Inteligencia Artificial aplicada a los datos obtenidos del seguimiento remoto del marcapasos

Justificación y diseño del estudio prospectivo IA-PACING

1. Unidad de electrofisiología. Servicio de cardiología. Hospital Universitario Puerta de Hierro, Majadahonda, Madrid. España.

2. Unidad de electrofisiología. Servicio Cardiología. Hospital Quiron La Luz.

3. Servicio Cardiología. Hospital Universitario de Badajoz.

4. Unidad de electrofisiología. Servicio Cardiología. Hospital Clinico San Carlos.

5. Unidad de electrofisiología. Servicio Cardiología. Hospital Universitario de Burgos.

6. Unidad de electrofisiología. Servicio Cardiología. Hospital Universitario 12 de Octubre.

7. Unidad de electrofisiología. Servicio Cardiología. Hospital Universitario de Salamanca.

PALABRAS CLAVE; Inteligencia artificial, Marcapasos, Fibrilación auricular, Monitorización remota, eventos cardiovasculares mayores

ABREVIATURA: Inteligencia artificial (IA), fibrilación auricular (FA), episodios auriculares de alta frecuencia (AHRE), eventos cardiovasculares mayores (MACE), accidente cerebrovascular (ACV)

Introducci N

La inteligencia artificial (IA) es un término general que implica el uso de una computadora para modelar un comportamiento inteligente con una intervención humana mínima1 Existen múltiples usos de la IA, destacando últimamente sus nuevas incursiones en el campo de la medicina. En la actualidad prácticamente todas las especialidades de la medicina hacen uso de la inteligencia artificial ofreciendo una mayor eficiencia y, tal vez, pudiendo generar conocimientos que son difíciles de obtener con los métodos de análisis de datos más tradicionales2

Las aplicaciones de IA en medicina cardiovascular son útiles para los ensayos realizados por investigadores clínicos, el médico y el informático.

Crea un avance continuo en la medicina para una atención médica confiable y de calidad. Dentro de la cardiología, la IA crea un impacto positivo en la predicción y el diagnóstico de las enfermedades cardiovasculares3

La mayoría de los dispositivos cardiacos implantables en la actualidad poseen algoritmos automatizados que alertan sobre la aparición de episodios de alta frecuencia auricular, también llamados fibrilación auricular subclínica o, más apropiadamente, episodios de alta frecuencia auricular detectados por el dispositivo (AHRE) (Figura 1). Generalmente se obtienen a partir de una frecuencia cardiaca programado para la detección de 175 lpm y una duración de 5 min detectados por un dispositivo implantado con un electrodo auricular que permite monitorizar de forma auto- mática y continua el ritmo auricular y almacenar los trazados. Cerca del 40% de los pacientes con dispositivos cardiacos implantables presentan episodios de AHRE en el seguimiento4,5 Múltiples ensayos clínicos han demostrado que los AHRE más largos están asociados con un mayor riesgo de fibrilación auricular (FA) clínica, accidente cerebrovascular (ACV) isquémico y eventos cardiovasculares adversos. De manera que parece atractiva la detección de AHRE en pacientes con dispositivos electrónicos implantables con el objetivo de predecir FA. Además, tanto el porcentaje de estimulación auricular como ventricular se ha asociado a un aumento de AHRE. 6,7,8

En vista de que la inteligencia artificial tiene la capacidad de analizar grandes cantidades de información es una herramienta valiosa durante la monitorización remota de los dispositivos implantados. La hipótesis de este estudio es que podemos emplear algoritmos que con todos los datos obtenidos y predecir patrones y relaciones en conjuntos de datos que sugieran una tendencia al desarrollo de la fibrilación auricular o eventos cardiovasculares mayores (MACE), hospitalizaciones, y visitas a urgencias. Los datos a analizar son múltiples e incluyen la impedancia de los cables, amplitud de señales de electrograma intracardíaca, umbrales de estimulación, extrasistoles supraventriculares y ventriculares, episodios de taquicardia supraventriculares y ventriculares, frecuencia ventricular media de las 24 horas, frecuencia en reposo, patrones en la variabilidad en los umbrales e impedancia y porcentaje de estimulación tanto en aurícula como en ventrículo (Figura 2).

Dise O Del Estudio Ia Pacing

El ensayo IA-Pacing es un ensayo clínico multicéntrico, nacional, prospectivo, observacional realizado en pacientes mayores de 18 años con indicación, según las actuales guías de la sociedad europea de cardiología, de primoimplante o recambio de marcapasos bicameral o marcapasos resincronizador cardíaco.

El IA pacing tiene como objetivo para evaluar el uso de la combinación de la IA y los datos que se obtienen de dichos dispositivos de manera remota para determinar patrones o índices que puedan predecir la aparición o aumento de episodios de fibrilación auricular y la aparición de eventos

MACE, hospitalizaciones y visitas a urgencias, generados por fibrilación Auricular o insuficiencia cardiaca a través de un diseño prospectivo, no aleatorizado, no ciego, observacional y multicén- trico (figura 3). El estudio se realiza de conformidad con las reglas de la Declaración de Helsinki como una declaración de principios éticos para la investigación médica con seres humanos de la Asociación Médica Mundial y fue aprobado por el comité ético correspondiente a cada institución. El análisis de las combinaciones y su impacto en la evolución del paciente se medirá usando variables clínicas habituales: mortalidad por causa cardiovascular y por todas las causas, así como ingresos por causa cardiovascular. La inclusión prevista de 500 pacientes en 10 centros participantes en España con un periodo de inclusión desde diciembre del 2021 y una duración de reclutamiento de 12 meses mínimo, pudiendo ser ampliado según necesidad del registro. La participación del paciente finaliza si alguno de los siguientes ocurre: tras el último seguimiento a los 12 meses post-implante o que el paciente quiera salir del estudio o no realice los seguimientos. Se tomarán en cuenta datos basales clínicos y demográficos incorporados en la base de datos del estudio y se relacionarán con los datos obtenidos durante el seguimiento tanto en la monitorización remota como en las visitas presenciales, exportando de forma estructurada y tabulada la información para posteriormente poder nutrir de datos la IA.

Conclusi N

El estudio IA-Pacing integra tanto los datos clínicos de los pacientes, como los hallazgos en los parámetros del marcapasos durante la monitorización remota y evaluaciones presenciales para predecir de manera precoz la aparición de fibrilación auricular, eventos cardiovasculares mayores, mortalidad por todas las causas e ingresos de causa cardiovascular de manera que podamos encaminar nuestros esfuerzos a ejercer acciones sobre aquellos factores modificables. Los resultados de este estudio generarán evidencia para abordar la brecha de conocimientos científicos con respecto a la predicción de eventos cardiovasculares en los pacientes con dispositivos cardíacos implantables de manera que podamos iniciar acciones para disminuir ACV, ingresos hospitalarios y eventos cardiovasculares mayores, traduciéndose esto en una disminución del coste para la Sistema Nacional de Salud. Los hallazgos del estudio generarán evidencia para abordar esta brecha en el conocimiento científico y ayudarán a informar las estrategias antitrombóticas para estos pacientes.

Fondos

Este trabajo ha recibido una subvención de Fundación FFDIS en colaboración con Arrhythmia Network Technology SL. La fuente de financia- ción no participó en la redacción del informe y la decisión de enviar el artículo para su publicación.

Bibliograf A

1. Hamet, Pavel; Tremblay, Johanne (2017). Artificial intelligence in medicine. Metabolism, 69, S36–S40. doi:10.1016/j.metabol.2017.01.011

2. Beam AL, Drazen JM, Kohane IS, Leong TY, Manrai AK, Rubin EJ. Artificial Intelligence in Medicine. N Engl J Med. 2023 Mar 30;388(13):1220-1221. doi: 10.1056/NEJMe2206291. PMID: 36988598.

3. Abid Haleem; Mohd Javaid; Ravi Pratap Singh; Rajiv Suman; (2021). Applications of Artificial Intelligence (AI) for cardiology during COVID-19 pandemic . Volume 2, 2021, Pages 71-78, ISSN 2666-4127, https://doi.org/10.1016/j.susoc.2021.04.003.

4. Kirchhof P, Blank BF, Calvert M, Camm AJ, Chlouverakis G, Diener HC, et al P. Probing oral anticoagulation in patients with atrial high rate episodes: Rationale and design of the Non-vitamin K antagonist Oral anticoagulants in patients with Atrial High rate episodes (NOAH-AFNET 6) trial. Am Heart J. 2017 Aug;190:12-18. doi: 10.1016/j. ahj.2017.04.015. Epub 2017 May 3. PMID: 28760205; PMCID: PMC5546174.

5. G. Hindricks, T. Potpara, N. Dagres, 2020 ESC Guidelines for the diagnosis and management of atrial fibrillation developed in collaboration with the European Association of Cardio-Thoracic Surgery (EACTS), et al. Eur Heart J., (2020).

6. Kim, M., Kang, Y., You, SC et al. La inteligencia artificial predice episodios de alta frecuencia auricular clínicamente relevantes en pacientes con dispositivos electrónicos implantables cardíacos. Informe científico 12 , 37 (2022). https://doi.org/10.1038/s41598-021-03914-4

7. Ana Devesaa, Camila Sofía García-Talaveraa, Juan Benezet-Mazuecosb, José Antonio Iglesiasa, Esmeralda Serranoa, Pepa Sánchez Borquea. Atrial pacing as a new predictor for atrial high rate episodes in patients with dual-chamber pacemaker. REC CardioClinics., (2020), DOI: 10.1016/j.rccl.2020.07.004

8. Omar Trotta, Ailema Alemán, Pilar Cabanas-Grandío. ¿Prevenir los episodios de frecuencia rápida auricular controlando el porcentaje de estimulación auriculoventricular? RECCardioClinics. 2021;56(2):74–76