martes, abril 25, 2023

Machine learning + electrocardiograma pueden predecir la diabetes y la prediabetes

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.

Predicción típica que ofrece el modelo DiaBeats para cada clase. Los paneles muestran ejemplos de ECG de 12 derivaciones de muestras predichas con mucha confianza (p. ej., pérdida específica de muestra mínima) para las clases sin diabetes (izquierda), prediabetes (centro) y diabetes tipo 2 (derecha). Resaltados en azul claro están los latidos que el modelo DiaBeats identificó como los más característicos. avF, Pie Vector aumentado; aVL, Vector Izquierdo aumentado; aVR, vector derecho aumentado.

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