Circulación

ARTÍCULO DE INVESTIGACIÓN ORIGINAL

Detección de disfunción sistólica del ventrículo izquierdo a

partir de imágenes electrocardiográficas
Veer Sangha, BS*; Arash A. Nargesi, MD, MPH*; Lovedeep S. Dhingra , MBBS; Akshay Khunte; Bobak J. Mortazavi , Doctor;

Anthony H. Ribeiro , Doctor; Evgenia Banina, MD; Señor Adeola , médico, maestría en salud pública; Nadish Garg, MD;

Cynthia Brandt , MD, PhD; Eric J. Velázquez , médico ;

, médico, maestría en salud pública; Edward J. Miller, MD, PhD; Antonio Luis P. Ribeiro

Luana Giatti, MD, PhD; Sandhi M. Barreto , MD, PhD; Murilo Foppa, MD, PhD; Neal Yuan , médico; David Ouyang , médico ;

Harlan M. Krumholz, MD, SM; Rohan Khera , médico , maestría

FONDO:La disfunción sistólica del ventrículo izquierdo (VI) se asocia con un riesgo >8 veces mayor de insuficiencia cardíaca y un riesgo dos veces
mayor de muerte prematura. El uso de señales de ECG en la detección de disfunción sistólica del VI está limitado por su disponibilidad para los
médicos. Desarrollamos un nuevo enfoque basado en el aprendizaje profundo que puede utilizar imágenes de ECG para detectar la disfunción
sistólica del VI.

MÉTODOS:Utilizando ECG de 12 derivaciones trazados en múltiples formatos diferentes y los datos ecocardiográficos correspondientes
registrados dentro de los 15 días del Hospital Yale New Haven entre 2015 y 2021, desarrollamos un algoritmo de red neuronal
convolucional para detectar una fracción de eyección del VI <40 %. El modelo fue validado en entornos clínicos en el Hospital Yale New
Haven y externamente en imágenes de ECG del Centro Médico Cedars Sinai en Los Ángeles, CA; el Hospital Regional Lake en Osage Beach,
MO; el Memorial Hermann Southeast Hospital en Houston, TX; y Clínica Metodista de Cardiología. Además, fue validado en el Estudio
Longitudinal Brasileño prospectivo de Salud del Adulto. Se utilizó un mapeo de activación de clases ponderado por gradiente para
localizar señales de discriminación de clases en imágenes de ECG.
Descargado de http://ahajournals.org el 10 de abril de

RESULTADOS:En total, se utilizaron 385.601 ECG con ecocardiogramas pareados para el desarrollo del modelo. El modelo
demostró una alta discriminación entre varios formatos de imágenes de ECG y calibraciones en la validación interna (área bajo las
características de operación de recepción [AUROC], 0,91; área bajo la curva de recuperación de precisión [AUPRC], 0,55); y
conjuntos externos de imágenes de ECG de Cedars Sinai (AUROC, 0,90 y AUPRC, 0,53), clínicas ambulatorias del Yale New Haven
Hospital (AUROC, 0,94 y AUPRC, 0,77), Lake Regional Hospital (AUROC, 0,90 y AUPRC, 0,88) y Memorial Hermann Southeast
Hospital (AUROC, 0,91 y AUPRC, 0,88), Clínica Metodista de Cardiología (AUROC, 0,90 y AUPRC, 0,74). Un ECG que sugería
disfunción sistólica del VI presagiaba probabilidades >27 veces mayores de disfunción sistólica del VI en el ecocardiograma
transtorácico (odds ratio, 27,5 [IC 95 %, 22,3–33,9] en el grupo de pacientes excluidos). Patrones discriminatorios de clase
localizados en las derivaciones anterior y anteroseptal (V 2
y V ), correspondiente
3
al ventrículo izquierdo
independientemente del diseño del ECG. Una prueba de ECG positiva en individuos con una fracción de eyección del VI≥El 40 % en el momento de la
evaluación inicial se asoció con un riesgo 3,9 veces mayor de desarrollar disfunción sistólica del VI incidente en el futuro (índice de riesgo, 3,9 [IC 95
%, 3,3–4,7]; mediana de seguimiento, 3,2 años).

CONCLUSIONES:Desarrollamos y validamos externamente un modelo de aprendizaje profundo que identifica la disfunción sistólica del VI a partir de imágenes
de ECG. Este enfoque representa una estrategia de detección automatizada y accesible para la disfunción sistólica del VI, particularmente en entornos de bajos
recursos.

Palabras clave:inteligencia artificial◼tecnología biomédica◼electrocardiografía◼insuficiencia cardiaca◼aprendizaje automático◼disfunción ventricular, izquierda

Correspondencia: Rohan Khera, MD, MS, 195 Church St, 6th Floor, New Haven, CT 06510. Correo electrónico rohan.khera@yale.edu
* V. Sangha y AA Nargesi contribuyeron en partes iguales.

El material complementario está disponible en https://www.ahajournals.org/doi/suppl/10.1161/CIRCULATIONAHA.122.062646.

Para fuentes de financiamiento y divulgaciones, consulte la página 776. © 2023

American Heart Association, Inc. Todos los derechos reservados.

Circulaciónestá disponible en www.ahajournals.org/journal/circ

Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646 29 de agosto, 765

 Sangha et al.
Perspectiva clínica
INVESTIGACION ORIGINAL
¿Qué hay de nuevo?
ARTÍCULO
Se desarrolló y validó externamente un modelo de red
••••
neuronal convolucional que identifica con precisión la
disfunción sistólica del ventrículo izquierdo (VI) a partir
de imágenes de ECG en subgrupos de edad, sexo y
raza.
El modelo muestra un rendimiento sólido en múltiples
••••
instituciones y entornos de salud, tanto aplicado a bases de
datos de imágenes de ECG como cargado directamente por
los médicos a imágenes de ECG individuales en una aplicación
web.
El enfoque proporciona información tanto para la detección de
••••
la disfunción sistólica del VI como de su riesgo basándose
únicamente en las imágenes del ECG.
¿Cuáles son las implicaciones clínicas?
Nuestro modelo representa una estrategia de detección
••••
automatizada de la disfunción sistólica del VI en una variedad
de diseños de ECG.
Con la disponibilidad de imágenes de ECG en la práctica, este
••••
enfoque supera los desafíos de implementación de una
herramienta de detección interoperable para la disfunción
sistólica del VI en entornos con recursos limitados.
Este modelo está disponible en formato en línea para facilitar
••••
a los médicos la detección en tiempo real de la disfunción
sistólica del VI.
Descargado de http://ahajournals.org el 10 de abril de
Abreviaturas y acrónimos no estándar
AUPRC área bajo la curva de recuperación de precisión
AUROC área bajo la curva característica de
operación de recepción
ELSA-Brasil El estudio longitudinal brasileño
sobre la salud de los adultos
Graduado-CAM mapeo de activación de clases ponderado por
gradiente
FEVI fracción de eyección del ventrículo
ETT izquierdo ecocardiografía transtorácica
YNHH Yale New Haven Hospital
l
La disfunción sistólica del ventrículo izquierdo (LV) se asocia con
un riesgo >8 veces mayor de insuficiencia cardíaca posterior y
casi un riesgo dos veces mayor de muerte prematura.1
Aunque el diagnóstico temprano puede reducir efectivamente este riesgo,2–4
Los individuos a menudo son diagnosticados después de desarrollar una
enfermedad sintomática debido a la falta de estrategias de detección efectivas.5–7
El diagnóstico se basa tradicionalmente en la ecocardiografía, una
modalidad de imagen especializada que requiere muchos recursos y que es
difícil de implementar a escala.8.9Se han desarrollado algoritmos que utilizan
señales sin procesar de electrocardiografía como estrategia.
766 29 de agosto,
Detección de disfunción sistólica del VI a partir de imágenes de ECG
gy para detectar disfunción sistólica del VI.10-12Sin embargo, los médicos,
especialmente en entornos remotos, no tienen acceso a las señales de ECG.
La falta de interoperabilidad en los formatos de almacenamiento de señales
de los dispositivos de ECG limita aún más la amplia adopción de dichos
modelos basados en señales.13El uso de imágenes de ECG es una
oportunidad para implementar estrategias de detección interoperables de la
disfunción sistólica del VI.
Anteriormente desarrollamos un enfoque de aprendizaje profundo
de inferencia independiente del formato a partir de imágenes de ECG
del mundo real.14El enfoque puede diagnosticar de forma interpretable
trastornos de la conducción y del ritmo cardíaco utilizando cualquier
diseño de imágenes de ECG de 12 derivaciones del mundo real y se
puede acceder a él a través de plataformas basadas en web o
aplicaciones. La extensión de este enfoque impulsado por inteligencia
artificial a las imágenes de ECG para detectar la disfunción sistólica del
VI podría ampliar rápidamente el acceso a un enfoque de diagnóstico
escalable, fácilmente accesible y de bajo costo para poblaciones en
riesgo subdiagnosticadas y subtratadas. Este enfoque adapta el
aprendizaje profundo para los usuarios finales sin interrumpir los flujos
de datos o el flujo de trabajo clínico. Además, la capacidad de agregar
localización de señales predictivas en las imágenes de ECG relevantes
para la disfunción sistólica del VI puede mejorar la adopción de estos
modelos en la práctica clínica.15
En este estudio, presentamos un modelo para la identificación
precisa de una fracción de eyección del VI (FEVI) <40%, un umbral
con implicaciones terapéuticas basado en imágenes de ECG.
Desarrollamos, probamos y validamos externamente este enfoque
utilizando datos ecocardiográficos de ECG emparejados de
grandes hospitales académicos, sistemas hospitalarios rurales y
un estudio de cohorte prospectivo.
MÉTODOS
La junta de revisión institucional de Yale revisó el estudio, aprobó el
protocolo del estudio y renunció a la necesidad de consentimiento
informado, ya que el estudio representa un análisis secundario de los datos
existentes. Los datos no se pueden compartir públicamente, aunque hay una
versión en línea del modelo disponible públicamente para uso en
investigación en https://www.cards-lab.org/ecgvision-lv. Esta aplicación web
representa un prototipo de la aplicación final del modelo, con instrucciones
para los estándares de imagen requeridos y una versión que demuestra un
proceso de estandarización de imágenes automatizado.
Fuente de datos para el desarrollo de modelos
Utilizamos datos de formas de onda de señal de ECG de 12 derivaciones
recopilados entre 2015 y 2021. Estos ECG se registraron como registros de
ECG estándar de 12 derivaciones muestreados a una frecuencia de 500 Hz
durante 10 segundos y se registraron en múltiples máquinas diferentes; la
mayoría se recogieron utilizando máquinas Philips PageWriter y máquinas
GE MAC. Entre los pacientes con un ECG, aquellos con un ecocardiograma
transtorácico (ETT) correspondiente dentro de los 15 días posteriores a la
obtención del ECG se identificaron a partir de los registros médicos
electrónicos de YNHH. Los valores de FEVI se extrajeron en función de la
lectura realizada por un cardiólogo del ETT más cercano a cada ECG. Para
aumentar la evaluación de modelos creados a partir de un conjunto de datos
de imágenes generados a partir de esta forma de onda de señal YNHH, se
utilizaron 6 conjuntos de datos de imágenes de ECG para la validación
externa.
Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646
 Sangha et al.
Preprocesamiento de datos
Durante el desarrollo del modelo, se analizaron todos los ECG para
determinar si tenían 10 segundos de registros continuos en las 12
derivaciones. Las muestras de 10 segundos se preprocesaron con un filtro
mediano de 1 segundo, se restaron de la forma de onda original para
eliminar la deriva de la línea base en cada derivación, lo que representa los
pasos de procesamiento seguidos por las máquinas de ECG antes de generar
un resultado impreso a partir de los datos de forma de onda recopilados.
Las señales de ECG se transformaron en imágenes de ECG utilizando la
biblioteca Python ecg-plotdieciséisy almacenado a 100 puntos por pulgada. Las
imágenes se generaron con una calibración de 10 mm/mV, que es el estándar para
los ECG impresos en la mayoría de los entornos del mundo real. En los análisis de
sensibilidad, evaluamos el rendimiento del modelo en imágenes calibradas a 5 y 20
mm/mV. Todas las imágenes, incluidas las de los conjuntos de entrenamiento,
validación y prueba, se convirtieron a escala de grises, seguido de una reducción
de muestreo a 300 × 300 píxeles, independientemente de su resolución original,
utilizando la biblioteca de imágenes Python (PIL v9.2.0). Para garantizar que el
modelo fuera adaptable a imágenes del mundo real, que pueden variar en
formatos y diseño de cables, creamos un conjunto de datos con diferentes
esquemas de trazado para cada registro de forma de onda de señal (Figura 1). Esta
estrategia se ha utilizado para entrenar un modelo basado en imágenes
independiente del formato para detectar trastornos de conducción y ritmo, así
como la etiqueta oculta de sexo.14
El modelo de este estudio aprendió información específica del cable de ECG
basándose en la etiqueta, independientemente de la ubicación del cable.
Se incluyeron cuatro formatos de imágenes en el conjunto de datos
de imágenes de entrenamiento (Figura 1). El primer formato se basó en
el formato de ECG impreso estándar en los Estados Unidos, con cuatro
columnas de 2,5 segundos impresas secuencialmente en la página.
Cada columna contenía intervalos de 2,5 segundos de 3 clientes
potenciales. La grabación completa de 10 segundos de la señal solista I
Descargado de http://ahajournals.org el 10 de abril de
se incluyó como tira rítmica. El segundo formato, un formato de 2
ritmos, agregó la derivación II como una tira de ritmo adicional al
formato estándar. El tercer diseño era el formato alternativo, que
constaba de 2 columnas, la primera con 6 grabaciones simultáneas de
5 segundos de las derivaciones de las extremidades; El cuarto formato
era un formato aleatorio, que tenía derivaciones precordiales en las
dos primeras columnas y derivaciones de extremidades en la tercera y
cuarta. Todas las imágenes se rotaron una cantidad aleatoria entre –10
y 10 grados antes de ingresarlas en el modelo para imitar las
variaciones observadas en los ECG cargados y ayudar a prevenir el
sobreajuste.
El proceso de convertir señales de ECG en imágenes fue independiente
del desarrollo del modelo, lo que garantizó que el modelo no aprendiera
ningún aspecto del procesamiento que generaba imágenes a partir de las
señales. Todos los ECG se convirtieron en imágenes en todos los formatos
diferentes sin condicionarse a etiquetas clínicas. La validación requirió que
las imágenes cargadas estuvieran en posición vertical, recortadas según la
región de la forma de onda, sin consideración de brillo ni contraste, siempre
que la forma de onda fuera distinguible del fondo y las etiquetas de los
cables fueran discernibles.
Diseño experimental
Cada ECG incluido tenía un valor de FEVI correspondiente de su ETT más cercano
dentro de los 15 días posteriores al registro. La FEVI baja se definió como una FEVI
<40%, el punto de corte utilizado como indicación para la mayoría de la
farmacoterapia dirigida por las guías para la insuficiencia cardíaca.4
Los pacientes con al menos un ECG dentro de los 15 días posteriores a su ETT más
cercano se dividieron aleatoriamente en conjuntos de niveles de pacientes de
entrenamiento, validación y prueba retenida (85 %, 5 % y 10 %;Figura S1). Este
Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646
Detección de disfunción sistólica del VI a partir de imágenes de ECG
El muestreo se estratificó según si un paciente alguna vez había tenido una
FEVI <40 % para garantizar que los casos de FEVI conservada y reducida se
INVESTIGACION ORIGINAL
dividieran proporcionalmente entre los conjuntos. En la cohorte de
entrenamiento, se incluyeron todos los ECG dentro de los 15 días posteriores
ARTÍCULO
a un ETT para todos los pacientes para maximizar la disponibilidad de datos.
En las cohortes de validación y prueba, solo se incluyó un ECG por paciente
para garantizar la independencia de las observaciones en la evaluación de
las métricas de desempeño. Este ECG se seleccionó aleatoriamente de todos
los ECG dentro de los 15 días posteriores a un ETT. Además, para garantizar
que el aprendizaje del modelo no se viera afectado por la frecuencia
relativamente más baja de una FEVI <40 %, se asignaron ponderaciones más
altas a estos casos en la etapa de entrenamiento en función del número
efectivo de muestras en el esquema de muestreo de clase.17
Entrenamiento modelo
Construimos un modelo de red neuronal convolucional basado en la arquitectura
EfficientNet-B3,18que previamente demostró una capacidad para aprender e
identificar trastornos del ritmo y de la conducción, así como la etiqueta oculta del
sexo en imágenes de ECG del mundo real.14El modelo EfficientNet-B3 requiere que
las imágenes se muestreen en 300×300 píxeles cuadrados, incluye 384 capas y
tiene >10 millones de parámetros entrenables (Figura S2). Utilizamos el aprendizaje
por transferencia inicializando los pesos del modelo como los pesos EfficientNet-B3
previamente entrenados utilizados para predecir las 6 etiquetas clínicas definidas
por el médico y el sexo de Sangha et al.14Primero descongelamos solo las últimas 4
capas y entrenamos el modelo con una tasa de aprendizaje de 0,01 durante 2
épocas, y luego descongelamos todas las capas y entrenamos con una tasa de
aprendizaje de 5×10.–6durante 6 épocas. Utilizamos un optimizador Adam, recorte
de gradiente y un tamaño de minibatch de 64 durante todo el entrenamiento. El
optimizador y las tasas de aprendizaje se eligieron después de la optimización de
hiperparámetros. Para ambas etapas del entrenamiento del modelo, detuvimos el
entrenamiento cuando la pérdida de validación no mejoró en 3 épocas
consecutivas.
Entrenamos y validamos nuestro modelo en un conjunto de datos de
imágenes generadas que tenía el mismo número de imágenes estándar, de
2 ritmos, alternativas y estándar barajadas (Figura 1). En los análisis de
sensibilidad, el modelo se validó en tres diseños de ECG novedosos
construidos a partir del conjunto disponible para evaluar su rendimiento en
formatos de ECG que no se encontraron en el proceso de entrenamiento.
Estos novedosos esquemas de ECG incluían 3 ritmos (con las derivaciones I,
II y V1 como tira de ritmo), sin ritmo y ritmo en formatos superiores (con la
derivación I como tira de ritmo ubicada encima de las 12 derivaciones;Figura
S3). Se realizaron análisis de sensibilidad adicionales utilizando imágenes de
ECG calibradas a 5, 10 y 20 mm/mV (20).Figura S4). Se utilizó una función de
pérdida personalizada con equilibrio de clases (entropía cruzada binaria
ponderada) basada en el número efectivo de muestras, dada la menor
frecuencia de la etiqueta FEVI <40% en relación con aquellos con una FEVI≥
40%. Además, el rendimiento del modelo se evaluó en un análisis de
validación cruzada de 5 veces utilizando el conjunto de derivación original
(entrenamiento y validación). Una división a nivel de paciente estratificada
por FEVI <40% versus≥En este análisis se buscó el 40% y el rendimiento del
modelo se evaluó en el conjunto de pruebas retenidas.
Validación externa
Realizamos una serie de estudios de validación. Estos representaron
estudios de cohortes tanto clínicos como poblacionales. La validación clínica
representó conjuntos de datos de imágenes no sintéticas de entornos
clínicos que abarcan pacientes consecutivos sometidos a ecocardiografía
ambulatoria en el Centro Médico Cedars Sinai en Los Ángeles.
29 de agosto, 767
 Sangha et al. Detección de disfunción sistólica del VI a partir de imágenes de ECG
INVESTIGACION ORIGINAL

ARTÍCULO
Descargado de http://ahajournals.org el 10 de abril de

Figura 1.Esquema del estudio.

A, Procesamiento de datos.B,Entrenamiento modelo.C, Modelo de validación. La estrategia de transferencia de aprendizajeB) en el desarrollo del modelo actual incluye la
transferencia de pesos de inicialización del modelo del algoritmo anterior entrenado originalmente para detectar trastornos del ritmo cardíaco y la etiqueta oculta de sexo
en las imágenes de ECG. El aprendizaje por transferencia se utilizó como pesos de inicialización para la red neuronal convolucional EfficientNet B3 que se está entrenando
para detectar la disfunción sistólica del ventrículo izquierdo. Aparte de los pesos, las etiquetas clínicas y de sexo no se ingresaron en el modelo actual. EF indica fracción de
eyección; ELSA-Brasil, Estudio Longitudinal de Salud del Adulto; FC, capas totalmente conectadas; y Grad-CAM, mapeo de activación de clases ponderado por gradiente.

768 29 de agosto, Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646

 Sangha et al.
Angeles, CA, y muestras de conveniencia estratificadas de ECG de disfunción
sistólica del VI y disfunción sistólica no del VI de 4 entornos diferentes: (1)
clínicas ambulatorias de YNHH; (2) admisiones de pacientes hospitalizados
en Lake Regional Hospital en Osage Beach, MO; (3) admisiones de pacientes
hospitalizados en el Memorial Hermann Southeast Hospital en Houston, TX;
y (4) visitas ambulatorias y admisiones de pacientes hospitalizados en la
Clínica Metodista de Cardiología en San Antonio, TX. Además, validamos
nuestro enfoque en la cohorte prospectiva de Brasil, el Estudio Longitudinal
Brasileño de Salud del Adulto (ELSA-Brasil),19con ECG y ecocardiogramas
protocolizados en los participantes del estudio.
Los criterios de inclusión y exclusión para los conjuntos de validación externos
fueron similares a los del conjunto de datos interno de YNHH. Los pacientes se
limitaron a aquellos a los que se les realizó un ECG de 12 derivaciones dentro de los
15 días posteriores a un ETT con FEVI informada. Para los pacientes con más de un
ETT en este intervalo, se utilizó para el análisis la FEVI del ETT más cercano.
En Cedars Sinai, se incluyeron todas las imágenes índice de
ECG de pacientes consecutivos que realizaron visitas ambulatorias
entre enero y marzo de 2019, lo que representa 879 personas,
incluidas 99 con una FEVI <40 %. Estos análisis se realizaron de
forma totalmente federada y ciega, sin acceso a los ECG, por parte
de los desarrolladores del algoritmo.
Para los otros sitios de validación clínica, se extrajo una muestra de
conveniencia estratificada enriquecida para FEVI baja. Esto se hizo para
evaluar el uso amplio en un entorno clínico por parte de médicos en ejercicio
sin acceso a un conjunto de datos de investigación. Nuestras evaluaciones
preliminares de la prevalencia de la disfunción sistólica del VI en entornos
ambulatorios y hospitalarios fueron del 10% y el 20%, respectivamente.
Intentamos lograr el doble de esta prevalencia en nuestros datos de
validación externa en estos sitios para garantizar que nuestro desempeño no
estuviera impulsado por pacientes con FEVI conservada y que el modelo
pudiera detectar aquellos con disfunción sistólica del VI. En particular, una
Descargado de http://ahajournals.org el 10 de abril de
proporción de 1:4 de ECG correspondiente a una FEVI <40% y≥El 40 % fue
buscado en 3 de los 4 sitios (YNHH, Memorial Hermann Southeast Hospital y
Methodist Cardiology Clinic). En el cuarto sitio, Lake Regional Hospital, se
solicitó una proporción de 1:2 para medir mejor la capacidad discriminativa
del modelo en un entorno exclusivo para pacientes hospitalizados.
Evaluamos nuestro modelo en el estudio ELSA-Brasil,
una cohorte prospectiva comunitaria en Brasil que obtuvo
ECG y ecocardiografía. Este conjunto incluyó datos de 2577
individuos, incluidos 30 de individuos con una FEVI <40%.
Antes de la validación, los identificadores de pacientes, las
mediciones de ECG y los diagnósticos informados se eliminaron de
todas las imágenes de ECG. Las diferencias en los diseños de ECG y los
procedimientos de validación se describen con más detalle en la
Material suplementario. . . . Muestras no identificadas de imágenes de
ECG se presentan enFigura S5(Centro Médico Cedars Sinai),Figura S6
(YNHH y Lake Regional Hospital),Figura S7(Hospital Memorial Hermann
Sureste), yFigura S8(Clínica Metodista de Cardiología) y las imágenes de
los autores están disponibles previa solicitud.
Localización de señales predictivas del modelo
Utilizamos el mapeo de activación de clases ponderado por gradiente
(Grad-CAM) para resaltar qué partes de una imagen eran importantes
para predecir una FEVI <40%.20Calculamos los gradientes en la pila final
de filtros en nuestro modelo EfficientNet-B3 para
Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646
Detección de disfunción sistólica del VI a partir de imágenes de ECG
cada predicción y realizó una agrupación promedio global de los gradientes
en cada filtro, enfatizando aquellos que contribuyeron a una predicción.
INVESTIGACION ORIGINAL
Luego multiplicamos estos filtros por sus pesos de importancia y los
combinamos entre filtros para generar mapas de calor Grad-CAM.
ARTÍCULO
Promediamos los mapas de activación de clase entre 100 casos positivos con
las predicciones del modelo más confiables para una FEVI <40% en todos los
formatos de ECG para determinar las áreas de imagen más importantes para
la predicción de FEVI baja. Tomamos una media aritmética entre los mapas
de calor para un formato de imagen determinado y superpusimos este mapa
de calor promedio en un ECG representativo antes de la conversión de la
imagen a escala de grises. Las intensidades de Grad-CAM se convirtieron de
su escala original (0–1) a un rango de color utilizando la matriz de mapa de
colores jet en la biblioteca Matplotlib de Python. Luego, este mapa de colores
se superpuso a la imagen del ECG original con un α de 0,3. El mapa de
activación, una matriz de 10 × 10, se aumentó al tamaño de la imagen
original utilizando la interpolación bilineal integrada en TensorFlow v2.8.0.
También evaluamos el Grad-CAM para ECG individuales para evaluar la
coherencia de la información en ejemplos individuales.
Estrategias de preprocesamiento para datos de entrada ruidosos
Los requisitos de entrada estándar para nuestro modelo basado en
imágenes incluyen imágenes de ECG limitadas a trazados de 12 derivaciones
con orientación vertical, rotación mínima, fondo sólido y sin anotaciones
periféricas. Para mitigar el impacto de los datos de entrada ruidosos en las
predicciones de modelos en aplicaciones del mundo real, incorporamos una
función de preprocesamiento automatizado que incluye dos pasos
principales. En el primer paso, enderezar y recortar, la imagen de ECG de
entrada se endereza automáticamente para corregir las rotaciones y luego
se recorta para eliminar los elementos periféricos. El resultado de este paso
de preprocesamiento es un rastreo de 12 derivaciones sin anotaciones
circundantes ni identificadores de pacientes.
En el segundo paso, evaluación y estandarización de la calidad, el
algoritmo calcula los valores medios de brillo y contraste a nivel de
píxel para las imágenes de entrada y los evalúa frente al brillo y el
contraste de las imágenes utilizadas en el desarrollo del modelo. Tanto
el brillo como el contraste se escalan a los valores medios de la
población en desarrollo antes de las predicciones. Los ECG con
desviaciones extremas de brillo y contraste (50% por encima o por
debajo del conjunto de desarrollo) se marcan como fuera de rango
para que se pueda adquirir e ingresar una imagen de mejor calidad.
Evaluamos la calibración del modelo a través de las variaciones de brillo
y contraste de la foto. Para este análisis, utilizamos la biblioteca de imágenes
de Python para ajustar las calidades de la imagen de entrada. Se
seleccionaron aleatoriamente un total de 200 ECG del conjunto de pruebas
retenidas en una proporción de 1:4 para una FEVI <40% y≥40%,
respectivamente. Se generaron variaciones de la imagen original con brillo y
contraste entre 0,5 y 1,5 veces los valores originales y se utilizaron en este
análisis de sensibilidad.
Análisis estadístico
Las variables categóricas se presentaron como frecuencias y porcentajes, y
las variables continuas se presentaron como medias y desviaciones estándar
o mediana y rango intercuartílico, según correspondiera. El rendimiento del
modelo se evaluó en el conjunto de pruebas de reserva y en los conjuntos de
datos de imágenes de ECG externos. Utilizamos el área bajo la característica
del operador del receptor (AUROC) para medir la discriminación del modelo.
El límite para la predicción binaria de la disfunción sistólica del VI se fijó en
0,10 para todos los internos
29 de agosto, 769
 Sangha et al.
y validaciones externas, basadas en el umbral que alcanzó una
sensibilidad de >90% en el conjunto de validación interna. También
INVESTIGACION ORIGINAL
evaluamos el área bajo la curva de recuperación de precisión (AUPRC),
la sensibilidad, la especificidad, el valor predictivo positivo, el valor
ARTÍCULO
predictivo negativo y el odds ratio de diagnóstico. Los IC del 95 % para
AUROC y AUPRC se calcularon utilizando el algoritmo DeLong y
bootstrapping con 1000 variaciones para cada estimación,
respectivamente.21.22El rendimiento del modelo se evaluó en todos los
subgrupos demográficos y esquemas de ECG, como se describió
anteriormente. Realizamos más análisis de sensibilidad del rendimiento
del modelo en todas las calibraciones de ECG. También evaluamos el
rendimiento del modelo en intervalos PR (>200 versus≤200 ms) y
después de excluir los ECG con ritmos estimulados, trastornos de la
conducción, fibrilación auricular y aleteo auricular. Además, evaluamos
la asociación de la probabilidad prevista de disfunción sistólica del VI
del modelo en todas las categorías de FEVI.
A continuación, evaluamos el desarrollo futuro de la disfunción sistólica
del VI en modelos de tiempo transcurrido hasta el evento utilizando un
modelo de riesgos proporcionales de Cox. En este análisis, tomamos el
primer ECG temporal de los pacientes en el conjunto de pruebas retenidas y
luego modelamos el primer desarrollo de una FEVI <40% en los grupos de
pacientes con resultados positivos pero que no tenían disfunción sistólica del
VI concurrente (falso ).positivos), y aquellos que dieron negativo (verdadero
negativo) en este primer ECG, censurados al momento de la muerte o al final
del período de estudio en junio de 2021. Además, calculamos un índice de
riesgo ajustado que tuvo en cuenta las diferencias en edad, sexo y FEVI
inicial en el momento del cribado índice para visualizar las tendencias de
supervivencia. Los paquetes analíticos utilizados en el desarrollo de modelos
y el análisis estadístico se informan enTabla S1. . . . Todo el desarrollo del
modelo y los análisis estadísticos se realizaron con Python 3.9.5 y el nivel de
significancia se estableció en un α de 0,05.
Descargado de http://ahajournals.org el 10 de abril de
RESULTADOS
Población de estudio
De los 2.135.846 ECG obtenidos entre 2015 y 2021, 440.072
fueron de pacientes que tuvieron ETT dentro de los 15 días
posteriores a la obtención del ECG. En total, 433.027 tenían un
registro de ECG completo, lo que representa 10 segundos de
registros continuos en las 12 derivaciones. Estos ECG se
extrajeron de 116.210 pacientes únicos y se dividieron en
conjuntos de tren, validación y prueba a nivel de paciente (
Figura S1).
Un total de 116210 individuos con 385601 ECG
constituyeron la población de estudio, que representa a
los incluidos en los conjuntos de entrenamiento, validación
y prueba. Los individuos de la población de desarrollo del
modelo tenían una edad media de 68 años (rango
intercuartil, 56-78) en el momento del registro del ECG, y
59282 (51,0%) eran mujeres. En general, 75928 (65,3%)
eran blancos no hispanos, 14000 (12,0%) eran negros no
hispanos, 9349 (8,0%) eran hispanos y 16843 (14,5%) eran
de otras razas. Un total de 56.895 (14,8%) ECG tuvieron un
ecocardiograma correspondiente con una FEVI <40%, y
36.669 (9,5%) tuvieron una FEVI≥40% pero <50%, y 292037
(75,7%) tenían FEVI≥50% (Tabla S2).
770 29 de agosto, Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646
Detección de disfunción sistólica del VI a partir de imágenes de ECG
Detección de disfunción sistólica del VI
El AUROC del modelo para detectar una FEVI <40% en el
conjunto de pruebas retenido compuesto por imágenes
estándar fue de 0,91 y su AUPRC fue de 0,55 (Figura 2). Se
eligió un umbral de probabilidad para predecir una FEVI <40%
sobre la base de una sensibilidad de≥0,90 en el subconjunto
de validación, con una especificidad de 0,77 en este umbral en
el conjunto de validación interna. Con este umbral, el modelo
tenía una sensibilidad y especificidad de 0,89 y 0,77 en el
conjunto de pruebas retenidas y un valor predictivo positivo y
un valor predictivo negativo de 0,26 y 0,99, respectivamente.
En general, un ECG sugestivo de disfunción sistólica del VI
presagiaba probabilidades >27 veces mayores (odds ratio,
27,5 [IC 95 %, 22,3–33,9]) de disfunción sistólica del VI en la
ETT (Tabla 1). El rendimiento del modelo fue comparable entre
subgrupos de edad, sexo y raza (Tabla 1; Figura 2). En un
análisis de validación cruzada, el rendimiento del modelo se
mantuvo constante en 5 divisiones y fue similar al rendimiento
del modelo original (Tabla S3). Además, en deciles sucesivos
de las probabilidades predichas por el modelo, la proporción
de individuos con disfunción sistólica del VI aumentó,
mientras que la FEVI media disminuyó;Figura S9).
Rendimiento del modelo en todos los formatos y
calibraciones de ECG
El rendimiento del modelo fue comparable en los 4 diseños
originales de imágenes de ECG en el conjunto retenido, con un
AUROC de 0,91 en la detección de disfunción sistólica concurrente
del VI (1999).Tabla S4). El modelo tenía una sensibilidad de 0,89 y
una predicción positiva confería probabilidades de disfunción
sistólica del VI de 26 a 27 veces mayores en el estándar y en las 3
variaciones de los datos. En los análisis de sensibilidad, el modelo
demostró un rendimiento similar en la detección de disfunción
sistólica del VI a partir de nuevos formatos de ECG que no se
habían encontrado anteriormente, con un AUROC entre 0,88 y 0,91
(2010).Tabla S5).
El rendimiento del modelo también fue consistente en
todas las calibraciones de ECG, con un AUROC entre 0,88 y
0,91 en calibraciones de ECG de 5, 10 y 20 mm/mV y un
AUROC de 0,909 (0,900–0,918) y un AUPRC de 0,539 (0,504–
0,918) y 0,574), con calibraciones mixtas en el conjunto de
prueba retenido. La calibración mixta se generó con una
muestra aleatoria de calibraciones de 5 y 20 mm/mV de los
cuartiles de voltaje más alto y más bajo, respectivamente, en
el cable I (que en conjunto representan el 25 % de la muestra
del equipo de prueba), junto con 10 mm/mV (75 % restante del
conjunto de prueba;Tabla S6). Análisis de sensibilidad
adicionales demostraron un rendimiento consistente del
modelo en los ECG: (1) sin un intervalo PR prolongado (AUROC,
0,920 y AUPRC, 0,537;Tabla S7); (2) sin ritmos estimulados
(AUROC, 0,908 y AUPRC, 0,519;Tabla S8); y (3) sin fibrilación
auricular, aleteo auricular ni trastornos de la conducción
(AUROC, 0,919 y AUPRC, 0,536;Tabla S9). El rendimiento del
modelo también fue consistente en todos los subconjuntos
 Sangha et al. Detección de disfunción sistólica del VI a partir de imágenes de ECG

INVESTIGACION ORIGINAL
ARTÍCULO
Descargado de http://ahajournals.org el 10 de abril de

Figura 2.Medidas de desempeño del modelo.

Funcionamiento del receptor (Ay recuperación de precisión (B) curvas en imágenes en el conjunto de prueba retenido.C, Odds ratios de diagnóstico entre subgrupos de edad, sexo y raza
en imágenes de formato estándar en el conjunto de pruebas reservado. AUROC indica el área bajo la curva característica de funcionamiento del receptor; y AUPRC, área bajo la curva de
recuperación de precisión.

en el conjunto de pruebas retenido según el tiempo del ECG
en relación con el ecocardiograma (Tabla S10).
Falsos positivos predichos por modelos en la disfunción
sistólica del VI
De los 10.666 ECG del conjunto de pruebas en espera con una FEVI
asociada≥Del 40% en un ecocardiograma proximal, el modelo
clasificó 2.469 (23,1%) como “falsos positivos” y 8.197 (76,9%) como
verdaderos negativos. En una evaluación adicional de los falsos
positivos, 562 (22,8% de los falsos positivos) tenían evidencia de
disfunción sistólica leve del VI, con una FEVI entre el 40% y el 50%
en la ecocardiografía concurrente.
En este grupo de individuos, 4046 pacientes tuvieron al menos
un ETT de seguimiento, incluidos 1125 (27,8%) falsos positivos y
2921 (72,2%) verdaderos negativos en la prueba de índice inicial.
Hubo 2.665 y 6.083 ecocardiogramas en las poblaciones de falsos
positivos y verdaderos negativos durante el seguimiento, siendo el
seguimiento más largo de 6,1 años. En general, 264 (23,5%)
pacientes con una prueba de detección positiva prevista por el
modelo y 199 (6,8%) con una prueba de detección negativa
desarrollaron una nueva FEVI <40% por encima de la mediana.
seguimiento de 3,2 años (rango intercuartílico, 1,8 a 4,4 años).;
Figura 3). Esto representó un riesgo 3,9 veces mayor de incidencia
de FEVI baja sobre la base de tener un resultado de detección
positivo (índice de riesgo, 3,9 [IC del 95 %, 3,3–4,7]). Después del
ajuste por edad, sexo y FEVI en el momento de la evaluación, los
pacientes con una evaluación positiva tenían un riesgo 2,3 veces
mayor de presentar FEVI baja (índice de riesgo ajustado, 2,3 [IC 95
%, 1,9–2,8]).
Localización de señales predictivas de disfunción
sistólica del VI
En la Figura 4 se presentan mapas de calor de
activación de clase de los 100 casos positivos con las
predicciones del modelo más confiables para la
predicción de FEVI reducida en 4 diseños de ECG.
2
y V fueron
3
las áreas más importantes para
predicción de FEVI reducida.Figura S10representa la distribución
de las intensidades medias de la señal Grad-CAM en las regiones
correspondientes a las derivaciones V 2
y v y el
3
otro
regiones de ECG de formato estándar en esta muestra. Para la
mayoría de los casos, las intensidades de la señal Grad-CAM en el

Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646 29 de agosto, 771

 Sangha et al. Detección de disfunción sistólica del VI a partir de imágenes de ECG

Tabla 1.Rendimiento del modelo en imágenes de prueba en subgrupos demográficos en el conjunto de pruebas retenido
INVESTIGACION ORIGINAL

Positivo Negativo
profético profético F1
Etiquetas Cuando. (%) valor valor Especificidad Sensibilidad AUROC AUPRC puntaje
ARTÍCULO

Todo 11621 (100) 0.257 0,988 0,769 0,892 0,910 (0,901–0,919) 0,545 (0,511–0,579) 0,399

Masculino 5952 (51,2) 0,285 0.984 0.735 0,897 0,901 (0,889–0,914) 0,583 (0,539–0,621) 0.433

Femenino 5668 (48,8) 0.215 0.991 0.802 0,884 0,917 (0,903–0,932) 0,470 (0,416–0,530) 0.346

≥65 años 6550 (56,4) 0.252 0.985 0.717 0.896 0,892 (0,880–0,905) 0,522 (0,480–0,561) 0.393

<65 años 5068 (43,6) 0.266 0.991 0.833 0,886 0,931 (0,916–0,945) 0,590 (0,534–0,655) 0.410

Hispano 942 (8,1) 0.253 0,992 0.802 0.908 0,926 (0,892–0,961) 0,576 (0,453–0,696) 0,396

Blanco 7557 (65,0) 0.261 0,988 0.770 0,895 0,910 (0,898–0,921) 0,537 (0,498–0,580) 0.404

Negro 1417 (12.2) 0.263 0.984 0,712 0,897 0,899 (0,872–0,925) 0,590 (0,498–0,665) 0.407

Otro 1705 (14,7) 0.231 0.987 0,787 0.864 0,912 (0,887–0,937) 0,532 (0,437–0,625) 0.364

Fibrilación o aleteo auricular 1518 (13.1) 0.274 0.974 0.572 0.912 0,858 (0,831–0,885) 0,540 (0,470–0,613) 0,421

Sin fibrilación ni aleteo auricular 10103 (86,9) 0.251 0.989 0,796 0,886 0,917 (0,907–0,927) 0,548 (0,511–0,586) 0,392

ECG estimulados 551 (4,7) 0.360 0.983 0.302 0.987 0,821 (0,784–0,858) 0,626 (0,549–0,712) 0.528

Sin ECG estimulados 11070 (95,3) 0.241 0,988 0,786 0,873 0,908 (0,898–0,919) 0,527 (0,493–0,566) 0,378

Intervalo PR >200 1253 (10,8) 0.265 0.980 0.731 0.865 0,900 (0,871–0,929) 0,582 (0,497–0,671) 0.405

intervalo PR≤200 10368 (89,2) 0.255 0,988 0,773 0.896 0,911 (0,902–0,921) 0,540 (0,503–0,579) 0,398

Bloqueo de rama izquierda 399 (3,4) 0.328 0.953 0,277 0.963 0,804 (0,756–0,852) 0,602 (0,504–0,701) 0,489

Sin bloqueo de rama izquierda 11222 (96,6) 0.249 0,988 0,782 0.883 0,911 (0,901–0,921) 0,538 (0,503–0,575) 0,389

Bloqueo de rama derecha 933 (8,0) 0.238 0.987 0,697 0.909 0,882 (0,847–0,917) 0,457 (0,352–0,547) 0,377

Sin bloqueo de rama 10688 (92,0) 0,259 0,988 0,775 0.890 0,912 (0,903–0,922) 0,554 (0,519–0,590) 0.401
derecha

AUPRC indica el área bajo la curva de recuperación de precisión; y AUROC, área bajo la curva característica operativa del receptor.
* La información sobre el sexo no estaba disponible para un paciente y la edad no estaba disponible para 3 pacientes del total de 11621 pacientes en el conjunto de pruebas retenido.
Descargado de http://ahajournals.org el 10 de abril de

Las
2
áreas V3y V fueron más altas que las otras regiones del ECG. Se incluyeron 50 imágenes de ECG, 11 (22%) de pacientes
Imágenes representativas del análisis Grad-CAM en individuos con FEVI <40%, con un modelo AUROC y AUPRC de 0,91 y
muestreados con pantallas positivas y negativas en el conjunto de 0,88 en estas imágenes, respectivamente. El quinto
pruebas realizadas e imágenes de ECG no sintéticas en sitios de conjunto de validación contenía 50 imágenes de ECG de la
validación se presentan enFiguras S11 y S12, respectivamente. Clínica Metodista de Cardiología, que incluían 11 (20%) ECG
de pacientes con una FEVI <40%, con un modelo AUROC de
0,90 y un AUPRC de 0,74.
El sexto conjunto incluyó 2.577 ECG de personas inscritas
Validación externa prospectivamente en el estudio ELSA-Brasil, incluidos 30 con
El rendimiento de la validación del modelo fue consistente y sólido una FEVI <40 %. El modelo demostró un AUROC de 0,95 y un
en cada uno de los 6 conjuntos de datos de validación (Figura 5). El AUPRC de 0,45 en este conjunto. En una muestra mixta de
primer conjunto de validación en el Centro Médico Cedars Sinai datos de ecocardiografía de ECG de todos los sitios de
incluyó 879 ECG de pacientes consecutivos que se sometieron a validación externos, el modelo demostró un AUROC y un
ecocardiografía ambulatoria, incluidos 99 (11%) individuos con una AUPRC de 0,96 (0,950–0,969) y 0,63 (0,563–0,694),
FEVI <40%. El modelo demostró un AUROC de 0,90 y un AUPRC de respectivamente, para detectar la disfunción sistólica del VI. El
0,53 en este conjunto. En segundo lugar, se utilizaron para la rendimiento del modelo en estos 6 conjuntos de validación se
validación 147 imágenes de ECG extraídas de clínicas ambulatorias describe en la Tabla 2 yTablas S11–S13. . . .
de YNHH e incluyeron 27 imágenes (18%) de pacientes con una
FEVI <40%. El modelo tuvo un AUROC de 0,94 y un AUPRC de 0,77
Garantía de calidad en aplicaciones del mundo real
en la validación de estas imágenes. El tercer conjunto de datos de
imágenes incluía imágenes de ECG de visitas de pacientes Evaluamos nuestro proceso de preprocesamiento en
hospitalizados al Lake Regional Hospital. Incluyó 100 imágenes de segmentación y estandarización de calidad de imágenes de ECG
ECG, con 43 imágenes (43%) de pacientes con FEVI <40%, con un del mundo real. Figura S13representa ejemplos de ECG en formato
modelo AUROC de 0,90 y AUPRC de 0,88. El cuarto conjunto de PDF electrónico antes y después del preprocesamiento y
datos del Memorial Hermann Southeast Hospital in- demuestra la eliminación automática de anotaciones de ECG e
identificadores de pacientes de la imagen.Figuras S14 y S15

772 29 de agosto, Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646

 Sangha et al.
Descargado de http://ahajournals.org el 10 de abril de
Figura 3.Curvas de riesgo acumuladas para incidentes de disfunción sistólica del ventrículo izquierdo en pantallas positivas y negativas predichas por el
modelo entre miembros del conjunto de pruebas retenidas con una fracción de eyección del ventrículo izquierdo≥40% y al menos 1 medición de seguimiento.
demostrar la estandarización de la calidad de las fotografías de
ECG obtenidas con un teléfono inteligente con variaciones
extremas de brillo, sombras, ángulos sesgados y artefactos de
ruido. Además, evaluamos sistemáticamente la calibración de
nuestro modelo a través de las variaciones de brillo y contraste de
la fotografía en una muestra de 200 ECG seleccionados
aleatoriamente del conjunto de pruebas realizadas en una
proporción de 1:4, para una FEVI <40% y≥40%, respectivamente.
Observamos cambios mínimos en las probabilidades predichas
por el modelo a pesar de alteraciones del 50% en el brillo y el
contraste de la imagen en imágenes preprocesadas (Figura S16).
Este efecto se mantuvo constante en todos los ECG de individuos
con un nivel bajo (Figura S17) y normales (Figura S18) FEVI.Tabla
S14presenta las matrices de confusión para las predicciones del
modelo en diferentes niveles de brillo y contraste de la imagen de
entrada, con o sin preprocesamiento.
DISCUSIÓN
Desarrollamos y validamos externamente un algoritmo automatizado
de aprendizaje profundo que identifica con precisión la disfunción
sistólica del VI únicamente a partir de imágenes de ECG. El algoritmo
tiene alta discriminación y sensibilidad, representando características.
Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646
Detección de disfunción sistólica del VI a partir de imágenes de ECG
INVESTIGACION ORIGINAL
ARTÍCULO
ísticas ideales para una estrategia de detección. Es resistente a las
variaciones en los diseños de las formas de onda del ECG y detecta la
ubicación de las derivaciones del ECG en múltiples formatos con una
precisión constante, lo que lo hace adecuado para su implementación
en una variedad de entornos. Además, el algoritmo fue desarrollado y
probado en una población diversa con alto rendimiento en subgrupos
de edad, sexo y raza, y en sistemas de salud académicos y comunitarios
geográficamente dispersos. Funcionó bien en 6 sitios de validación
externos, que abarcan ambos entornos clínicos, así como en un estudio
de cohorte prospectivo en el que se realizaron ecocardiogramas
protocolizados al mismo tiempo que ECG. Una evaluación de las
señales de discriminación de clases lo localizó en las derivaciones
anteroseptal y anterior independientemente del diseño del ECG,
correspondiendo topológicamente al ventrículo izquierdo. Finalmente,
entre las personas que no tenían una FEVI baja registrada
simultáneamente, una prueba de ECG positiva se asoció con un riesgo
3,9 veces mayor de desarrollar futura disfunción sistólica del VI en
comparación con aquellos con una prueba negativa, lo cual fue
significativo después del ajuste por edad y sexo. y FEVI basal. Por lo
tanto, un enfoque basado en imágenes de ECG puede representar una
estrategia de detección y predicción de la disfunción sistólica del VI,
particularmente en entornos de bajos recursos.
29 de agosto, 773
 Sangha et al.
Figura 4.Mapeo de activación de clase ponderada por gradiente en todos los formatos de ECG.
A, Formato predeterminado.B, Dos pistas de ritmo.C, Formato aleatorio estándar.D, Formato alternativo. Los mapas de calor representan promedios de los 100 casos positivos con las
Descargado de http://ahajournals.org el 10 de abril de
predicciones del modelo más confiables para una fracción de eyección del ventrículo izquierdo <40%.
El análisis de imágenes de ECG basado en el aprendizaje profundo para
detectar insuficiencia cardíaca representa una aplicación novedosa de
inteligencia artificial que tiene el potencial de mejorar la atención clínica.
Anteriormente se habían diseñado redes neuronales convolucionales para
detectar FEVI baja a partir de señales de ECG.10,11Aunque la dependencia de
los modelos basados en señales en datos de voltaje no está
computacionalmente limitada, su uso tanto en entornos retrospectivos como
prospectivos requiere acceso a un depósito de señales en el que la
arquitectura de datos de ECG varía según los proveedores de dispositivos de
ECG. Además, los datos a menudo no se almacenan más allá de la
generación de imágenes de ECG impresas, particularmente en entornos
remotos.23Además, la adopción generalizada de modelos basados en
señales está limitada por barreras de implementación que requieren
inversiones en todo el sistema de salud para incorporarlos al flujo de trabajo
clínico, algo que puede no estar disponible o no ser rentable en entornos de
bajos recursos y, hasta la fecha, no está ampliamente extendido. disponible
en entornos de mayores recursos como los Estados Unidos. El algoritmo
presentado en este estudio supera estas limitaciones al hacer que la
detección de la disfunción sistólica del VI a partir de ECG sea interoperable
en todos los formatos de adquisición y esté directamente disponible para los
médicos que solo tienen acceso a las imágenes del ECG. Debido a que las
imágenes de ECG escaneadas son el formato de almacenamiento y uso más
común de los ECG, los operadores no capacitados pueden implementar
pruebas de detección a gran escala mediante la revisión de gráficos o
sistemas automatizados.
774 29 de agosto,
Detección de disfunción sistólica del VI a partir de imágenes de ECG
aplicaciones a repositorios de imágenes, una tarea que requiere menos recursos
que optimizar herramientas para diferentes máquinas.
El uso de imágenes de ECG en nuestro modelo supera los desafíos
de implementación que surgen de los algoritmos de caja negra. El
origen de las señales discriminatorias de riesgo en las derivaciones
precordiales de las imágenes de ECG sugiere un origen del VI de las
señales predictivas. Además, la observación constante de estas señales
predictivas en las derivaciones anteroseptal y anterior,
independientemente de la ubicación de las derivaciones en las
imágenes impresas, también sirve como control para las predicciones
del modelo. A pesar de localizar las señales discriminatorias de clase en
la imagen en el ventrículo izquierdo, es posible que el análisis del mapa
de calor no capture necesariamente todas las características predictivas
del modelo, como la duración de los segmentos, intervalos o
morfologías de las formas de onda del ECG que podrían haberse
utilizado en las predicciones del modelo. Sin embargo, las
representaciones visuales consistentes con el conocimiento clínico
podrían explicar partes del proceso de predicción del modelo y abordar
las dudas en la adopción de estas herramientas en la práctica clínica.24
Un hallazgo importante fue el riesgo significativamente
mayor de incidencia de disfunción sistólica del VI entre
pacientes con una prueba positiva predicha por el modelo
pero con una FEVI≥40% en ecocardiografía concurrente. Estos
hallazgos demuestran una firma electrocardiográfica que
puede preceder al desarrollo de evidencia ecocardiográfica de
disfunción sistólica del VI. Esto fue reportado anteriormente
Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646
 Sangha et al. Detección de disfunción sistólica del VI a partir de imágenes de ECG

INVESTIGACION ORIGINAL
ARTÍCULO
Figura 5.Curvas de funcionamiento del receptor para sitios de validación externos.
AUROC indica el área bajo la curva característica de funcionamiento del receptor; ELSA-Brasil, Estudio Longitudinal Brasileño de Salud de Adultos; LRH, Hospital
Regional del Lago; y YNHH, Hospital Yale New Haven.

en modelos basados en señales,10lo que sugiere además que la La población en entrenamiento probablemente tenía una indicación
detección de disfunción sistólica del VI en imágenes de ECG clínica para la ecocardiografía, a diferencia del uso más amplio en el
Descargado de http://ahajournals.org el 10 de abril de

representa un proceso fisiopatológico subyacente similar.
Además, observamos una relación lineal entre la gravedad de la
disfunción sistólica del VI y las probabilidades de FEVI baja
predichas por el modelo, lo que respalda la plausibilidad biológica
de las predicciones del modelo a partir de datos emparejados de
ECG y ecocardiografía. Estas observaciones sugieren un papel
potencial de los modelos de ECG basados en inteligencia artificial
en la estratificación del riesgo para el desarrollo futuro de
enfermedades cardiovasculares.25
Nuestro estudio tiene ciertas limitaciones que merecen
consideración. Primero, desarrollamos este modelo entre pacientes
con ECG y ecocardiogramas. Por lo tanto, los seleccionados
mundo real del algoritmo para pruebas de detección de disfunción
sistólica del VI entre aquellos sin ninguna enfermedad clínica. La
capacidad de nuestro modelo para distinguir consistentemente la
disfunción sistólica del VI entre subgrupos demográficos y poblaciones
de validación sugiere solidez y generalización de los efectos, aunque se
justifican evaluaciones prospectivas en el entorno de detección
previsto. Es digno de mención que el modelo demostró una mayor
especificidad y menor sensibilidad en la cohorte ELSA-Brasil compuesta
por individuos más jóvenes y generalmente más sanos con una menor
prevalencia de disfunción sistólica del VI en comparación con los otros
conjuntos de validación. Dependiendo del resultado deseado

Tabla 2.Rendimiento del modelo en conjuntos de datos de validación externa

Positivo Negativo
profético profético F1
Sitio valor valor Especificidad Sensibilidad AUROC AUPRC puntaje

Centro Médico Cedars Sinaí 0.326 0,979 0,772 0,869 0,902 (0,877–0,926) 0,533 (0,432–0,640) 0,474

Clínicas ambulatorias del Hospital Yale New 0.338 1.000 0.558 1.000 0,946 (0,910–0,982) 0,775 (0,605–0,916) 0.505
Haven

Hospital Regional del Lago 0.538 0.955 0.368 0,977 0,901 (0,843–0,959) 0,889 (0,810–0,946) 0,694

Hospital Memorial Hermann del Sureste 0.385 0.958 0.590 0.909 0,918 (0,790–1,000) 0,888 (0,699–1,000) 0.541

Clínica Metodista de Cardiología 0,458 1.000 0,667 1.000 0,902 (0,816–0,989) 0,738 (0,470–0,928) 0,629

ELSA-Brasil 0.256 0.996 0.976 0,700 0,949 (0,915–0,983) 0,449 (0,290–0,651) 0.375

Todos los sitios de validación 0.356 0.993 0,900 0.891 0,959 (0,950–0,969) 0,631 (0,563–0,694) 0.508

AUPRC indica el área bajo la curva de recuperación de precisión; AUROC: área bajo la curva característica operativa del receptor; AUPRC: área bajo la curva
de recuperación de precisión; y ELSA-Brasil, Estudio Longitudinal de Salud del Adulto.

Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646 29 de agosto, 775

 Sangha et al.
Debido al enfoque de detección y las limitaciones de recursos con
las pruebas posteriores, es posible que sea necesario recalibrar los
INVESTIGACION ORIGINAL
umbrales de predicción de la disfunción sistólica del VI cuando se
implementen en tales entornos. En segundo lugar, el desarrollo de
ARTÍCULO
nuestro modelo utiliza datos retrospectivos de ECG y
ecocardiograma. Por tanto, se aplican todas las limitaciones
inherentes a los análisis secundarios. Aunque el modelo ha sido
validado externamente en numerosos entornos, incluida la
cohorte ELSA-Brasil en la que se realizaron ecocardiogramas
protocolizados sin indicación clínica, son necesarias evaluaciones
prospectivas en el entorno de detección previsto. En tercer lugar,
aunque incorporamos 4 formatos de ECG durante su desarrollo y
demostramos que el modelo tenía un rendimiento constante en
una variedad de diseños novedosos y de uso común que no se
incluyeron en el desarrollo, no podemos determinar si mantiene el
rendimiento en todos los formatos novedosos. En cuarto lugar,
aunque el desarrollo del modelo persigue el preprocesamiento de
la señal de ECG para trazar imágenes, estos representan procesos
estándar realizados antes de que las máquinas de ECG generen o
impriman las imágenes de ECG. Por lo tanto, no se requiere
ningún otro procesamiento de imágenes para la aplicación en el
mundo real, como se demuestra en la aplicación del modelo a los
conjuntos de validación externos. Quinto, nuestro modelo se
construyó sobre una única arquitectura de red neuronal
convolucional. No comparamos el rendimiento de nuestro modelo
con arquitecturas y modelos alternativos de aprendizaje
automático para la detección de la disfunción sistólica del VI. Esto
se basó en nuestro estudio anterior que infirió que EfficientB3
demostró un buen rendimiento en tareas de clasificación de
Descargado de http://ahajournals.org el 10 de abril de
imágenes de ECG, aunque estudios futuros podrían evaluar otras
arquitecturas para estas aplicaciones. Finalmente, aunque
incluimos un prototipo de una aplicación basada en web con
estandarización y predicciones automatizadas a partir de
imágenes de ECG, representa solo una demostración del eventual
despliegue del modelo. Sin embargo, será necesario un mayor
desarrollo y validación antes de cualquier implementación clínica o
a gran escala de dicha aplicación.
Conclusiones
Desarrollamos un algoritmo automatizado para detectar la
disfunción sistólica del VI a partir de imágenes de ECG, lo que
demuestra un rendimiento sólido en subgrupos de datos
demográficos de pacientes, formatos y calibraciones de ECG y
entornos de práctica clínica. Dada la omnipresente disponibilidad
de imágenes de ECG, este enfoque representa una estrategia para
la detección automatizada de la disfunción sistólica del VI,
especialmente en entornos con recursos limitados.
INFORMACIÓN DEL ARTÍCULO
Recibido el 28 de septiembre de 2022; aceptado el 26 de junio
Afiliaciones
Departamento de Ciencias de la Computación (VS, AK), Sección de Medicina Cardiovascular,
Departamento de Medicina Interna (AAN, LSD, EJM, EJV, HMK, RK), Departamento de Medicina de
Emergencia (CAB), Universidad de Yale, New Haven, CT. corazón y
776 29 de agosto,
Detección de disfunción sistólica del VI a partir de imágenes de ECG
Centro Vascular, Hospital Brigham and Women's, Facultad de Medicina de Harvard,
Boston, MA (AAN). Departamento de Ingeniería y Ciencias de la Computación, Universidad
Texas A&M, College Station (BJM). Centro de Investigación y Evaluación de Resultados
(CORE), Yale New Haven Hospital, New Haven, CT (BJM, HMK, RK). Departamento de
Tecnología de la Información, Universidad de Uppsala, Suecia (AHR). Departamento de
Medicina Interna, Lake Regional Hospital Health, Osage Beach, MO (EB). Clínica Metodista
de Cardiología, San Antonio, TX (OA). Instituto Vascular y del Corazón, Memorial Hermann
Southeast Hospital, Houston, TX (NG). Sistema de atención médica de VA Connecticut, West
Haven, CT (CAB). Centro de Telesalud y Servicio de Cardiología, Hospital de Clínicas (ALPR),
Departamento de Medicina Interna, Facultad de Medicina (ALPR), Departamento de
Medicina Preventiva, Facultad de Medicina y Hospital de Clínicas (LG, SMB), Universidad
Federal de Minas Gerais, Belo Horizonte, Brasil. Programa de Estudios de Postgrado en
Cardiología y División de Cardiología, Hospital de Clínicas de Porto Alegre, Universidad
Federal de Rio Grande do Sul, Porto Alegre, Brasil (MF). Departamento de Medicina,
Universidad de California, San Francisco, CA (NY). Sección de Cardiología, Centro Médico de
Asuntos de Veteranos de San Francisco, CA (NY). Departamento de Cardiología, Smith
Heart Institute (DO), División de Inteligencia Artificial en Medicina (DO), Cedars-Sinai
Medical Center, Los Ángeles, CA. Departamento de Política y Gestión de la Salud (HMK),
Sección de Informática de la Salud, Departamento de Bioestadística (RK), Escuela de Salud
Pública de Yale, New Haven, CT.
Agradecimientos
El Dr. Khera concibió el estudio y accedió a los datos. V. Sangha y el Dr. Khera desarrollaron
el modelo. V. Sangha, Dr. Nargesi y Dhingra, A. Khunte y Dr. Khera continuaron con el
análisis estadístico. V. Sangha y el Dr. Nargesi redactaron el manuscrito. Todos los autores
brindaron comentarios sobre el diseño del estudio e hicieron contribuciones críticas a la
redacción del manuscrito. El Dr. Khera supervisó el estudio, obtuvo financiación y es el
garante. El modelo está disponible en formato en línea para uso en investigación en
https://www.cards-lab.org/ecgvision-lv
Recursos de fondos
Este estudio fue apoyado por fondos de investigación otorgados al Dr. Khera por la
Facultad de Medicina de Yale y una subvención del Instituto Nacional del Corazón, los
Pulmones y la Sangre de los Institutos Nacionales de Salud bajo el premio K23HL153775.
Los financiadores no tuvieron ningún papel en el diseño y realización del estudio;
recopilación, gestión, análisis e interpretación de datos; preparación, revisión o aprobación
del manuscrito; o la decisión de enviar el manuscrito para su publicación.
Divulgaciones
El Dr. Mortazavi informó haber recibido subvenciones del Instituto Nacional de Imágenes
Biomédicas y Bioingeniería, el Instituto Nacional del Corazón, los Pulmones y la Sangre, la
Administración de Alimentos y Medicamentos de EE. UU.; Además, el Dr. Mortazavi tiene
una patente pendiente sobre modelos predictivos que utilizan registros médicos
electrónicos (US20180315507A1). El Dr. AH Ribeiro está financiado por la Fundación Kjell y
Marta Beijer. El Dr. Krumholz trabaja bajo contrato con los Centros de Servicios de
Medicare y Medicaid para respaldar los programas de medición de la calidad, recibió una
subvención de investigación de Johnson & Johnson, a través de la Universidad de Yale, para
respaldar el intercambio de datos de ensayos clínicos; recibió un acuerdo de investigación,
a través de la Universidad de Yale, del Centro de Información de Salud de Shenzhen para
trabajar en el avance de la prevención inteligente de enfermedades y la promoción de la
salud; colabora con el Centro Nacional de Enfermedades Cardiovasculares de Beijing;
recibe pago del bufete de abogados Arnold & Porter por el trabajo relacionado con el
litigio del clopidogrel de Sanofi, del bufete de abogados Martin Baughman por el trabajo
relacionado con el litigio del filtro Cook Select IVC; preside el consejo asesor científico
cardíaco de UnitedHealth; fue miembro de la junta directiva de IBM Watson Health Life
Sciences; es miembro del Consejo Asesor de Element Science, del Consejo Asesor de
Facebook y del Consejo Asesor de Médicos de Aetna; y es cofundador de Hugo Health, una
plataforma de información de salud personal, y cofundador de Refactor Health, una
empresa de gestión de datos aumentada con inteligencia artificial para el cuidado de la
salud. El Dr. ALP Ribeiro cuenta con el apoyo parcial del CNPq (465518/2014-1,
310790/2021-2 y 409604/2022-4) 21). V. Sangha y el Dr. Khera son los coinventores de la
Solicitud de Patente Provisional de EE.UU. No. 63/346,610, “Artículos y métodos para la
detección independiente del formato de enfermedades cardiovasculares ocultas a partir
de imágenes electrocardiográficas impresas mediante aprendizaje profundo”. 63/346,610.
El Dr. Khera recibe apoyo del Instituto Nacional del Corazón, los Pulmones y la Sangre de
los Institutos Nacionales de Salud (con el premio K23HL153775) y la Doris Duke Charitable
Foundation (con el premio 2022060). Recibe apoyo de la Fundación Blavatnik a través del
Fondo Blavatnik para la Innovación de Yale. También recibe apoyo para la investigación de
Yale, Bristol-Myers Squibb y Novo Nordisk. Es editor asociado deJAMA. . . . Además de
63/346.610, el Dr. Khera es coinventor de las solicitudes de patente provisionales de EE.
UU. 63/177.117, 63/428.569 y 63/484.426. También es fundador de Evidence2Health, una
plataforma de salud de precisión para mejorar la atención cardiovascular basada en
evidencia.
Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646
 Sangha et al.
Material suplementario
Tablas de procedimientos y datos de validación
externa S1 a S14
Figuras S1 a S18
REFERENCIAS
[ PubMed ] Wang TJ, Evans JC, Benjamin EJ, Levy D, LeRoy EC, Vasan RS. Historia natural
de la disfunción sistólica del ventrículo izquierdo asintomática en la comunidad.
Circulación. . . . 2003;108:977–982. doi: 10.1161/01.CIR.0000085166.44904.79
2. Srivastava PK, DeVore AD, Hellkamp AS, Thomas L, Albert NM, Butler J, Patterson JH, Spertus JA,
Williams FB, Duffy CI, et al. Hospitalización por insuficiencia cardíaca y patrones de
prescripción dirigidos por guías entre pacientes con insuficiencia cardíaca con fracción de
eyección reducida.Insuficiencia cardíaca JACC. . . . Apocalipsis 2021; 9:28–3 doi: 10.1016/
j.jchf.2020.08.017
[ PubMed ] 3. Wolfe NK, Mitchell JD, Brown DL. La reducción independiente de la mortalidad
asociada con el tratamiento médico dirigido por las directrices en pacientes con enfermedad
de las arterias coronarias e insuficiencia cardíaca con fracción de eyección reducida.
Resultados de Eur Heart J Qual Care Clin. . . . 2021;7:416–421. doi: 10.1093/ehjqcco/qcaa032
4. Heidenreich PA, Bozkurt B, Aguilar D, Allen LA, Byun JJ, Colvin MM, Deswal A,
Drazner MH, Dunlay SM, Evers LR, et al. Guía de 2022 de la AHA/ACC/HFSA
para el tratamiento de la insuficiencia cardíaca: un informe del Comité
Conjunto de Guías de Práctica Clínica del Colegio Americano de Cardiología/
Asociación Americana del Corazón.Circulación. . . . 2022;145:e895–e1032. doi:
10.1016/CIR000000000001063.
[ PubMed ] 5. Wang TJ, Levy D, Benjamin EJ, Vasan RS. La epidemiología de
la disfunción sistólica del ventrículo izquierdo "asintomática":
implicaciones para el cribado.Ann Intern Med. . . . 2003;138:907–916.
doi: 10.7326/0003-4819-138-11-200306030-00012
[ PubMed ] 6. Vasan RS, Benjamin EJ, Larson MG, Leip EP, Wang TJ, Wilson PWF, Levy
D. Péptidos natriuréticos plasmáticos para la detección comunitaria de hipertrofia
ventricular izquierda y disfunción sistólica: el estudio del corazón de Framingham.
JAMA. . . . 2002;288:1252–1259. doi: 10.1001/público.288.10.1252
[PubMed] 7. McDonagh TA, McDonald K, Maisel AS. Detección de disfunción ventricular izquierda
asintomática mediante péptido natriurético tipo B.Insuficiencia cardíaca congestionada. . . .
2008;14:5–8. doi: 10.1111/j.1751–7133.2008.tb00002.x
Descargado de http://ahajournals.org el 10 de abril de
8. Galasko GI, Barnes SC, Collinson P, Lahiri A, Senior R. ¿Péptidos
natriuréticos, electrocardiograma, ecocardiografía de mano,
ecocardiografía tradicional o su combinación?tu corazon j. . . .
2006;27:193–200. doi: 10.1093/eurheartj/ehi559
[PubMed] 9. Atherton JJ. Detección de disfunción sistólica del ventrículo izquierdo: ¿las
imágenes son una solución?Imágenes cardiovasculares JACC. . . . 2010;3:421–428.
doi: 10.1016/j.jcmg.2009.11.014
[ PubMed ] 10. Attia ZI, Kapa S, López-Jiménez F, McKie PM, Ladewig DJ, Satam G, Pellikka
PA, Enriquez-Sarano M, Noseworthy PA, Munger TM, et al. Detección de disfunción
contráctil cardíaca mediante un electrocardiograma habilitado por inteligencia
artificial.Nat Med. . . . 2019;25:70–7 doi: 10.1038/s41591-018-0240-2
Circulación. . . . Rev. 2023; 148: 765–777. DOI: 10.1161/CIRCULACIÓN.122.062646
Detección de disfunción sistólica del VI a partir de imágenes de ECG
[ PubMed ] 11. Vaid A, Johnson KW, Badgeley MA, Somani SS, Bicak M, Landi I, Russak
A, Zhao S, Levin MA, Freeman RS, et al. Utilizar algoritmos de aprendizaje profundo para
INVESTIGACION ORIGINAL
identificar simultáneamente la disfunción ventricular derecha e izquierda a partir del
electrocardiograma.Imágenes cardiovasculares JACC. . . . Rev. 2022; 15: 395–410. doi:
ARTÍCULO
10.1016/j.jcmg.2021.08.004
[ PubMed ] 12. Yao X, Rushlow DR, Inselman JW, McCoy RG, Thacher TD, Behnken EM,
Bernard ME, Rosas SL, Akfaly A, Misra A, et al. Electrocardiogramas habilitados por
inteligencia artificial para la identificación de pacientes con fracción de eyección
baja: un ensayo clínico pragmático y aleatorizado.Nat Med. . . . Rev.2021;27:815–8
doi: 10.1038/s41591-021-01335-4
13. Stamenov D, Gusev M, Armenski G. Interoperabilidad de los estándares de
ECG. En: Actas de la 41.a Conferencia Internacional sobre Tecnologías de la
Información y las Comunicaciones, Electrónica y Microelectrónica (MIPRO) de
2018, Opatija, Croacia, IEEE; 2018:0319–0323.
[Artículo gratuito de PMC] [PubMed] 14. Sangha V, Mortazavi BJ, Haimovich AD, Ribeiro AH, Brandt
CA, Jacoby DL, Schulz WL, Krumholz HM, Ribeiro ALP, Khera R. Diagnóstico multietiqueta
automatizado en imágenes y señales electrocardiográficas.comuna nacional. . . .
2022;13:1583. doi: 10.1038/s41467-022-29153-3
[Artículo gratuito de PMC] [PubMed] 15. He J, Baxter SL, Xu J, Xu J, Zhou X, Zhang K. La
implementación práctica de tecnologías de inteligencia artificial en medicina.Nat Med. . . .
2019;25:30–3 doi: 10.1038/s41591-018-0307-0
16. Biblioteca Python de trazado de ECG. Consultado el 25 de mayo de 2022. https://pypi.org/
project/ecg-plot/
[Artículo gratuito de PMC] [PubMed] 17. Cui Y, Jia M, Lin TY, Song Y, Belongie S. Pérdida de clase equilibrada
basada en el número efectivo de muestras.arXiv. . . . 2019;1901.05555.
[PubMed] 18. Tan M, Le QV. EfficientNet: repensar el escalado de modelos para redes neuronales
convolucionales.arXiv. . . . 2020;1905.11946v5
[ PubMed ] 19. Aquino EML, Barreto SM, Bensenor IM, Carvalho MS, Chor D,
Duncan BB, Lotufo PA, Mill JG, Molina MDC, Mota ELA, et al. Estudio
longitudinal brasileño de salud del adulto (ELSA-Brasil): objetivos y diseño.Am
J Epidemiol. . . . 2012;175:315–324. doi: 10.1093/edad/kwr294
[Artículo gratuito de PMC] [PubMed] 20. Selvaraju RR, Cogswell M, Das A, Vedantam R, Parikh D,
Batra D. Grad-CAM: explicaciones visuales de redes profundas mediante localización basada
en gradientes. En:Actas de la Conferencia Internacional IEEE sobre Visión por Computadora
(ICCV) de 2017.. . . . IEEE; Rev. 2017: 618–6
[ PubMed ] 21. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparación de las áreas bajo
dos o más curvas características operativas del receptor correlacionadas: un
enfoque no paramétrico.Biometría.1988;44:837–845.
[Artículo gratuito de PMC] [PubMed] 22. Sun X, Xu W. Implementación rápida del algoritmo de DeLong para
comparar las áreas bajo curvas características operativas del receptor correlacionadas.Lett de proceso
de señal IEEE. . . . 2014;21:1389–1393. doi: 10.1109/lsp.2014.2337313
[ PubMed ] 23. Siontis KC, Noseworthy PA, Attia ZI, Friedman PA. Electrocardiografía mejorada con
inteligencia artificial en el tratamiento de enfermedades cardiovasculares.Nat Rev Cardiol. . . .
Rev. 2021; 18: 465–478. doi: 10.1038/s41569-020-00503-2
[Artículo gratuito de PMC] [PubMed] 24. Quer G, Arnaout R, Henne M, Arnaout R. El aprendizaje automático y
el futuro de la atención cardiovascular: una revisión del estado del arte del JACC.J. Am Coll Cardiol. . . .
2021;77:300–313. doi: 10.1016/j.jacc.2020.11.030
[Artículo gratuito de PMC] [PubMed] 25. Maurovich-Horvat P. Tendencias actuales en el uso del aprendizaje
automático para el diagnóstico y/o estratificación del riesgo en enfermedades cardiovasculares.Res
cardiovascular. . . . 2021;117:e67–e69. doi: 10.1093/cvr/cvab059
29 de agosto, 777