Aprendizaje automático para el desarrollo de modelos de diagnóstico de insuficiencia cardíaca descompensada o exacerbación de enfermedad pulmonar obstructiva crónica

Scientific Reports volumen 13, número de artículo: 12709 (2023) Citar este artículo

48 Accesos

1 altmétrica

Detalles de métricas

La insuficiencia cardíaca (IC) y la enfermedad pulmonar obstructiva crónica (EPOC) son dos enfermedades crónicas con mayor impacto adverso en la población general, y la detección precoz de su descompensación es un objetivo importante. Sin embargo, muy pocos modelos de diagnóstico han logrado un rendimiento diagnóstico adecuado. El objetivo de este ensayo fue desarrollar modelos de diagnóstico de insuficiencia cardíaca descompensada o exacerbación de la EPOC con técnicas de aprendizaje automático basadas en parámetros fisiológicos. Se reclutó un total de 135 pacientes hospitalizados por insuficiencia cardíaca descompensada y/o exacerbación de la EPOC. Cada paciente fue sometido a tres evaluaciones: una en la fase descompensada (durante el ingreso hospitalario) y dos más de forma consecutiva en la fase compensada (en su domicilio, 30 días después del alta). En cada evaluación, se registraron continuamente (con un oxímetro de pulso) la frecuencia cardíaca (FC) y la saturación de oxígeno (Ox) durante un período de caminata de 6 min, seguido de un período de recuperación de 4 min. Para desarrollar los modelos de diagnóstico, inicialmente se seleccionaron características predictivas relacionadas con HR y Ox mediante algoritmos de clasificación. Los posibles predictores incluyeron la edad, el sexo y la enfermedad inicial (insuficiencia cardíaca o EPOC). A continuación, se desarrollaron modelos de clasificación diagnóstica (fase compensada vs. descompensada) mediante diferentes técnicas de aprendizaje automático. El rendimiento diagnóstico de los modelos desarrollados se evaluó según la sensibilidad (S), la especificidad (E) y la precisión (A). En los análisis se incluyeron datos de 22 pacientes con insuficiencia cardíaca descompensada, 25 con exacerbación de la EPOC y 13 con ambas patologías descompensadas. De las 96 características de HR y Ox evaluadas inicialmente, se seleccionaron 19. La edad, el sexo y la enfermedad de base no proporcionaron mayor poder discriminativo a los modelos. Las técnicas con valores de S y E superiores al 80% fueron la regresión logística (S: 80,83%; E: 86,25%; A: 83,61%) y la máquina de vectores de soporte (S: 81,67%; E: 85%; A: 82,78%) técnicas. Los modelos diagnósticos desarrollados lograron un buen rendimiento diagnóstico para la IC descompensada o la exacerbación de la EPOC. Hasta donde sabemos, este estudio es el primero en informar modelos diagnósticos de descompensación potencialmente aplicables tanto a pacientes con EPOC como con IC. Sin embargo, estos resultados son preliminares y justifican una mayor investigación para confirmarlos.

La insuficiencia cardíaca (IC) y la enfermedad pulmonar obstructiva crónica (EPOC) son dos enfermedades crónicas con mayor impacto adverso en la población general1,2,3. La descompensación (en IC) o la exacerbación (en EPOC) son especialmente importantes ya que afectan a la autonomía y la calidad de vida y aumentan la mortalidad y la necesidad de ingreso hospitalario o visitas a urgencias4,5,6,7. Por lo tanto, es importante desarrollar métodos que permitan la detección temprana de la descompensación de estas enfermedades, ya que dicha detección permite una recuperación más rápida y evita la necesidad de una intervención mayor como el ingreso hospitalario8,9.

El abordaje habitual de los métodos desarrollados hasta el momento para detectar la descompensación precoz de ambas enfermedades se basa en la monitorización ambulatoria de parámetros clínicos mediante modelos predictivos o algoritmos diagnósticos aplicados de forma continua o intermitente10,11. En cuanto a la IC, una revisión sistemática de algoritmos basados en parámetros fisiológicos no invasivos11 identificó los parámetros fisiológicos más frecuentemente considerados para este tipo de algoritmos: peso como marcador de sobrecarga hídrica (96%), presión arterial (85%), frecuencia cardíaca (FC) (61%), saturación de oxígeno (Ox) (23%) y ritmo cardíaco (17%). Sin embargo, aún no se ha establecido la combinación óptima de parámetros para detectar la descompensación y el peso corporal, aunque ampliamente utilizado, a menudo genera muchas alertas falsas y tiene una baja sensibilidad para detectar la descompensación cardíaca. En la EPOC, a diferencia de la IC, los parámetros fisiológicos más comúnmente considerados son Ox y HR10, así como las pruebas de función pulmonar (espirometría). Varios estudios12,13,14 han calculado las diferencias de estos parámetros en los días previos a una exacerbación de la EPOC. Por lo tanto, para Ox, se ha informado una disminución de 1 a 2 puntos o 1 a 1,24 desviaciones estándar (DE) desde el valor inicial, y para la FC, se han informado elevaciones de 5 a 7 latidos por minuto o 3 DE desde el valor inicial. Entre los parámetros antes mencionados para ambas condiciones, destacamos Ox y FC, ya que son parámetros fisiológicos que actualmente pueden ser monitoreados de forma remota y confiable a través de dispositivos tecnológicos no disruptivos durante la rutina diaria de los pacientes.

Aunque hasta la fecha se han desarrollado varios algoritmos, muy pocos superan el umbral de sensibilidad (S) y especificidad (E) del 80%15,16,17,18. Además, algunas de las que superan esta barrera se basan en la monitorización mediante dispositivos invasivos implantados en los pacientes (como marcapasos o desfibriladores)15 o la introducción de dispositivos específicos en sus hogares, como analizadores de calidad del aire interior17, todos los cuales restringen su uso extendido.

Nuestro grupo desarrolló e informó previamente algoritmos de diagnóstico para la detección de exacerbación de la EPOC (S: 90%, E: 89%) e IC descompensada (S: 85%, E: 75%) basados en la monitorización no invasiva de los parámetros fisiológicos de los pacientes (HR , Buey y caminata) en fases compensadas y descompensadas de sus enfermedades19. Los algoritmos de “reglas de expertos” fueron desarrollados a partir de un análisis de los parámetros fisiológicos medios evaluados y una estrategia que incluye pruebas paralelas y seriadas20. A pesar del buen rendimiento diagnóstico observado, estos algoritmos adolecen de algunas limitaciones importantes, como una explotación ineficiente de los datos (aunque los datos se recogieron continuamente segundo a segundo, el análisis se basó en reducir estos datos a sus medias) y la ausencia de validación. . Estas dificultades limitan la aceptación y aplicación de estos algoritmos en la práctica clínica habitual.

Para superar estas limitaciones, creemos que las técnicas de aprendizaje automático (ML) pueden resultar útiles. Este enfoque permite un uso más eficiente e individualizado de la gran cantidad de datos producidos a partir de la monitorización continua de parámetros fisiológicos21, especialmente con respecto a la detección temprana de situaciones clínicas de riesgo21,22. Se ha propuesto un abordaje individualizado que permite esta técnica como herramienta para mejorar la limitación de los falsos positivos, que ocurren frecuentemente cuando se utilizan límites o umbrales fijos e idénticos para todos los pacientes22,23. Asimismo, el uso de estas técnicas es cada vez más frecuente a la hora de implementar algoritmos de monitorización de parámetros fisiológicos en “condiciones reales”24, lo que puede evitar la necesidad de situaciones controladas o protocolos específicos para la aplicación de los algoritmos desarrollados. Finalmente, a diferencia de las técnicas estadísticas habituales donde la inferencia suele ser el factor más importante (es decir, la investigación de las relaciones entre variables o la comprensión de un fenómeno en lugar de su identificación o detección), las técnicas de ML tienen un propósito principal de predicción o identificación de una situación. o evento (por ejemplo, para identificar si un paciente se encuentra en la fase descompensada de una enfermedad crónica)25.

En este estudio, reportamos el rendimiento diagnóstico de algoritmos de diagnóstico basados en parámetros fisiológicos (FC y Ox) y desarrollados con técnicas de ML para clasificar las fases de la enfermedad de los pacientes (compensadas o descompensadas). Se han considerado las pautas recomendadas para informar este tipo de estudios26,27,28.

Este fue un estudio observacional multicéntrico prospectivo. A diferencia de los estudios sobre modelos pronósticos, en el presente estudio se desarrollaron modelos diagnósticos, es decir, modelos diseñados para determinar si un paciente se encontraba en fase compensada o descompensada de su enfermedad (exacerbación de la EPOC y/o descompensación de la IC).

Los criterios de admisión a este estudio y el proceso de reclutamiento han sido informados previamente19. Se incluyeron pacientes mayores de 55 años que fueran capaces de caminar al menos 30 m, con diagnóstico principal de IC descompensada y/o exacerbación de EPOC y hospitalizados en el Servicio de Medicina Interna, Cardiología o Neumología. Se excluyeron los participantes con marcapasos o dispositivo intracardíaco, los usuarios de oxigenoterapia domiciliaria antes del ingreso y los pacientes con IC en clase funcional IV de la clasificación de la New York Heart Association (NYHA)29.

Participaron cuatro hospitales: dos hospitales universitarios de tercer nivel (600-900 camas de hospital) y dos hospitales regionales de atención secundaria (150-400 camas de hospital) de las provincias de Barcelona y Madrid.

Cada centro tenía un entrevistador capacitado y cada departamento tenía un médico remitente al que el entrevistador podía acceder. Cada día, el entrevistador contactó al médico remitente para revisar el censo de hospitalizaciones e identificar a los pacientes con el diagnóstico de interés. A continuación, el entrevistador confirmó el diagnóstico principal (IC descompensada y/o exacerbación de la EPOC) con el médico responsable del paciente y luego contactó al participante (el mismo día o al día siguiente) para obtener el consentimiento informado y verificar el cumplimiento de todos los criterios de ingreso. de este estudio. La muestra se obtuvo mediante muestreo por conveniencia y todos los pacientes fueron incluidos consecutivamente a medida que fueron identificados.

Los períodos de reclutamiento y seguimiento duraron 18 meses a partir de noviembre de 2010.

Cada paciente fue sometido a tres evaluaciones idénticas: la primera en la unidad de hospitalización (V1) y las otras dos de forma consecutiva y con al menos 24 h de diferencia en el domicilio del participante a los 30 días del alta hospitalaria (V2 y V3). Así, cada participante se sometió a una evaluación en la fase descompensada (V1) y dos en la fase compensada (V2, V3) de su enfermedad.

El protocolo de evaluación19 incluyó documentación de síntomas (disnea según las escalas NYHA29 y Modified Medical Research Council (mMRC)30) y parámetros fisiológicos (FC y Ox) en dos períodos consecutivos: esfuerzo (caminar a ritmo normal y en terreno llano durante un máximo de 6 min) y recuperación (sentado durante 4 min tras finalizar el periodo de esfuerzo).

FC y Ox se consideraron series de tiempo con una frecuencia de muestreo de 1 Hz y se recogieron a lo largo de la evaluación con un oxímetro de pulso (Modelo 3100, marca Nonin® Medical, Inc., Plymouth, MN, EE. UU.) colocado en el dedo índice izquierdo.

Dada la ausencia de una única prueba diagnóstica estándar para verificar si un paciente se encontraba en la fase compensada o descompensada de su enfermedad, se consideró como prueba diagnóstica estándar el juicio clínico del médico responsable del participante. Así, en la fase descompensada, el diagnóstico de insuficiencia cardíaca descompensada y/o exacerbación de la EPOC correspondió al diagnóstico confirmado por el médico tratante del participante (en casos de duda diagnóstica, el paciente fue excluido). Para la fase compensada, un médico del estudio confirmó un diagnóstico estándar de insuficiencia cardíaca compensada y/o EPOC estable mediante contacto telefónico con el participante 30 días después del alta hospitalaria. Durante esta interacción telefónica, se consideró que el paciente se encontraba en fase compensada si no había ocurrido ninguno de los siguientes eventos desde el alta hospitalaria: aumento de tos, esputo o disnea; inicio o aumento del uso de corticosteroides; e inicio de tratamiento antibiótico o consulta médica por empeoramiento de la situación clínica por cualquier causa. En casos de duda o si no se podía confirmar la fase compensada, se realizaron sucesivos contactos telefónicos hasta poder confirmar la fase. El entrevistador programó visitas domiciliarias para las respectivas evaluaciones (V2, V3) solo después de la confirmación y dentro de las 24 a 48 h posteriores a la recepción de la confirmación.

Dado el objetivo de este estudio (desarrollo de un algoritmo “online” capaz de detectar la aparición de una exacerbación a partir de datos de FC y Ox), se extrajeron diversas características de cada una de las evaluaciones (V1, V2, V3). Para ello se separó la fase de esfuerzo (caminata) y la fase de recuperación de cada evaluación verificando los tiempos registrados manualmente en los registros de recolección de datos al inicio y final de cada fase de la prueba y revisando visualmente las señales para confirmar los registros manuales. . Una vez separadas las señales según la fase de evaluación, se extrajeron las características correspondientes de las medidas disponibles.

Se extrajeron numerosas características de las señales. Durante cada una de las pruebas se consideraron dos fases diferenciadas: esfuerzo y recuperación, que fueron tratadas por separado. De cada una de las fases se consideraron tres señales: FC, Ox y la diferencia normalizada entre estas variables. De cada una de estas tres señales temporales, las características de los dominios temporal (la media, desviación estándar y rango) y de frecuencia (las características del primer y segundo armónicos, la distribución de los armónicos [curtosis y asimetría], la suma de Se extrajeron todos los armónicos y los seis primeros índices del análisis de componentes principales [PCA] para la transformada rápida de Fourier normalizada [FFT] de la señal). Así, de cada fase (esfuerzo y recuperación) de cada señal (FC, Ox y la diferencia normalizada entre ellas) se obtuvieron 16 características, resultando un total de 96 características para cada evaluación. La diferencia normalizada entre Ox y HR se definió utilizando la función sklearn Standardscaler (la fórmula matemática está disponible en https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html) y se aplicó PCA. a las series temporales HR y Ox utilizando la función sklearn.decomposition.PCA (fórmula disponible en https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html). En cuanto a la selección de los primeros 6 componentes del PCA, esta decisión se tomó con base en el criterio de los investigadores, considerando que típicamente en este tipo de análisis se consideran los primeros 3 a 6 componentes.

Dado que el objetivo principal de este estudio fue la detección de una transición desde un estado considerado normal o estable (IC o EPOC en fase compensada [V2, V3]) a un estado de descompensación o exacerbación (fase descompensada [V1]), Se aplicó un esquema metodológico basado en el cálculo de las diferencias entre las evaluaciones de cada característica disponible. Así, si un paciente tuvo tres evaluaciones (V1, V2 y V3), de estas evaluaciones se obtuvieron seis diferencias o señales comparativas útiles (V1–V2, V1–V3, V2–V1, V2–V3, V3–V1, V3– V2). La etiqueta de cada una de estas señales comparativas se ilustra en la Fig. 1.

Etiquetado e interpretación de señales comparativas.

Aunque las diferencias V1-V2 y V1-V3 podrían considerarse más apropiadamente como "recuperación por descompensación" en lugar de "sin descompensación", decidimos descartar una tercera categoría de etiqueta ("recuperación por descompensación") debido al pequeño tamaño de la muestra y porque la principal El objetivo del ensayo fue la detección de descompensación.

En una primera aproximación, las características predictivas potenciales se seleccionaron utilizando los algoritmos de clasificación random forest31, gradient boosting classifier31 y light gradient-boosting machine (LGBM)32, que integran las funciones de selección de características por importancia dentro de la decisión. Seleccionamos las 10 características principales según su clasificación de importancia dentro de la estructura de cada modelo de clasificador.

La Figura 2 muestra un esquema del proceso de preparación y selección de las características de las señales.

Proceso de elaboración y selección de las características de las evaluaciones.

Durante el proceso de selección de características se descartaron todas aquellas que eran redundantes o tenían variabilidades muy bajas. En este estudio, por definición, no contamos con variables con perfecta separación que pudieran provocar una sobreestimación de la capacidad diagnóstica de los modelos (overfitting)26.

Además de las características seleccionadas a partir de las señales FC y Ox, se consideraron potenciales predictores la edad, el sexo y la enfermedad basal (IC o EPOC) de los pacientes.

Para el desarrollo de los algoritmos se consideraron las técnicas de ML más utilizadas en los estudios de modelos de clasificación: (i) árboles de decisión, (ii) bosque aleatorio, (iii) k-vecino más cercano (KNN), (iv) máquina de vectores de soporte (SVM), (v) regresión logística, (vi) clasificador ingenuo de Bayes, (vii) clasificador de aumento de gradiente y (viii) LGBM.

Para cada una de estas técnicas, se seleccionaron hiperparámetros basándose en un esquema de fuerza bruta utilizando todos los datos disponibles a través de un esquema de validación cruzada (validación cruzada de K veces, k = 5). A todas las características se les aplicó un proceso de normalización basado en las medianas y rangos intercuartílicos (RIC)31.

Una vez identificados los mejores parámetros de cada técnica, se realizó la validación interna con el método de dejar un paciente fuera. Por lo tanto, se calculó un nuevo modelo para cada paciente reemplazando los datos del modelo de los conjuntos de entrenamiento y validación con los datos del paciente. La Figura 3 muestra un esquema del proceso de capacitación y validación.

Esquema del entrenamiento y validación de los algoritmos de estudio.

Las unidades de observación (entradas) sobre las que se aplicaron los algoritmos fueron las diferencias entre dos evaluaciones diferentes, como se ilustra en la Fig. 1. Así, los algoritmos clasificaron la diferencia evaluada como un estado de “sin descompensación” (etiqueta = 0) o “ un cambio a descompensación” (etiqueta = 1). Por lo tanto, se definieron los siguientes parámetros:

Verdadero positivo (TP) “un cambio hacia la descompensación” como resultado de la clasificación para una comparación V3–V1 o V2–V1.

Verdadero negativo (TN) “sin descompensación” como resultado de clasificación para una comparación V1–V2, V1–V3, V2–V3 o V3–V2.

Falso positivo (FP) “cambio a descompensación” como resultado de clasificación para una comparación V1–V2, V1–V3, V2–V3 o V3–V2.

Falso negativo (FN) “sin descompensación” como resultado de clasificación para una comparación V3-V1 o V2-V1.

Los parámetros utilizados para evaluar el rendimiento diagnóstico de los algoritmos fueron S, E y precisión (A). Cada paciente podría tener hasta seis unidades de observación o insumos; por tanto, se obtuvieron hasta seis resultados de clasificación, que luego se definieron como TP, TN, FP o FN. Luego se obtuvieron la S, E y A para cada paciente. La S, E y A finales de toda la muestra se calcularon a partir de la media de los parámetros obtenidos de cada paciente.

Los valores predictivos no fueron considerados porque las proporciones de evaluaciones en la fase descompensada (33% [V1]) y fase compensada (66% [V2, V3]) no correspondieron a la proporción habitual encontrada en la práctica clínica (la gran mayoría de los pacientes de la comunidad suelen estar en la fase de compensación).

Los datos faltantes no se incluyeron en el análisis, pero los pacientes con datos faltantes no fueron excluidos (todos los datos disponibles de los pacientes se incluyeron en el análisis). No se realizó ninguna imputación de los datos faltantes.

Durante el proceso de revisión de señales y verificación de los tiempos de inicio y finalización de cada evaluación a partir de los registros manuales, se observaron secciones faltantes de datos de FC y/o Ox debido a un mal contacto entre la piel y el sensor. Esta incidencia provocó la introducción de algunos filtros para excluir del análisis estos apartados faltantes. Por lo tanto, se excluyó una evaluación si tenía una tasa de pérdida (medidas faltantes divididas por el número total de medidas) superior al 10% en cualquier fase. Además, también se consideraron evaluaciones realizadas en casa (V2, V3) que no revelaron una mejoría en la sensación de disnea del paciente (de al menos un punto según la escala mMRC30) con respecto a la evaluación de la fase descompensada (V1). excluidos para garantizar que las evaluaciones de las viviendas se realizaran en la “fase compensada”.

No se observaron resultados indeterminados en la prueba índice (algoritmos); en todos los casos, el modelo produjo un resultado de “sin descompensación” o de “un cambio a descompensación”. Por otra parte, todas las evaluaciones se realizaron siempre después de un resultado definitivo de la prueba diagnóstica estándar de referencia: diagnóstico clínico de la fase descompensada por el médico responsable del paciente en la evaluación hospitalaria (V1) y diagnóstico clínico de la fase compensada por el médico que contactó telefónicamente a los pacientes antes de las evaluaciones domiciliarias (V2, V3). Así, los algoritmos fueron desarrollados y aplicados en evaluaciones claramente etiquetadas como fase compensada o descompensada por la prueba diagnóstica de referencia.

Todos los métodos y procedimientos se realizaron de acuerdo con las directrices y regulaciones pertinentes. El estudio siguió los principios contenidos en la Declaración de Helsinki y aprobados por el Comité de Ética e Investigación (CEI) del centro promotor del estudio (CEI del Hospital de Mataró, número de aprobación 1851806). Se obtuvo el consentimiento informado de todos los participantes y/o sus tutores legales.

Se reclutó un total de 135 pacientes. Después de excluir las evaluaciones según los criterios descritos anteriormente (pacientes sin evaluaciones V2 y V3 (evaluaciones en el hogar), pérdida de señal mayor al 10 % en la evaluación V1, o V2 y V3; y ninguna mejoría de al menos un punto para la disnea en la evaluación compensada fase), 60 pacientes estaban disponibles para su inclusión en los análisis. La Figura 4 muestra el flujo del proceso de selección de participantes del estudio.

Flujo del proceso de selección de participantes del estudio.

De los 60 pacientes incluidos, a todos se les realizó la evaluación hospitalaria (V1), pero no a todos se les realizaron ambas evaluaciones domiciliarias (V2, V3). Por lo tanto, no todos los pacientes incluidos contaron con las seis unidades de observación derivadas de las tres evaluaciones planificadas (V1, V2, V3). En total se obtuvieron 93 unidades de observación del tipo “cambio a descompensación” (etiqueta = 1) y 159 del tipo “sin descompensación” (etiqueta = 0). La Figura 5 muestra un ejemplo de los valores de SpO2 y FC de un paciente durante las evaluaciones del estudio.

Series temporales de Ox y FC de un paciente durante cada evaluación del ensayo. Las líneas naranja y azul representan SpO2 y FC, respectivamente. Los valores de FC y SpO2 corresponden a los que se muestran en las columnas izquierda y derecha, respectivamente.

Durante las evaluaciones no ocurrieron eventos médicos relevantes.

Las características basales de los participantes finalmente seleccionados para el desarrollo del modelo según la patología subyacente y la gravedad del cuadro clínico al ingreso (disnea según la escala NYHA29) se muestran en la Tabla 1. Las medias de los tiempos de caminata (registro manual) fueron 6,1 min, 5,9 min y 5,9 min para las evaluaciones V1, V2 y V3, respectivamente.

En cuanto a la selección de variables predictoras, la Tabla 2 muestra las características seleccionadas y sus descripciones. De 96 características, finalmente se seleccionaron 19. Utilizando los 3 algoritmos de clasificación mencionados anteriormente, encontramos que las 3 características predictivas más importantes fueron las siguientes: “meanHRminusOx Recovery”, “meanOxRecovery” y “meanHRminusOxWalk” (bosque aleatorio); “PC2-Ox-Recovery”, “PC6-HRminusOx-Walk” y “stdOxWalk” (clasificador de refuerzo de gradiente); y “meanOxRecovery”, “meanHRminusOx Recovery” y “stdOxWalk” (LGBM).

Ninguno de los otros predictores evaluados (edad, sexo y enfermedad de base) proporcionó mayor poder discriminativo a los modelos.

El rendimiento diagnóstico de los algoritmos desarrollados según la técnica utilizada se muestra en la Tabla 3. Las técnicas con valores de S y E superiores al 80% fueron la regresión logística y la SVM.

El presente estudio reportó modelos diagnósticos que lograron una buena capacidad de detección de exacerbación de la EPOC o descompensación de IC (S y E superiores al 80%). Aunque los S y E fueron ligeramente inferiores a los de los modelos de otros dos estudios (Vamos et al.15 para IC y Wu et al.17 para EPOC), destacamos que los modelos de nuestro estudio, a diferencia de estos modelos anteriores, no requieren dispositivos complejos como sensores intradomiciliarios o desfibriladores cardíacos para su implementación en la práctica clínica. Un estudio potencialmente más comparable al nuestro en cuanto a la tecnología utilizada y el método desarrollado para los algoritmos es el de Stehlik et al.16. El estudio reportó modelos de detección de descompensación de IC desarrollados a través de ML a partir del monitoreo de parámetros fisiológicos de 100 pacientes recolectados a través de un parche cutáneo a nivel torácico. Los modelos desarrollados obtuvieron una S de 76 a 88% y una E de 85%, valores similares a los de los modelos de nuestro estudio. Recientemente, Morrill et al.33 reportaron modelos diagnósticos de IC descompensada desarrollados con técnicas de ML con una S del 100% y una E del 73% pero basados en situaciones clínicas simuladas y no en pacientes reales.

Otro resultado importante fue que la enfermedad subyacente (EPOC o IC) no influyó en el desarrollo ni en el rendimiento diagnóstico de los modelos; por lo tanto, hasta donde sabemos, este es el primer estudio que reporta modelos diagnósticos de descompensación potencialmente aplicables a pacientes afectados por EPOC y por IC, que pueden ser relevantes dada la creciente proporción de pacientes afectados por ambas patologías. Sin embargo, nuestro estudio sólo puede considerarse preliminar en este momento porque el tamaño del ensayo fue modesto y el diseño no fue lo suficientemente sólido como para confirmar que este resultado sea generalizable. Por lo tanto, este resultado merece una mayor investigación. Como hipótesis, proponemos la coexistencia de mecanismos fisiopatológicos en la descompensación de ambas enfermedades, sirviendo HR, Ox y su relación como parámetros que podrían representar un denominador común relevante para la descompensación de ambas patologías. Ox ya ha demostrado una considerable utilidad en la detección de IC aguda en estudios previos34 y ha sido considerado el parámetro fisiológico con mayor poder discriminativo en la EPOC10,35. Además, el punto de corte de Ox para la detección de IC aguda no parece modificarse en pacientes que también padecen EPOC34. Nuestro estudio también propone la FC y su relación con Ox como parámetros de interés en los mecanismos fisiopatológicos relacionados con la descompensación de ambas enfermedades porque si bien la mayoría de las características elegidas para el desarrollo de los modelos (ocho de 19) estaban únicamente relacionadas con Ox, cuatro estaban relacionadas con Ox. relacionados exclusivamente con la FC, y el resto (siete de 19) estaban relacionados con la combinación de los dos parámetros (FC-Ox). En cualquier caso, futuras investigaciones deberían explorar esta hipótesis.

Con el enfoque metodológico considerado, creemos que ninguna de las características seleccionadas ni el resto de variables potencialmente predictivas evaluadas se asociaron con un posible fenómeno de “fuga de información” de la variable de resultado (fase compensada o descompensada) a las variables predictoras (“fuga de resultado” ”)26. Sin embargo, hay que reconocer una posible “fuga de validación”26 porque no pudimos utilizar una muestra completamente independiente para la validación de los modelos de diagnóstico desarrollados (el tamaño de muestra que teníamos nos llevó a priorizar el desarrollo de los modelos con la máxima muestra disponible), y debemos reconocer la posibilidad de alguna sobreestimación en el rendimiento diagnóstico obtenido.

Comenzamos este estudio con una cohorte de pacientes en fase descompensada. Este diseño nos permitió tener observaciones suficientes para ambas categorías de la variable de resultado y desarrollar y evaluar los modelos obtenidos (si hubiéramos comenzado con una cohorte de pacientes estables, solo una pequeña proporción habría presentado descompensación). Además, el diseño permitió que cada paciente actuara como su propio control. Si bien elegir la hospitalización como referencia para la fase descompensada no era lo ideal porque el objetivo final de estos algoritmos era detectar la descompensación clínica en una fase más temprana, la evaluación durante la hospitalización se realizó una vez que los pacientes estaban clínicamente estables y eran capaces de caminar al menos 30 m, por lo que la evaluación hospitalaria (V1) se realizó efectivamente una vez superada la fase más aguda de la descompensación. Del mismo modo, no tuvimos en cuenta los parámetros de ingreso porque ese momento representa la fase más grave de la exacerbación, y el objetivo de este estudio fue desarrollar un algoritmo basado en parámetros lo más similares posible a una fase anterior de la exacerbación.

El intervalo de tiempo entre el método de diagnóstico estándar (confirmación de la fase compensada o descompensada por un médico) y la recolección de datos para el desarrollo de los modelos de diagnóstico fue bastante corto (24-48 h); por lo tanto, no creemos que se hayan producido cambios considerables en los estados clínicos de los pacientes entre estos eventos que influyan en los resultados para el desempeño diagnóstico de los modelos desarrollados.

En términos de extrapolación de nuestros resultados a otras poblaciones, los modelos fueron diseñados para detectar las exacerbaciones más graves de la enfermedad (aquellas que provocan el ingreso hospitalario) y no las más leves (como las que requieren únicamente tratamiento ambulatorio). La inclusión de centros con diferentes niveles de complejidad en dos áreas geográficas diferentes nos permitió incluir una muestra de pacientes que representa gran parte del espectro clínico de ambas patologías.

A la espera de la validación externa y la demostración de su eficacia en la práctica clínica habitual, los modelos desarrollados en este estudio están diseñados para su implementación en dispositivos mínimamente invasivos o no disruptivos para la monitorización extrahospitalaria continua y de rutina de ciertos pacientes. Aunque los datos de este estudio se obtuvieron de un oxímetro de pulso, varios dispositivos de uso común (por ejemplo, relojes inteligentes) son capaces de monitorear continuamente los parámetros fisiológicos incluidos en los modelos de diagnóstico desarrollados.

Además de las limitaciones mencionadas en los párrafos anteriores, debemos reconocer la alta proporción de valoraciones faltantes o excluidas del análisis, lo que puede haber influido negativamente en el rendimiento diagnóstico alcanzado por los modelos desarrollados. Por lo tanto, debemos aceptar la posibilidad de un sesgo de selección no despreciable en la muestra final disponible para el análisis. Esta limitación, junto con el modesto tamaño muestral de nuestro estudio, impidió profundizar en determinados aspectos del análisis e interpretación de los resultados. No pudimos realizar análisis en subgrupos específicos (p. ej., el subgrupo de pacientes con ambas afecciones en estado descompensado), identificar fenotipos de las afecciones evaluadas o comparar el rendimiento diagnóstico de los modelos entre diferentes evaluaciones (p. ej., V1-V2 vs. .V1–V3).

Destacamos también que las condiciones en las que se realizaron las evaluaciones fueron controladas (se siguió un protocolo específico de caminata y recuperación), quedando pendientes evaluaciones en condiciones más “reales”. Finalmente, aunque la alta proporción de evaluaciones en la fase descompensada nos permitió mejorar el desarrollo del modelo, esta proporción fue considerablemente mayor que la del mundo real (en condiciones habituales, la mayoría de los pacientes se encuentran en la fase compensada de su enfermedad); por lo tanto, en futuros estudios se debe considerar una proporción de fase compensada/descompensada más cercana a la del mundo real para evitar una alta tasa de falsos positivos que impida su implementación en la práctica clínica.

Los modelos diagnósticos desarrollados lograron un buen rendimiento diagnóstico para la IC descompensada o la exacerbación de la EPOC.

Hasta donde sabemos, este estudio es el primero en informar modelos diagnósticos de descompensación potencialmente aplicables tanto a pacientes con EPOC como con IC. Sin embargo, estos resultados son preliminares y justifican una mayor investigación para confirmarlos.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

Boult, C., Altmann, M., Gilbertson, D., Yu, C. y Kane, RL Disminución de la discapacidad en el siglo XXI: los efectos futuros del control de seis enfermedades mortales y no mortales. Soy. J. Salud Pública 86, 1388–1393 (1996).

Artículo CAS PubMed PubMed Central Google Scholar

Mannino, DM EPOC: Epidemiología, prevalencia, morbilidad y mortalidad y heterogeneidad de la enfermedad. Cofre 121, 121S-126S (2002).

Artículo PubMed Google Scholar

Muñiz García, J., Crespo Leiro, MG & Castro Beiras, A. Epidemiología de la insuficiencia cardíaca en España y la importancia del cumplimiento de las guías de práctica clínica. Rev. P. Esp. Cardiol. 6, 2–8 (2006).

Artículo PubMed Google Scholar

Anzueto, A., Sethi, S. & Martinez, FJ Exacerbaciones de la enfermedad pulmonar obstructiva crónica. Proc. Soy. Torácico. Soc. 4, 554–564 (2007).

Artículo CAS PubMed Google Scholar

Giamouzis, G. et al. Epidemia de hospitalización en pacientes con insuficiencia cardíaca: factores de riesgo, predicción de riesgos, lagunas de conocimiento y direcciones futuras. J. Tarjeta. Fallar. 17, 54–75 (2011).

Artículo PubMed Google Scholar

Liao, L., Allen, LA y Whellan, DJ Carga económica de la insuficiencia cardíaca en las personas mayores. Farmacoeconomía 26, 447–462 (2008).

Artículo PubMed Google Scholar

Zhang, Y. et al. Una revisión sistemática de cómo los pacientes valoran los resultados de la EPOC. EUR. Respirar. J. 52, 1800222 (2018).

Artículo PubMed Google Scholar

Cotter, G. y col. Insuficiencia cardíaca aguda: un enfoque novedoso para su patogénesis y tratamiento. EUR. J. Fallo cardíaco. 4, 227–234 (2002).

Artículo PubMed Google Scholar

Wilkinson, TMA, Donaldson, GC, Hurst, JR, Seemungal, TAR y Wedzicha, JA La terapia temprana mejora los resultados de las exacerbaciones de la enfermedad pulmonar obstructiva crónica. Soy. J. Respirar. Crítico. Cuidado médico. 169, 1298-1303 (2004).

Artículo PubMed Google Scholar

Al Rajeh, AM & Hurst, JR Monitoreo de parámetros fisiológicos para predecir exacerbaciones de la enfermedad pulmonar obstructiva crónica (EPOC): una revisión sistemática. J.Clin. Medicina. 5, 108 (2016).

Artículo PubMed PubMed Central Google Scholar

Brons, M., Koudstaal, S. & Asselbergs, FW Algoritmos utilizados en programas de telemonitorización para pacientes con insuficiencia cardíaca crónica: una revisión sistemática. EUR. J. Cardiovasc. Enfermeras. 17, 580–588 (2018).

Artículo PubMed PubMed Central Google Scholar

Hurst, J.R. y col. Pulsioximetría domiciliaria en la exacerbación de la enfermedad pulmonar obstructiva crónica: estudio piloto prospectivo. BMC Pulm. Medicina. 10, 52 (2010).

Artículo PubMed PubMed Central Google Scholar

Martín-Lesende, I. et al. Impacto de la telemonitorización de pacientes domiciliarios con insuficiencia cardíaca o enfermedad pulmonar crónica desde atención primaria en el uso de recursos sanitarios (ensayo controlado aleatorio del estudio TELBIL). Servicio de salud BMC. Res. 13, 118 (2013).

Artículo PubMed PubMed Central Google Scholar

Burton, C., Pinnock, H. y McKinstry, B. Cambios en las variables y síntomas fisiológicos telemonitoreados antes de las exacerbaciones de la enfermedad pulmonar obstructiva crónica. J. Telemed. Teleasistencia 21, 29–36 (2015).

Artículo PubMed Google Scholar

Vamos, M. et al. Algoritmo de detección de insuficiencia cardíaca refinado para mejorar la confiabilidad clínica de las alertas OptiVol en receptores de TRC-D. Cardiol. J. 25, 236–244 (2018).

PubMed Google Académico

Stehlik, J. y col. Los análisis de monitoreo continuo de dispositivos portátiles predicen la hospitalización por insuficiencia cardíaca: el estudio multicéntrico LINK-HF. Circo. Fallo cardíaco. 13, e006513 (2020).

Artículo PubMed Google Scholar

Wu, C.-T. et al. Exacerbación aguda de un sistema de predicción de enfermedad pulmonar obstructiva crónica utilizando datos de dispositivos portátiles, aprendizaje automático y aprendizaje profundo: desarrollo y estudio de cohorte. JMIR Mhealth Uhealth 9, e22591 (2021).

Artículo PubMed PubMed Central Google Scholar

Singhal, A. y Cowie, MR El papel de los dispositivos portátiles en la insuficiencia cardíaca. actual. Fallo cardíaco. Representante 17, 125-132 (2020).

Artículo PubMed PubMed Central Google Scholar

Gálvez-Barrón, C. et al. Saturación de oxígeno de esfuerzo y frecuencia cardíaca de esfuerzo para detectar exacerbaciones de enfermedad pulmonar obstructiva crónica o insuficiencia cardíaca congestiva. J.Clin. Medicina. 8, 1–42 (2019).

Artículo de Google Scholar

Cebul, RD, Hershey, JC & Williams, SV Uso de pruebas múltiples: enfoques en series y paralelos. Clínico. Laboratorio. Medicina. 2, 871–890 (1982).

Artículo CAS PubMed Google Scholar

Krittanawong, C. y col. Integración de nuevos dispositivos de monitorización con tecnología de aprendizaje automático para un manejo cardiovascular escalable. Nat. Rev. Cardiol. 18, 75–91 (2021).

Artículo PubMed Google Scholar

Rush, B., Celi, LA y Stone, DJ Aplicación del aprendizaje automático a datos fisiológicos monitoreados continuamente. J.Clin. Monit. Computadora. 33, 887–893 (2019).

Artículo PubMed Google Scholar

Drew, BJ y cols. Información sobre el problema de la fatiga de alarmas con dispositivos de monitorización fisiológica: un estudio observacional integral de pacientes consecutivos de la unidad de cuidados intensivos. MÁS UNO 9, e110274 (2014).

Artículo ADS PubMed PubMed Central Google Scholar

Paganelli, AI et al. Análisis de datos en tiempo real en sistemas de monitoreo de salud: una revisión sistemática integral de la literatura. J. Biomed. Informar. 127, 104009 (2022).

Artículo PubMed Google Scholar

Sidey-Gibbons, JAM & Sidey-Gibbons, CJ Aprendizaje automático en medicina: una introducción práctica. BMC Med. Res. Método. 19, 64 (2019).

Artículo PubMed PubMed Central Google Scholar

Luo, W. y col. Directrices para desarrollar y generar modelos predictivos de aprendizaje automático en la investigación biomédica: una visión multidisciplinaria. J. Med. Resolución de Internet. 18, e5870 (2016).

Artículo de Google Scholar

Bossuyt, PM et al. STARD 2015: una lista actualizada de elementos esenciales para informar estudios de precisión diagnóstica. BMJ 351, h5527 (2015).

Artículo PubMed PubMed Central Google Scholar

Liu, Y., Chen, P.-HC, Krause, J. y Peng, L. Cómo leer artículos que utilizan el aprendizaje automático: guías de usuario de literatura médica. JAMA 322, 1806–1816 (2019).

Artículo PubMed Google Scholar

Dolgin, M. Nomenclatura y criterios para el diagnóstico de enfermedades del corazón y grandes vasos (Little, 1994).

Google Académico

Fletcher, C. Cuestionario estandarizado sobre síntomas respiratorios: una declaración preparada y aprobada por el Comité del MRC sobre la etiología de la bronquitis crónica (puntuación de disnea del MRC). BMJ 2, 1665 (1960).

Google Académico

Pedregosa, F. et al. Scikit-learn: aprendizaje automático en Python. J. Mach. Aprender. Res. 12, 2825–2830 (2011).

MathSciNet MATEMÁTICAS Google Scholar

Ke, G. y col. LightGBM: un árbol de decisión que impulsa el gradiente altamente eficiente. En Avances en sistemas de procesamiento de información neuronal vol. 30 (eds Von Luxburg, U. et al.) (Curran Associates Inc, 2017).

Google Académico

Morrill, J. y col. Una metodología de aprendizaje automático para la identificación y clasificación de exacerbaciones de insuficiencia cardíaca. J. Cardiovasc. Traducción Res. 15, 103-115 (2022).

Artículo PubMed Google Scholar

Masip, J. y col. Oximetría de pulso en el diagnóstico de insuficiencia cardíaca aguda. Rev. Esp. Cardiol. (inglés) 65, 879–884 (2012).

Artículo de Google Scholar

Al Rajeh, A. y cols. Aplicación del análisis de variabilidad de la saturación de oxígeno para la detección de exacerbaciones en personas con EPOC: un estudio de prueba de concepto. Fisiol. Rep. 9, e15132 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Descargar referencias

Esta investigación fue financiada parcialmente por la Comisión Europea (proyecto Experimento completo de vida asistida por el ambiente mejorado (eCaalyx); número de subvención AAL-2008-1-032). Los financiadores no tuvieron ningún papel en el diseño del estudio, la recopilación o análisis de datos, la decisión de publicar o la preparación del manuscrito.

These authors contributed equally: César Gálvez-Barrón and Carlos Pérez-López.

Research Area, Consorcio Sanitario Alt Penedès y Garraf, San Pedro de Ribes-Barcelona, Barcelona, Spain

César Gálvez-Barrón, Carlos Pérez-López y Alexander Rodríguez-Molinero

Departamento de Neumología, IIS Fundación Jiménez Díaz, CYBERES, Madrid, España

Felipe Villar-Álvarez

Department of Pneumology, Hospital Universitari de Bellvitge, Barcelona, Spain

Jesús Ribas

Geriatric Unit, Department of Internal Medicine, Hospital Universitari de Bellvitge, Barcelona, Spain

Francesc Formiga & David Chivite

Department of Internal Medicine, Hospital de Mataró, Mataró-Barcelona, España

Ramón Boixeda

Departamento de Cardiología, IIS Fundación Jiménez Díaz, Madrid, España

Cristian Iborra

También puedes buscar este autor en PubMed Google Scholar.

Todos los autores hicieron contribuciones sustanciales a la concepción y diseño del trabajo y a la adquisición, análisis e interpretación de los datos. CGB, CPL y ARM escribieron el texto principal del manuscrito. FVA, FF, JR, RB, DC y CI participaron en el proceso de contratación. Todos los autores han revisado y aprobado sustancialmente el manuscrito.

Correspondence to César Gálvez-Barrón.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Gálvez-Barrón, C., Pérez-López, C., Villar-Álvarez, F. et al. Aprendizaje automático para el desarrollo de modelos diagnósticos de insuficiencia cardíaca descompensada o exacerbación de enfermedad pulmonar obstructiva crónica. Representante científico 13, 12709 (2023). https://doi.org/10.1038/s41598-023-39329-6

Descargar cita

Recibido: 05 de abril de 2023

Aceptado: 24 de julio de 2023

Publicado: 05 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39329-6

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.