Morfología cardíaca predice paro
El uso de desfibriladores implantables se plantea como una solución a este tipo de eventos.
La miocardiopatía dilatada no isquémica (MCD) es una enfermedad heterogénea caracterizada por varios cambios morfológicos y patológicos, como la dilatación de la cavidad ventricular, el adelgazamiento de la pared miocárdica y fibrosis. Desgraciadamente, esta condición se asocia a un alto riesgo de arritmias ventriculares.
Investigadores de informática médica del King's College de Londres desarrollaron una forma de detectar señales de alerta temprana de un paro cardíaco repentino, analizando la forma del corazón con métodos de aprendizaje automático. La investigación analizó imágenes de resonancia magnética de 156 pacientes con miocardiopatía dilatada, una enfermedad mortal del músculo cardíaco. Quienes, a posterior sufrieron un paro cardíaco repentino, pudieron ser detectados por los sutiles cambios en la forma de su corazón, que se cree que son signos de empeoramiento de la enfermedad.
El equipo liderado por Pablo Lamata descubrió, además, que este tipo de análisis que permiten analizar la forma del corazón tienen implicancias sobre el uso de desfibriladores implantados.
Durante el estudio, se crearon modelos de forma del VI en 3D a partir de imágenes de resonancia magnética cardiaca de fin de diástole de 156 pacientes con MCD y realce tardío de gadolinio (LGE). También se extrajeron métricas geométricas para buscar posibles marcadores de pronóstico.Los cardiólogos y otros investigadores solo tienen que cargar los bordes del corazón, que son anónimos, y compartirlos de forma segura. A cambio, el servicio proporciona el modelo 3D y una puntuación de riesgo de paro, de modo que otros grupos puedan seguir probando las nuevas técnicas de predicción del riesgo.
La técnica de aprendizaje automático capturó automáticamente las características de forma más robustas y relevantes de la pared cardiaca eliminando así la necesidad de métricas geométricas predefinidas. Estos resultados confirman la sensibilidad diagnóstica que permiten las herramientas de anatomía computacional.
