que genera un gran número de falsos positivos y derivaciones innecesarias. Como resultado, hasta dos tercios de los pacientes derivados a la atención secundaria con sospecha de IC no tienen el diagnóstico confirmado mediante ecocardiografía.
El estudio STRATIFYHF, publicado en BMJ Open y liderado por investigadores de la Universidad de Newcastle y la Universidad de Coventry, tiene como objetivo abordar esta laguna mediante el desarrollo y la validación de un sistema de apoyo a la decisión (SAD) basado en inteligencia artificial para la estratificación del riesgo, el diagnóstico y la progresión de la enfermedad de la IC.
STRATIFYHF (NCT06377319) es un estudio de cohorte longitudinal prospectivo que reclutará a hasta 1.600 adultos de ≥45 años en ocho centros clínicos del Reino Unido, Alemania, Italia, Serbia, los Países Bajos y España.
Los participantes se dividen en dos grupos:
Los participantes se seguirán durante hasta 24 meses, con evaluaciones exhaustivas, historial médico, exploración física, biomarcadores sanguíneos, ECG, ecocardiografía y cuestionarios de calidad de vida, repetidos en el momento basal y a los 12 meses.
Además de las pruebas estándar, STRATIFYHF incorpora varias herramientas diagnósticas innovadoras:
El SAD utilizará enfoques de aprendizaje automático, incluidas redes neuronales, bosques aleatorios, máquinas de soporte vectorial y aumento de gradiente, entrenados con datos longitudinales de pacientes para predecir el tiempo hasta la aparición de la IC y la progresión de la enfermedad. Las predicciones del modelo se harán interpretables mediante técnicas de explicabilidad (LIME, valores de Shapley) para apoyar la confianza del clínico, y el rendimiento se informará utilizando métricas de sensibilidad, especificidad, F1 y R², con una validación independiente utilizando un conjunto de pruebas de la Universidad de Florencia.
Los autores argumentan que las herramientas actuales de estratificación del riesgo para la IC son limitadas y rara vez se implementan en la práctica rutinaria, dejando a los médicos de atención primaria sin medios adecuados para refinar las decisiones de derivación. STRATIFYHF tiene como objetivo producir un SAD validado y habilitado para aplicaciones móviles que podría reducir las derivaciones innecesarias a la atención secundaria, apoyar un diagnóstico más temprano y preciso, y mejorar la predicción de la progresión de la enfermedad, con grupos focales y entrevistas con clínicos y pacientes que alimentarán el diseño y la usabilidad de la aplicación móvil final.
