Podría usarse para detectar la enfermedad en entornos de bajos recursos, dicen los investigadores
Autor/a: Anoop R Kulkarni, Ashwini A Patel,
Kanchan V Pipal, Sujeet G Jaiswal, et al. Fuente: BMJ Innovations Machine-learning
algorithm to non-invasively detect diabetes and pre-diabetes from
electrocardiogram
Un
algoritmo de inteligencia artificial (IA), derivado de las características de
los latidos cardíacos individuales registrados en un ECG (electrocardiograma),
puede predecir con precisión la diabetes y la prediabetes, sugiere una
investigación preliminar publicada en la revista en BMJ Innovations. Si se
valida en estudios más grandes, el enfoque podría usarse para detectar la
enfermedad en entornos de bajos recursos, dicen los investigadores.
Se estima que 463 millones de
adultos en todo el mundo tenían diabetes en 2019. Detectar la enfermedad en sus
primeras etapas es clave para prevenir problemas de salud graves posteriores.
Pero el diagnóstico depende en gran medida de la medición de la glucosa en
sangre. Esto no solo es invasivo, sino que también es un desafío implementarlo
como una prueba de detección masiva en entornos de bajos recursos, señalan los
investigadores.
Los cambios estructurales y
funcionales en el sistema cardiovascular ocurren temprano, incluso antes de
los cambios indicativos de glucosa en sangre, y estos aparecen en un
trazado cardíaco de ECG. Por lo tanto, los investigadores querían ver si las
técnicas de aprendizaje automático (IA) podrían usarse para aprovechar el
potencial de detección del ECG para predecir la prediabetes y la diabetes tipo
2 en personas con alto riesgo de padecer la enfermedad.
El sistema cardiovascular es un
objetivo temprano del proceso diabético. Incluso en ausencia de
una enfermedad cardíaca franca y disglucemia apreciable, continúa habiendo
perturbaciones en el control autonómico de la función cardíaca en prediabetes y
diabetes. Además, el proceso diabético se caracteriza por cambios estructurales
como se observa en la miocardiopatía diabética. y fibrosis cardíaca. Por
ejemplo, se ha postulado que la hiperglucemia, las especies reactivas de
oxígeno, la acumulación de productos finales de glicación avanzada (AGE) y las
anomalías en la regulación neurohormonal contribuyen juntas a un proceso
degenerativo caracterizado por fibrosis cardíaca. Estos cambios estructurales y
funcionales en el sistema cardiovascular pueden detectarse muy temprano durante
la progresión de la prediabetes/diabetes incluso cuando los síntomas de
disglucemia aún no han aparecido.
En este estudio se basaron en
los participantes del estudio Diabetes in Sindhi Families in Nagpur (DISFIN),
que analizó la base genética de la diabetes tipo 2 y otros rasgos metabólicos
en familias sindhi con alto riesgo de padecer la enfermedad en
Nagpur, India. Las familias con al menos un caso conocido de diabetes tipo 2 y
que vivían en Nagpur, que tiene una alta densidad de personas sindhi, se
inscribieron en el estudio.
Los participantes
proporcionaron detalles de sus antecedentes médicos personales y familiares, su
dieta normal y se sometieron a una amplia gama de análisis de sangre y
evaluaciones clínicas. Su edad promedio era de 48 años y el 61% de ellos eran
mujeres.
La prediabetes y la diabetes se
identificaron a partir de los criterios de diagnóstico especificados por la
Asociación Estadounidense de Diabetes.
La prevalencia tanto de
diabetes tipo 2 como de prediabetes fue alta: alrededor del
30% y el 14%, respectivamente. Y la prevalencia de la resistencia a la
insulina también fue alta (35 %), al igual que la prevalencia de otras
afecciones coexistentes influyentes: presión arterial alta (51 %), obesidad
(alrededor del 40 %) y grasas en sangre desordenadas (36 %).
Se realizó un trazo cardíaco
estándar de ECG de 12 derivaciones que duró 10 segundos para cada uno de los
1262 participantes incluidos. Y se combinaron 100 características estructurales
y funcionales únicas para cada derivación para cada uno de los 10 461 latidos
cardíacos individuales registrados para generar un algoritmo predictivo (DiaBeats).
Basado en la forma y el tamaño
de los latidos cardíacos individuales, el algoritmo DiaBeats detectó
rápidamente la diabetes y la prediabetes con una precisión general del 97 % y
una precisión del 97 %, independientemente de los factores influyentes, como la
edad, el sexo y los trastornos metabólicos coexistentes.
Las características importantes
del ECG coincidieron consistentemente con los desencadenantes biológicos
conocidos que sustentan los cambios cardíacos que son típicos de la diabetes y
la prediabetes.
Los investigadores reconocen
que los participantes del estudio tenían un alto riesgo de
diabetes y otros trastornos metabólicos, por lo que es poco probable que
representen a la población general. Y DiaBeats fue un poco menos preciso en
quienes tomaban medicamentos recetados para la diabetes, presión arterial alta,
colesterol alto, etc. Tampoco había datos disponibles para aquellos que se
volvieron prediabéticos o diabéticos, lo que hizo imposible determinar el
impacto de la detección temprana.
"En teoría, nuestro
estudio proporciona una alternativa relativamente económica, no invasiva y
precisa [a los métodos de diagnóstico actuales] que puede usarse como un
guardián para detectar de manera efectiva la diabetes y la prediabetes en las
primeras etapas de su curso", concluyen.
“Sin embargo, la adopción de
este algoritmo en la práctica rutinaria necesitará una validación sólida en
conjuntos de datos externos e independientes”, advierten.
Discusión
En este estudio, hemos
demostrado el uso potencial de un enfoque basado en machine learning (ML)
utilizando ECG para detectar diabetes y prediabetes a nivel de un solo latido
cardíaco. Nuestro algoritmo (DiaBeats) fue muy preciso tanto en el
conjunto de validación como en el conjunto de prueba independiente. Las
limitaciones de la OGTT y la HbA1c en el cribado de la diabetes en la población
son bien conocidas. En comparación, existen beneficios claros en el uso del ECG
como control de la diabetes/prediabetes. En primer lugar, el ECG no
es invasivo. En segundo lugar, el ECG es relativamente económico.
Por ejemplo, según una encuesta
de prácticas de laboratorio en India (www.medifee.com), el precio promedio para
el usuario final de la estimación de OGTT y HbA1c es actualmente de 760 rupias
(321 y 439 rupias, respectivamente), mientras que el de una medición de ECG
estándar es ₹ 214. Tercero, mientras que el
algoritmo DiaBeats está específicamente entrenado para detectar diabetes/prediabetes;
un ECG puede generar un espectro de información mucho más rico sobre las
condiciones cardiovasculares coexistentes y, por lo tanto, actuar
simultáneamente como una pantalla de primer nivel para la salud cardiovascular
general. En cuarto lugar, en esta era de pandemia mundial, es probable que la
telemedicina se convierta en una norma. En ese contexto, el ECG es más
adecuado para la evaluación remota que los métodos invasivos como la
OGTT y la estimación de HbA1c.
Es de destacar que el uso de
ECG para la detección de diabetes y prediabetes tiene una sólida base
biológica. Hace tiempo que se reconoce la necesidad de evaluar el estado
cardíaco en la diabetes tipo 2. La miocardiopatía diabética se
caracteriza por la estimulación de los factores de crecimiento del tejido
conjuntivo, fibrosis, acumulación de AGE y rigidez general del músculo
cardíaco. Esta secuencia de eventos es particularmente notable en las áreas
basales y septales del ventrículo izquierdo. Curiosamente, estos cambios en la
estructura y función del corazón comienzan muy temprano en la
enfermedad y se sabe que ocurren con hiperglucemia sostenida en el rango
prediabético también. Por lo tanto, el ECG puede ser útil de forma temprana
durante la diabetes/prediabetes para detectar la afectación
cardíaca sutil, subclínica, concomitante y característica.
En nuestro estudio, los
ejemplos ilustrativos mejor predichos (con la mayor confianza) de cada clase
objetivo mostraron que en los pacientes con prediabetes y diabetes había ondas
S profundas claramente detectables en la derivación III; ondas R altas en las
derivaciones aVF y V2–V3; anomalías de la onda T en las derivaciones V2, V3 y
V5; y frecuencia cardíaca más alta en comparación con la persona mejor predicha
sin diabetes. Estas observaciones están en consonancia con las descritas como
características biológicas de la diabetes sin cardiopatía concomitante.
Nuestros resultados deben considerarse a la luz de la literatura publicada
sobre estrategias de detección similares para diabetes/prediabetes.
Qué es lo que ya se sabe sobre
el tema
La electrocardiografía (ECG)
puede proporcionar pistas tempranas sobre la diabetes y la prediabetes.
Qué aporta este estudio
Según la morfología de los
latidos, el aprendizaje automático detectó diabetes y prediabetes con una
precisión del 97 %, una precisión del 97 %, una recuperación del 96 % y una
puntuación F1 del 96 % en un conjunto de pruebas independiente con un error de
calibración bajo (0,06).
La localización de
características importantes del ECG fue consistente con los mecanismos
biológicos que sustentan la participación cardíaca en la diabetes y la
prediabetes.
Qué implicancias clínicas tiene
este estudio
La naturaleza no invasiva del
ECG combinada con el poder del aprendizaje automático tiene potencial para un
método de detección para detectar diabetes tipo 2 y prediabetes.
Si se valida externamente,
DiaBeats se puede usar como un guardián para estratificar a las personas según
el riesgo de diabetes y prediabetes, especialmente en entornos de bajos
recursos.
Leído en IntraMed
No hay comentarios.:
Publicar un comentario