Nuevo modelo de IA detecta amiloidosis cardíaca de forma más temprana con una sensibilidad del 93%

La amiloidosis cardíaca (CA) es una causa progresiva y frecuentemente fatal de insuficiencia cardíaca, provocada por el acúmulo de depósitos de proteínas mal plegadas en el músculo cardíaco. A pesar de un mayor reconocimiento de la enfermedad, el diagnóstico suele retrasarse aproximadamente un año desde la sospecha clínica, en parte porque no existe una prueba de cribado de primera línea suficientemente fiable. Incluso la ecocardiografía, una herramienta estándar de imagen cardíaca, presenta limitaciones de precisión debido a que la CA se superpone con otras afecciones cardíacas. Esta brecha diagnóstica tiene consecuencias reales: cuanto antes se detecte la CA, más eficaces tienden a ser los tratamientos disponibles.

Investigadores del MedStar Health Research Institute han desarrollado AI-ECM, un algoritmo de inteligencia artificial multimodal que integra datos demográficos, biomarcadores de laboratorio y parámetros de ecocardiografía transtorácica (TTE) en un único modelo diagnóstico. La herramienta se basa en Us2.Ca, un modelo de aprendizaje profundo con autorización FDA basado exclusivamente en datos de TTE. Al incorporar variables clínicas y de laboratorio, el equipo buscó capturar señales diagnósticas que la imagen por sí sola no logra detectar.

En un estudio de validación interna con datos de un registro multiétnico, AI-ECM demostró mejoras significativas: la sensibilidad aumentó del 76% al 93%, y el área bajo la curva mejoró de 0,89 a 0,94. De manera destacada, el modelo eliminó por completo las clasificaciones indeterminadas, un problema persistente en las herramientas existentes. También mostró mejoras particulares en la detección de CA de cadenas ligeras, un subtipo históricamente más difícil de identificar.

La contrapartida es una modesta reducción de la especificidad, del 91% al 85%, lo que implica un ligero aumento de los falsos positivos. Sin embargo, comentaristas editoriales del Brigham and Women's Hospital señalaron que, en una herramienta de cribado diseñada para reducir los diagnósticos perdidos, una mayor sensibilidad constituye la métrica con mayor relevancia clínica.

El modelo se basa íntegramente en datos de rutina ya recopilados durante la evaluación inicial de la CA, lo que lo hace escalable en la práctica sin requerir pruebas adicionales. Aún se necesita una validación prospectiva en poblaciones más amplias antes de su implementación clínica, pero los hallazgos representan un avance significativo hacia la detección temprana guiada por inteligencia artificial de una enfermedad en la que el momento del diagnóstico lo es todo.