Traducido del inglés al español - www.onlinedoctranslator.

com

Revisar

Inteligencia artificial para la evaluación

Corazón: publicado por primera vez como 10.1136/heartjnl-2021-319725 el 10 de febrero de 2022. Descargado dehttp://heart.bmj.com/el 17 de abril de 2023 por invitado. Protegido por derechos de autor.
ecocardiográfica de la cardiopatía valvular
5,6
Rashmi Nedadur,1,2bo wang,2,3,4,5Wendy Tsang

► El material ABSTRACTO las imágenes ecocardiográficas se adquieren, procesan y

complementario adicional se cuantifican. Los métodos de IA también se pueden aplicar a
Los avances en inteligencia artificial (IA) han dado lugar a una
publica solo en línea. Para
explosión de estudios que exploran su aplicación a la medicina la gran cantidad de información contenida en las imágenes,
ver, visite la revista en línea
(http://dx.doi.org/10.1136/ cardiovascular. Debido a la necesidad de capacitación y experiencia, mediciones y datos clínicos obtenidos que actualmente no
heartjnl-2021-319725). un área en la que la IA podría tener un impacto sería en el se consideran durante la evaluación. En esta revisión,
diagnóstico y manejo de la enfermedad cardíaca valvular. Esto se discutiremos el trabajo emergente de la IA en la evaluación
1División de Cirugía Cardíaca,
debe a que la IA se puede aplicar a la multitud de datos generados a de VHD. Primero, proporcionaremos un resumen de los
Universidad de Toronto, Toronto,
Ontario, Canadá
partir de evaluaciones clínicas, imágenes y pruebas bioquímicas conceptos de IA relacionados con las imágenes médicas y la
2Departamento de Medicina de durante la atención del paciente. En el área de la cardiopatía valvular, implementación contemporánea de la IA para la evaluación
Laboratorio y Patobiología, la IA se ha centrado en la evaluación ecocardiográfica y el fenotipado de imágenes valvulares ecocardiográficas. Luego,
Universidad de Toronto, Toronto,
de poblaciones de pacientes para identificar grupos de alto riesgo. La examinaremos los métodos de IA utilizados para fenotipar
Ontario, Canadá
IA puede ayudar a la adquisición de imágenes, la identificación de VHD y evaluaremos los estudios en esta área. Finalmente,
3Departamento de Ciencias de la
Computación, Universidad de vistas para su revisión y la segmentación de estructuras valvulares y discutiremos las direcciones futuras de la ecocardiografía AI
Toronto, Toronto, Ontario, Canadá cardíacas para un análisis automatizado. Usando algoritmos de y la evaluación valvular.
4Instituto Vector de reconocimiento de imágenes, Los estados de enfermedad de la
Inteligencia Artificial,
válvula aórtica y mitral se han detectado directamente a partir de las IA EN IMÁGENES CARDÍACAS
Universidad de Toronto,
Toronto, Ontario, Canadá
propias imágenes. Las mediciones obtenidas durante la evaluación La IA es un método utilizado para identificar patrones de
5PeterMunk Cardiac Center, valvular ecocardiográfica se han integrado con otros datos clínicos asociaciones entre predictores y resultados. Su poder
University Health Network, para identificar nuevos subgrupos de enfermedad de la válvula proviene de su capacidad para encontrar estas asociaciones
Toronto, Ontario, Canadá
aórtica y describir nuevos predictores de progresión de la a partir de grandes cantidades de datos y, sin conocimiento
6División de Cardiología,
enfermedad de la válvula aórtica. En el futuro, la IA podría integrar previo de las asociaciones, dibujar relaciones no lineales
Universidad de Toronto, Toronto,
Ontario, Canadá parámetros ecocardiográficos con otros datos clínicos para el manejo entre una amplia variedad de predictores con un resultado
médico de precisión de pacientes con enfermedad cardíaca valvular. de interés. Estas grandes cantidades de datos, denominadas
Correspondencia a 'big data', se caracterizan por las 4V: volumen, variedad,
Dra. Wendy Tsang, 200 Elizabeth
velocidad y veracidad (Figura 2).10Los datos de pacientes
Street, Universidad de Toronto,
recopilados hoy pueden considerarse 'grandes datos' y la IA
Toronto, Ontario, Canadá;
wendy.tsang@uhn.ca INTRODUCCIÓN es potente en su capacidad para realizar la integración de
La incidencia mundial de la enfermedad valvular cardíaca (EVC) múltiples datos y generar predicciones utilizando
Recibido el 29 de octubre de 2021 ha aumentado un 45% en los últimos 30 años, con una incidencia información clínica, de imágenes, electrofisiológica y
Aceptado el 29 de diciembre de 2021
anual de 401 nuevos casos por cada 100 000 habitantes.1Esto se genómica. Con un acceso mejorado a una potencia
Publicado primero en línea

10 febrero 2022
debe al envejecimiento de la población en expansión y al VHD informática significativa y, por lo tanto, la capacidad de
relacionado con la edad.1La ecocardiografía es la modalidad de procesar grandes cantidades de datos, la IA puede tomar
imagen más común utilizada para identificar a los pacientes con decisiones complejas en una fracción del tiempo que
VHD, ya que no es invasiva, es portátil, está ampliamente necesitan los humanos.11
disponible y es rentable, y proporciona una evaluación en tiempo Según el tipo de problema, se pueden aplicar diferentes
real de la estructura y función cardíacas.2Actualmente, se algoritmos de IA a los datos clínicos y de imágenes (Figura 2
realizan más de siete millones de ecocardiogramas anualmente ). Sin embargo, el modelo más ampliamente implementado
en América del Norte.3 4A pesar de esto, hay evidencia de que un ha sido la red neuronal convolucional (CNN) debido a su
número de pacientes con VHD están infradiagnosticados.5 éxito en imágenes médicas. La arquitectura CNN se modela
Simplemente aumentar el número de ecocardiogramas en función de la corteza visual del cerebro e implica la
realizados para brindar detección a los millones de personas en identificación de características de imagen cruciales que
riesgo de desarrollar VHD no es factible dentro de los permiten la identificación de imágenes. Al aplicar diferentes
paradigmas de práctica clínica actuales y los límites filtros o tamices a una imagen, las características de la
presupuestarios.6Incluso el advenimiento de las máquinas de imagen se pueden extraer y correlacionar con el resultado
ultrasonido de mano/punto de atención puede no satisfacer esta de interés. Esta forma de modelado puede ser
necesidad, ya que la adquisición e interpretación de imágenes de extremadamente precisa, pero requiere un poder
calidad diagnóstica para VHD requiere capacitación y computacional significativo y muchas imágenes para
experiencia.7–9Además, los médicos ocupados deben incorporar entrenar un modelo para construir asociaciones.12
© Autor(es) (o su(s) empleador(es))
imágenes multimodales y datos clínicos y bioquímicos del La IA se encuentra actualmente en la interpretación
2022. Reutilización permitida bajo
CC BY-NC. Sin reutilización paciente para la toma de decisiones. automatizada de ECG, mediciones de cámara de resonancia
comercial. Ver derechos y magnética y tomografía computarizada cardíaca y, más
permisos. Publicado por BMJ. Los desarrollos en el campo de la inteligencia artificial (IA) recientemente, análisis de tensión de ecocardiografía
son muy prometedores para transformar la forma en que se bidimensional (2D) y trazado Doppler.13Dado el papel dominante
Citar:Nedadur R, Wang evalúan y manejan los pacientes con VHD, ya que puede de la ecocardiografía en la VHD, esta revisión se centrará en esta
B, Tsang W.Corazón simular la toma de decisiones compleja y multimodal modalidad. Los ecocardiogramas son ideales para aplicaciones
2022;108:1592–1599.
requerida (Figura 1). Ya está cambiando cómo de IA ya que cada estudio ecocardiográfico contiene

1592 Nedadur R,et al. Corazón2022;108:1592–1599. doi:10.1136/heartjnl-2021-319725

 Revisar

Corazón: publicado por primera vez como 10.1136/heartjnl-2021-319725 el 10 de febrero de 2022. Descargado dehttp://heart.bmj.com/el 17 de abril de 2023 por invitado. Protegido por derechos de autor.
Figura 1Vía de un paciente con cardiopatía valvular y áreas de atención donde la IA puede mejorar la evaluación y el manejo. Las imágenes superiores izquierda y derecha son
imágenes TTE tridimensionales de la válvula aórtica en el eje corto durante la sístole y la diástole que representan la progresión desde un estado normal a un estado patológico. A
continuación se detallan las etapas de atención (cribado, vigilancia, decisión de intervenir, intervención). La IA se puede aplicar a cualquier tipo de datos de pacientes (es decir,
notas clínicas, imágenes de eco) obtenidos en cualquiera de estas etapas. A su vez, la IA puede utilizar el conjunto colectivo de datos para mejorar la gestión en varias etapas de la
atención. IA, inteligencia artificial; ETT, ecocardiograma transtorácico.

varios modos de adquisición, múltiples vistas y numerosos cuadros que generan La IA tiene el potencial de mejorar las evaluaciones de válvulas mediante
una gran cantidad de datos, de los cuales solo una fracción se aprecia el desarrollo de programas que guían la adquisición de imágenes.
clínicamente. La IA en estos grandes datos puede generar ganancias en la Actualmente, el enfoque de dicha adquisición de imágenes asistida por IA
evaluación de imágenes ecocardiográficas de válvulas y la identificación de se ha centrado en imágenes básicas sin color, como las vistas paraesternal
nuevos marcadores de enfermedades a través del fenotipado. o apical.15 16Uno de estos algoritmos de IA desarrollados se evaluó
comparando la calidad de las imágenes adquiridas por enfermeras novatas
que escanean a pacientes con guía de IA con ecografistas expertos.15El
IA PARA MEJORAR LA EVALUACIÓN DE LA VÁLVULA DE IMAGEN
porcentaje de imágenes evaluables de las válvulas aórtica, mitral y
ECOCARDIOGRAFICA
tricúspide obtenidas por los usuarios noveles fue del 91,7%, 96,3% y 83,3%,
La aplicación de IA a imágenes ecocardiográficas en pacientes con VHD se divide
respectivamente. Las iteraciones futuras de estos programas de etapa
en cuatro categorías principales: (1) adquisición de imágenes, (2) reconocimiento
temprana se pueden usar en pacientes con insuficiencia mitral o
de vista, (3) segmentación de imágenes e (4) identificación del estado de la
tricuspídea o guiar el interrogatorio Doppler en AS.
enfermedad.

Adquisición de imágen Ver identificación

En los pacientes con valvulopatías, el estudio ecocardiográfico se centra en la Al igual que su uso actual para identificar las vistas del ventrículo izquierdo (LV),
adquisición de imágenes que permitan diagnosticar la gravedad de la la IA podría mejorar la evaluación de la válvula al identificar imágenes que
valvulopatía y la repercusión en las estructuras cardíacas relacionadas. Por lo contienen datos de la válvula para permitir la lectura en "pilas", mediciones
tanto, además de las cámaras cardíacas, las imágenes adquiridas deben permitir automatizadas e incluso ayudar a la interpretación utilizando los criterios de las
una visualización clara de las valvas/cúspides de la válvula, el origen y la pautas actuales.9Esto podría ofrecer un ahorro de tiempo significativo y mejorar
extensión del chorro en las lesiones regurgitantes, el origen de la aceleración del potencialmente la calidad del informe al aumentar el acuerdo de evaluación de la
flujo para las lesiones estenóticas y el Doppler de onda continua (CW) completo. gravedad entre los lectores, que puede ser tan bajo como el 61 % para la
señal de los flujos máximos. La adquisición de tales imágenes requiere gravedad de la regurgitación mitral (IM).17El primer paso para tales programas
entrenamiento, especialmente cuando los chorros regurgitantes son excéntricos de IA sería identificar las vistas que incluyen información de válvulas.18Si bien se
o pegados a la pared o los gradientes son más altos en planos fuera del eje no han publicado muchos artículos sobre la identificación de la vista estándar, se
tradicionales. Algunos laboratorios han abordado problemas de calidad han publicado pocos que identifiquen la anatomía específica de la válvula o las
específicos, como la adquisición de gradientes de estenosis aórtica (EA) máxima señales Doppler. Una publicación ha descrito el uso de IA para identificar y
mediante la implementación de sistemas de "compañeros".14Sin embargo, esto rastrear las valvas de las válvulas mitral y tricúspide en la vista apical de cuatro
requiere mucho tiempo y mano de obra. cámaras para identificar la presencia

Nedadur R,et al. Corazón2022;108:1592–1599. doi:10.1136/heartjnl-2021-319725 1593

 Revisar

Corazón: publicado por primera vez como 10.1136/heartjnl-2021-319725 el 10 de febrero de 2022. Descargado dehttp://heart.bmj.com/el 17 de abril de 2023 por invitado. Protegido por derechos de autor.
Figura 2(A) Características del big data. (B) Definiciones comunes de IA. (C) Las arquitecturas de modelos comunes utilizadas en IA dependen del propósito del modelado. Con el
aprendizaje supervisado, los predictores se asignan a un resultado conocido. Cuando los resultados de interés son clínicos, se utilizan métodos de aprendizaje automático como el
bosque aleatorio y la máquina de vectores de soporte. Cuando el resultado de interés se basa en imágenes, se utilizan métodos de aprendizaje profundo, como las redes
neuronales convolucionales. (D) Con el aprendizaje no supervisado, los predictores se visualizan en un gráfico para encontrar el agrupamiento natural de los datos. Un uso típico
en los estudios de valvulopatías ha sido el fenotipado para identificar fenotipos de mayor riesgo. Los métodos utilizados con el aprendizaje no supervisado incluyen el análisis de
datos topológicos, el agrupamiento basado en modelos, el agrupamiento jerárquico aglomerativo y el agrupamiento alrededor de medoides. AI,

de patología19Este documento informó que su programa podía detectar valvas existen algunos estudios que desarrollan programas sin delineación
de la válvula mitral con una precisión del 98 % y valvas de la válvula tricúspide manual de imágenes.22–24Además, se puede realizar la segmentación del
con una precisión del 90 %. Los estudios también informaron un éxito general en anillo de la válvula, valvas/cúspides, chorros y perfiles espectrales Doppler.
la identificación de datos Doppler del 94%.20Un programa de IA separado
descubrió que la precisión de identificación de las imágenes de la señal Doppler
CW era mejor en un 98 % en comparación con las imágenes de onda pulsada Anillo de válvula y prospecto
(PW), que tenían una precisión del 83 % porque una señal PW puede parecer Se han desarrollado programas comerciales y no comerciales que utilizan
similar a una señal CW débil.21 métodos de IA para proporcionar mediciones automatizadas de válvulas a partir
de imágenes ecocardiográficas 3D aórticas, mitrales y tricuspídeas (tabla 1). Cabe
Segmentación de imagen señalar que los primeros programas en esta área se basaron en métodos
El análisis de imágenes automatizado impulsado por IA para proporcionar computacionales, que aplican reglas matemáticas para la automatización, en
mediciones aumentaría en gran medida las evaluaciones cuantitativas, la lugar de métodos de inteligencia artificial como las CNN. Debido a la naturaleza
precisión y la reproducibilidad. Esto se puede lograr a través de la segmentación propietaria de los paquetes de software comercial, los detalles sobre los
de imágenes, que se refiere a reconocer una estructura específica en la imagen, algoritmos de IA incluidos no están disponibles, aunque es probable que las
identificar sus límites y realizar mediciones. La aplicación de segmentación de iteraciones actuales incluyan algún tipo de análisis de IA (tabla 1 complementaria
imágenes se puede aplicar a imágenes de cámaras ecocardiográficas 2D y en línea).25–27En general, estos paquetes comerciales tienen algunas limitaciones.
tridimensionales (3D) con el objetivo de automatizar las mediciones de tamaño y Algunos son procesos técnicamente semiautomáticos que requieren una
función. Tenga en cuenta que la mayor parte de este trabajo se ha realizado inicialización experta y otros solo se pueden aplicar a imágenes generadas a
utilizando imágenes etiquetadas, pero hay partir de

tabla 1Resumen de aplicaciones de IA por válvula

Válvula Patología aplicación de IA

Adquisición de imágen Ver identificación Segmentación de imagen Identificación del estado de la enfermedad fenotipado
Aórtico Estenosis X X X X
regurgitación X X X
Mitral Estenosis X X X X
regurgitación X X X X
Pulmonar Estenosis Sin literatura actual.
regurgitación
tricúspide Estenosis X X X
regurgitación X X X
IA, inteligencia artificial.

1594 Nedadur R,et al. Corazón2022;108:1592–1599. doi:10.1136/heartjnl-2021-319725

 Revisar

para medidas de perímetro anular y 11,94%±10% para medidas de área.29

La fortaleza de estos algoritmos es su desempeño en imágenes de baja

Corazón: publicado por primera vez como 10.1136/heartjnl-2021-319725 el 10 de febrero de 2022. Descargado dehttp://heart.bmj.com/el 17 de abril de 2023 por invitado. Protegido por derechos de autor.
calidad, mientras que sus limitaciones surgen de su sobreestimación de los
bordes de la válvula mitral y la identificación de estructuras falsas causada
por artefactos de imagen.

Doppler
Se ha publicado un estudio que aplica la segmentación de IA a imágenes Doppler
en color. zhangy otros22estudió a 1132 pacientes con RM definida por un lector
experto, desde leve a grave, para entrenar un algoritmo que pueda cuantificar la
RM a partir de imágenes en color de eco 2D. En un conjunto de datos de
validación externa de 295 pacientes, la precisión de la clasificación fue de 0,90,
0,89 y 0,91 para IM leve, moderada y grave, respectivamente. Del mismo modo,
se ha publicado poco sobre la automatización de AI de las mediciones de CW y
PW. A partir de una publicación, en comparación con un ecocardiógrafo
certificado por la junta, la automatización de IA de la medición CW y PW de la
velocidad máxima, los gradientes medios y la integral de velocidad-tiempo
mostró una excelente correlación, con todos los coeficientes de correlación
superiores a 0,9.30Se ha desarrollado un software comercial para realizar
mediciones semiautomáticas del área de superficie de isovelocidad proximal
(PISA) en 3D con buena precisión y reproducibilidad, ya que se pueden realizar
múltiples mediciones, aunque no está claro si la IA se utiliza en el modelado.31

figura 3Imágenes de ejemplo de software comercial de análisis de válvulas.

Identificación del estado de la enfermedad
Modelos de válvula mitral de (A) GE, (B) Philips y (C) TomTec. (D) Un modelo de
Los enfoques de aprendizaje profundo son poderosos porque pueden codificar
válvula aórtica de Siemens. una anterior; AL, anterolateral; Ao, aorta; L, cúspide
automáticamente características de los datos para el reconocimiento que están
coronaria izquierda; N, cúspide no coronaria; P, posteriores; PM, posteromedial;
más allá de la percepción humana.32En el caso de la identificación del estado de
R, cúspide coronaria derecha.
la enfermedad, las imágenes de eco no necesitan pasar por el flujo de trabajo
tradicional de IA de identificación y segmentación de imágenes, ya que las
máquinas ecocardiográficas producidas por el mismo vendedor ( enfermedades se pueden vincular directamente a las imágenes
figura 3).27 ecocardiográficas. Utilizando una cohorte de 139 pacientes sin IM, leve,
También se han desarrollado programas no comerciales para ayudar a la moderada y grave, Moghaddasi y Nourian33desarrolló un algoritmo que puede
segmentación del anular de la válvula y de las valvas (Tabla 2). Estos programas se cuantificar automáticamente la gravedad de la RM con 99,52 %, 99,38 %, 99,31 %
enfocan en el desarrollo de CNN utilizando imágenes de la válvula mitral. Los y 99,59 %, respectivamente, para RM normal, leve, moderada y grave. Del mismo
coeficientes de Dice de estos métodos (medida de la precisión en el establecimiento de modo, los programas de IA pueden identificar automáticamente la cardiopatía
la identificación de imágenes) para la segmentación de la válvula mitral fueron de reumática que afecta a las válvulas aórtica y/o mitral con una precisión del 72,77
modestos a buenos, con un rango de 0,48 a 0,79.28Las tasas de error de estas %.34Estos algoritmos también pueden reconocer de manera efectiva las válvulas
mediciones de programas automatizados fueron bajas, del 6,1 % ± 4,5 %. mitrales protésicas, como lo demuestra

Tabla 2Algoritmos no comerciales impulsados por IA para la detección valvular en ecocardiografía

Datos de entrenamiento

Autores (año) Datos población Resultado de interés Algoritmo utilizado Recomendaciones

Vafaeezadehy otros 2044 estudios de ETT: 1597 tenían pacientes con normalidad Identificacion de 13 modelos preentrenados con Todos los modelos funcionaron con una precisión increíble (>98 %), pero
(2021)35 válvulas normales y 447 tenían válvula mitral y prótesis de válvula mitral protésica a arquitectura CNN y ajustados mediante EfficientNetB3 tuvo el mejor AUC (99 %) para A4C y EfficientNetB4 tuvo el mejor
válvulas protésicas. válvula mitral: partir de imágenes de eco. transferencia de aprendizaje. AUC (99 %) para PLAX. Sin embargo, estos modelos eran computacionalmente más
tanto mecánico como costosos por una pequeña ganancia en AUC, por lo que los autores concluyeron
biológico. que el mejor modelo para esta tarea es EfficientNetB2.

Corinziay otros Entrenamiento: 39 2D TTE. Pacientes que estaban Completamente automatizado NN-MitralSeg, segmentación de Este modelo supera a los métodos supervisados y no supervisados de última
(2020)50 Prueba: 46 ecos 2D de sometidos a mitraclip: todos los delineación de mitral VM no supervisada generación (coeficiente NeuMF MF Dice de 0,482, con un rendimiento de
EchoNet-Dynamic public pacientes tenían moderada anillo de la válvula y ambas algoritmo basado en filtrado referencia de 0,447), con el mejor rendimiento en videos de baja calidad o videos
conjunto de datos de eco. a IM severa o grave. valvas MV. colaborativo neuronal. con escasa anotación.

Andreasseny otros 111 multifotograma ecocardiográfico 4D Completamente automatizado CNN, específicamente una Sin ingreso manual, esta metodología arrojó resultados comparables con
(2020)29 grabaciones de imágenes de la válvula método para arquitectura U-Net. aquellos que requerían ingreso manual (error relativo de 6.1%±4.5% para
ecocardiogramas 3D TEE. mitral. anillo mitral mediciones de perímetro y 11.94%±10% para medición de área).
segmentación en 3D
ecocardiografía
Costay otros Entrenamiento: 21 videos de eco Vistas PLAX y A4C Automático CNN, específicamente una Este modelo es el primero de su tipo en realizar la segmentación de las valvas de las
(2019)28 2D TTE en PLAX, 22 videos en desde echos. segmentación de mitral arquitectura U-Net. válvulas.
A4C. Prueba: 6 videos en PLAX y valvas de válvula. Para AMVL, la mediana del coeficiente Dice en PLAX fue 0,742 y 0,795 en
A4C. A4C. Para PMVL, la mediana del coeficiente Dice en PLAX fue 0,60 y 0,69 en
A4C.
Luego se pidió a los cardiólogos que calificaran la calidad de la segmentación en una
escala de 0 a 2, con una puntuación combinada de 0,781, lo que sugiere una segmentación
de calidad razonable.

A4C, vista apical de 4 cámaras; IA, inteligencia artificial; AML, velo anterior de la válvula mitral; AUC, área bajo la curva del operador del receptor; CNN, red neuronal convolucional; 2D, bidimensional; 3D, tridimensional; 4D,
tetradimensional; RM, insuficiencia mitral; MV, válvula mitral; PLAX, vista eje largo paraesternal; ETE, ecocardiograma transesofágico; ETT, ecocardiograma transtorácico.

Nedadur R,et al. Corazón2022;108:1592–1599. doi:10.1136/heartjnl-2021-319725 1595

 Revisar

Corazón: publicado por primera vez como 10.1136/heartjnl-2021-319725 el 10 de febrero de 2022. Descargado dehttp://heart.bmj.com/el 17 de abril de 2023 por invitado. Protegido por derechos de autor.
Figura 4(A) Flujo de trabajo de aprendizaje profundo en análisis de imágenes automatizado. (B) Un enfoque paso a paso para evaluar los estudios de fenotipado de aprendizaje
automático desde la población de estudio y la selección de datos/predictores hasta la elección del algoritmo y las métricas de evaluación. 2D, bidimensional; 3D, tridimensional;
ROC, curva del operador del receptor.

Vafaeezadehy otros,35quien desarrolló y probó 13 algoritmos CNN los datos pueden impulsar la identificación de grupos de alto riesgo a partir de
diferentes, todos los cuales tenían excelentes valores de área bajo la curva una mayor granularidad de los datos. Duranteelección del algoritmo, el
del operador del receptor (AUC) de al menos 98%. aprendizaje no supervisado se puede utilizar para derivar grupos que se pueden
estudiar y comparar con otros grupos para identificar grupos de alto riesgo y
FENOTIPO AI VHD predictores novedosos de estos grupos.Métricas de rendimientodebe incluir
Durante un ecocardiograma de rutina, se genera un gran volumen de datos medidas de mejora del rendimiento de la clasificación.38
potencialmente diagnósticos, que se incrementan aún más con imágenes en 3D Modelo de validaciónes importante garantizar que el modelo pueda funcionar en
y análisis de deformación por seguimiento de manchas. La totalidad de los datos ejemplos que no sean de entrenamiento y que sea generalizable para su tarea.
disponibles pueden ser difíciles de analizar e interpretar para el cardiólogo Esta medida es importante ya que los datos de entrenamiento pueden estar
ocupado y es probable que estén infrautilizados.36Se desconoce cuántas sesgados y pueden contribuir al sesgo en el modelado. La validación puede
variables "ocultas" existen dentro de un ecocardiograma y la IA puede ayudar a tomar muchas formas y se adapta al propósito del modelado.
descubrir el valor de estas variables.7Esto es especialmente relevante cuando se
habla de VHD, ya que actualmente la evaluación se centra predominantemente ESTUDIOS FENOTÍPICOS DE IA EN LA ENFERMEDAD DE LA VALVULA AÓRTICA
en la hemodinámica de la válvula. Sin embargo, los cambios cardíacos que El fenotipado de VHD mediante el aprendizaje automático (ML) es un
ocurren en respuesta a VHD también podrían ser informativos para la evaluación campo emergente con solo tres estudios, todos sobre AS, publicados (Tabla
de la gravedad. El uso de IA para el fenotipado permite la identificación de 3). Un estudio, no discutido en detalle, identificó fenotipos de aorta
nuevos grupos de enfermedades y nuevos predictores de estos grupos de proximal aneurismática en 656 pacientes con enfermedad de la válvula
enfermedades. Se han realizado esfuerzos considerables para fenotipar VHD a aórtica (AV) bicúspide usando TC.39Los tres artículos de AS, que se
medida que los médicos reconocen cada vez más la heterogeneidad de nuestros discutirán con mayor detalle, investigaron la heterogeneidad en pacientes
grupos de clasificación actuales. El fenotipado puede ayudar a identificar un con AS para identificar subgrupos de alto riesgo.
subgrupo de alto riesgo que puede requerir una intervención más oportuna. Casaclang-Verzosay otros40usó ML no supervisado para crear una red de
similitud paciente-paciente para describir la progresión entre AS leve y
grave de 346 pacientes usando 79 variables clínicas y ecocardiográficas. Se
CONSIDERACIONES METODOLÓGICAS PARA EL FENOTIPO EN creó un gráfico de Reeb, donde las distancias entre los pacientes definen
ESTUDIOS EN VALVULOPATÍA sus similitudes, mediante el análisis de datos topológicos. Se visualizaron
Para evaluar los estudios de fenotipado, existen cinco componentes dos subtipos de pacientes con EA moderada, siendo un grupo masculino
metodológicos que son útiles en su evaluación (Figura 4). Al determinar el con una fracción de eyección más baja y más enfermedad de las arterias
criterios de inclusión, el grupo de enfermedades tiene que presentar un coronarias, mientras que el otro grupo tenía una velocidad AV máxima y
fenotipo heterogéneo con un subgrupo que experimenta peores gradientes medios más bajos, pero índices de masa del VI y volúmenes de
resultados. Se debe prestar atención a los sesgos inherentes, como los la aurícula izquierda más altos. En el seguimiento posterior al reemplazo
relacionados con el sexo o la raza, que pueden afectar a la población de la válvula aórtica (AVR), los loci de los pacientes en el gráfico de Reeb
incluida en un conjunto de datos.37predictoresdebe derivarse de varias retrocedieron de la posición grave a la leve. Luego, el modelo se validó en
fuentes de datos como el uso de IA para amalgamar datos de un modelo murino de AS, con hallazgos similares al gráfico de Reeb
ecocardiogramas, otras imágenes, ECG y datos clínicos del paciente. humano. A partir de este análisis, un subconjunto de pacientes

1596 Nedadur R,et al. Corazón2022;108:1592–1599. doi:10.1136/heartjnl-2021-319725

 Tabla 3Estudios de fenotipado utilizando parámetros derivados de ecocardiografía
Autores (año) Pacientes (n) Datos de entrenamiento Resultado de interés Criterios de inclusión Algoritmo utilizado Recomendaciones Validación

Wojnarskiy otros 656 pacientes. ► Entrenamiento no supervisado: el diámetro de la sección ► Asociación de válvula bicúspide► Pacientes con ► Entrenamiento no ► Se identificaron tres subtipos de aneurisma: predominantemente de raíz ► El agrupamiento y los fenotipos resultantes
(2017)39 transversal de la aorta en cada nivel tomado de la TC. con patrones de aortopatía. aorta bicúspide supervisado: repartición (13%), ascendente (55%) y de arco (32%). podrían definirse mediante reglas algorítmicas
► Capacitación supervisada: 56 variables preoperatorias y válvula y aorta medoides. – La insuficiencia valvular grave se asoció más con el fenotipo que luego se usaron para el manual.
ecocardiográficas a nivel de paciente entrenadas para el aneurismas para ► Entrenamiento supervisado: radicular (57%). fenotipado, dando un 94% de precisión.
resultado de la etiqueta de grupo. reparación quirúrgica. análisis de bosque aleatorio – AS se asoció más comúnmente con el fenotipo de arco (62%). ► Luego, durante el entrenamiento supervisado, la
politómico a un resultado. – La edad del paciente aumenta a medida que la extensión del aneurisma es más distal. importancia variable para la clasificación fue
– El fenotipo radicular tuvo el mayor predominio masculino (94%). estudiados, siendo las cinco mediciones más
importantes el gradiente AV máximo, el gradiente
AV medio, el diámetro interno del VI, el grosor
relativo de la pared del VI y la válvula bicúspide o
unicúspide.

Kwaky otros Datos de entrenamiento: 398 ► De 32 variables demográficas, exploración física, ► Primaria: mortalidad por todas las causas. ► Recién diagnosticado ► Modelo de entrenamiento: ► Se identificaron tres grupos: el grupo 1 contenía pacientes con FEVI deprimida, más ► En una muestra independiente de 262 pacientes, se
(2020)42 pacientes datos de laboratorio, geometría del VI, función ► Secundario: mortalidad cardiaca, pacientes con clustering basado en modelos. hipertrofia del VI, disfunción diastólica más severa y fibrilación auricular y tenía tasas más repitió el agrupamiento basado en modelos y se
Datos de validación: 262 sistólica del VI, función diastólica del VI y válvula mortalidad no cardiaca y moderado o ► Modelo de validación: altas de muerte cardíaca; el grupo 2 contenía pacientes de edad avanzada con identificaron tendencias similares.
pacientes aórtica, se utilizaron 11 para el agrupamiento. muerte después de AVR. AS grave. aglomerante comorbilidades, específicamente enfermedad renal en etapa terminal y tenía más muertes ► El modelado se repitió usando agrupamiento
► 11 identificados mediante reducción de dimensionalidad, utilizando el agrupamiento jerárquico no cardíacas; el grupo 3 fue el grupo de riesgo más bajo con las tasas de eventos más jerárquico aglomerativo y se identificaron tres
coeficiente de Pearson y criterios de información bayesianos que (método de Ward). bajas. grupos similares con características clínicas
penalizan la complejidad del modelo. ► Estas nuevas etiquetas mostraron una mejor discriminación (mejora de la discriminación similares.

Nedadur R,et al. Corazón2022;108:1592–1599. doi:10.1136/heartjnl-2021-319725

► Los 11 parámetros en orden de importancia para la agrupación fueron integrada 0,029) y una mejora de la reclasificación neta (0,294) para el resultado de
hemoglobina, velocidad del chorro regurgitante tricuspídeo, creatinina, mortalidad por todas las causas a los 3 años.
volumen de la aurícula izquierda, velocidad de la onda E, FEVI, IMC,

frecuencia cardíaca, velocidad de la onda A, recuento de plaquetas y

glóbulos blancos.

Senguptay otros 1052 pacientes con ► Índice del área de la válvula aórtica, fracción de eyección del VI, aorta► Progresión a AVR o ► AS asintomático o► AS Análisis de similitud de pacientes: ► Fenotipos de gravedad alta (57 % de los pacientes) y de gravedad baja (43 % de los ► Se usaron etiquetas de gravedad alta y baja para entrenar

(2021)41 CT, MRI y ecos gradiente medio de la válvula, volumen sistólico indexado y velocidad progresión a muerte. discordante. análisis de datos topológicos. pacientes). un clasificador de aprendizaje automático supervisado

de tres centros, pico de la válvula aórtica. ► Luego, usando etiquetas nuevas, creó un ► El grupo de gravedad alta tuvo una puntuación de calcio de la válvula aórtica más alta, más que tenía un AUC de 0,988.

cohorte prospectiva. clasificador de aprendizaje automático realce tardío de gadolinio, BNP más alto y troponina de alta sensibilidad, y cinco veces el ► Este algoritmo tuvo una mejor discriminación
supervisado. riesgo de AVR. (mejora de discriminación integrada de 0,07)
► Los pacientes de alta gravedad que recibieron AVR también tenían el doble de probabilidades de y reclasificación (mejora de reclasificación
progresar a la muerte que todos los pacientes de baja gravedad. neta de 0,17) para el resultado de AVR a los 5
► El clasificador supervisado por eco fue muy preciso y se aplicó a los datos de años en comparación con la clasificación de
entrenamiento. gravedad de válvula tradicional.

casaclang- Datos de entrenamiento: 346 ► 79 datos clínicos y ecocardiográficos (AVA, FEVI,► índice de Entendiendo el ► Pacientes con leve ► Análisis de datos topológicos.► El análisis de datos topológicos creó un gráfico de Reeb que formó un bucle ► Modelo murino al que se le realizaron
Verzosay otros pacientes con EA masa VI, espesor relativo de la pared). Progresión de la enfermedad a AS grave. con AS leve y grave en cualquier espectro y AS moderado formando dos ecos a los 3, 6, 9 y 12 meses de edad.
(2019)40 leve a grave. de AS leve a grave. caminos separados. ► El análisis de datos topológicos de las mediciones de eco de

Datos de validación: 155 ► Sugiere que el camino de AS leve a grave sigue dos caminos prototípicos a ratones también mostró una tendencia similar a los patrones

ratones a los 3, 6, 9 y 12 través de AS moderado. humanos de AS.

meses de edad. ► El área de AS severa del mapa se asoció con mayor gradiente medio, ► Además, las imágenes longitudinales del modelo
índice de masa del VI, E/e', hipertrofia concéntrica y menor AVA. murino proporcionaron información sobre la
► Esta área del gráfico de Reeb asociada con AS grave tenía 3,88 veces más progresión natural de la EA, con ratones
riesgo de intervención valvular. moviéndose a lo largo del espectro de EA leve a
► Al examinar los dos brazos de EA moderada, aunque no hubo diferencia grave con el tiempo.
en AVA, los pacientes del brazo superior tenían menor FE, eran más
frecuentes los hombres y tenían mayor incidencia de enfermedad arterial
coronaria.
► Los pacientes en la parte superior del brazo tenían una velocidad máxima más baja, un gradiente medio más bajo, un índice de

masa del VI más alto y un volumen auricular izquierdo más alto.

► En el seguimiento posterior a la AVR, los loci de los pacientes en el gráfico de Reeb

retrocedieron de la posición grave a la leve.

AS, estenosis aórtica; AUC, área bajo la curva del operador del receptor; AV, válvula aórtica; AVA, área de válvula aórtica; AVR, reemplazo de válvula aórtica; IMC, índice de masa corporal; BNP, proteína natriurética cerebral; FE, fracción de eyección; VI, ventrículo izquierdo; FEVI: fracción de eyección del ventrículo izquierdo; ML, aprendizaje automático.
Revisar

1597
Corazón: publicado por primera vez como 10.1136/heartjnl-2021-319725 el 10 de febrero de 2022. Descargado dehttp://heart.bmj.com/el 17 de abril de 2023 por invitado. Protegido por derechos de autor.
 Revisar

con EAo moderada que experimentan deterioro agresivo de la función del errores de diagnóstico/gestión, escalabilidad de algoritmos, seguridad de
LV fueron identificados. Esta estratificación superior respalda el uso de datos y una estrategia de implementación acordada.44 45

Corazón: publicado por primera vez como 10.1136/heartjnl-2021-319725 el 10 de febrero de 2022. Descargado dehttp://heart.bmj.com/el 17 de abril de 2023 por invitado. Protegido por derechos de autor.
cambios en la función LV y AV a lo largo de un continuo en el manejo de la
enfermedad.
En Senguptay otros,41los investigadores buscaron identificar un RESUMEN Y DIRECCIONES FUTURAS
grupo de alto riesgo entre una cohorte de 1052 pacientes con EA leve La aplicación de IA a la evaluación valvular ecocardiográfica está creciendo y se

o moderada y un grupo de EA discordante que es el grupo tradicional volverá esencial dadas las limitaciones de tiempo clínico y el volumen creciente

de bajo flujo y bajo gradiente. El análisis de datos topológicos basado de datos de pacientes. La automatización de eco que utiliza IA puede reducir las

en parámetros ecocardiográficos derivó en un fenotipo de alto riesgo barreras estructurales y económicas para la atención de VHD, democratizando el

que tenía puntajes de calcio AV más altos, más realce tardío de acceso a la detección de enfermedades, la evaluación valvular en el punto de

gadolinio, niveles más altos de proteína natriurética cerebral y atención y, potencialmente, la derivación para la intervención.34 46 47Por ejemplo,

troponina, mayor incidencia de AVR y muerte antes y después de AVR. condiciones como la cardiopatía reumática, que no se diagnostica entre las

Estas relaciones se mantuvieron verdaderas cuando el conjunto de poblaciones marginadas, podrían beneficiarse de la detección automática de

datos se restringió solo a AS discordantes. La validación del modelo enfermedades y ayudar a conectar a los pacientes con los servicios de atención

incluyó el desarrollo de un modelo de ML supervisado con un AUC de médica.48Además, plataformas como la computación en la nube federada

0,988, que tenía mejor discriminación (mejora de discriminación pueden permitir la adquisición automatizada de imágenes en áreas de bajo

integrada de 0,07) y reclasificación (mejora de reclasificación neta de acceso con interpretación/consulta de imágenes en tiempo real en otros lugares

0. 17) para el resultado de AVR a los 5 años en comparación con de manera privada y confiable.49Las aplicaciones de IA en el fenotipado podrían

nuestra clasificación tradicional de gravedad de la válvula. Este trabajo usarse en otras circunstancias en las que la evaluación valvular en el eco puede

mostró que, utilizando medidas ecocardiográficas y ML, se puede ser un desafío, como en la identificación de AS de bajo flujo y bajo gradiente, o

mejorar la estratificación del riesgo en AS discordantes donde los en la cuantificación de la enfermedad en la valvulopatía mixta. En general, la IA

riesgos pueden identificarse sin necesidad de pruebas adicionales. puede crear eficiencias en el uso del eco en el cuidado de la salud que permite

Kwaky otros42utilizó un agrupamiento basado en modelos de 398 una mejor identificación, diagnóstico y manejo de la enfermedad de las válvulas,

pacientes con EA moderada y grave recién diagnosticada, con 11 brindando a más pacientes acceso a un tratamiento oportuno, preciso y dirigido

parámetros demográficos, de laboratorio y ecocardiográficos, para a objetivos.

identificar un subgrupo de alto riesgo que puede no beneficiarse de la

intervención valvular. Encontraron tres grupos de pacientes que diferían
FondosLos autores no han declarado una subvención específica para esta investigación de ninguna
por edad, remodelación del VI y síntomas. Estos grupos tenían diferentes
agencia de financiación en los sectores público, comercial o sin fines de lucro.
riesgos de mortalidad, con un grupo experimentando una mayor
Conflicto de interesesNinguno declarado. Consentimiento
mortalidad por todas las causas y otro grupo con una alta mortalidad
cardíaca. Cuando la variable de grupo se agregó al modelo que predice la del paciente para la publicaciónNo requerido.

mortalidad por todas las causas a los 3 años, hubo una mejor Aprobación éticaEste estudio no involucra participantes humanos. Procedencia
discriminación (mejora de la discriminación integrada 0,029) y una mejora y revisión por paresno comisionado; revisado por pares externos.
de la reclasificación neta (0,294). Los hallazgos importantes de este artículo
Material suplementarioEste contenido ha sido proporcionado por el/los autor(es). No ha sido
incluyen la integración de medidas no ecocardiográficas y medidas no examinado por BMJ Publishing Group Limited (BMJ) y es posible que no haya sido revisado por pares.
tradicionales de la gravedad de la enfermedad en la estratificación del Todas las opiniones o recomendaciones discutidas pertenecen únicamente al autor o autores y no

riesgo de pacientes con EA. Este artículo sugiere que los pacientes con alto están respaldadas por BMJ. BMJ se exime de toda responsabilidad que surja de cualquier confianza
depositada en el contenido. Cuando el contenido incluya cualquier material traducido, BMJ no
riesgo de muerte no cardiaca podrían justificar una estrategia terapéutica
garantiza la precisión y confiabilidad de las traducciones (incluidas, entre otras, las reglamentaciones
diferente.
locales, las pautas clínicas, la terminología, los nombres de los medicamentos y las dosis de los
medicamentos), y no es responsable de ningún error y/o omisiones derivadas de la traducción y

LIMITACIONES adaptación o de otro tipo.

Aunque existen muchas vías para que la IA mejore la evaluación ecocardiográfica Acceso abiertoEste es un artículo de acceso abierto distribuido de acuerdo con la licencia
de la VHD, existen algunas limitaciones para este enfoque.mesa 4). La IA es Creative Commons Attribution Non Commercial (CC BY-NC 4.0), que permite que otros
distribuyan, remezclen, adapten, desarrollen este trabajo sin fines comerciales y licencien sus
sensible a la calidad de los datos y los datos valvulares pueden ser un desafío ya
trabajos derivados en diferentes términos, siempre que se cite correctamente el trabajo
que los componentes son móviles y las imágenes son propensas al ruido y los original, se dé el crédito correspondiente, se indiquen los cambios realizados y el uso no sea
artefactos. Por lo tanto, los datos de entrenamiento deben incluir una amplia comercial. Consulte: http://creativecommons.org/licenses/by-nc/4.0/.
variedad de imágenes de calidad variable para desarrollar soluciones de IA
identificación ORCID
implementables. Los modelos de IA pueden tener una complejidad de modelo
Wendy Tsanghttp://orcid.org/0000-0003-2356-4805
significativa, convirtiéndolo en una "caja negra" e ininterpretable para el usuario.
Medidas como los mapas de prominencia, que muestran qué partes de las
REFERENCIAS
imágenes se analizan para su clasificación, pueden ayudar al usuario a
1 Chen J, Li W, Xiang M. Carga de enfermedad cardíaca valvular, 1990-2017: resultados del estudio
comprender cómo funciona el algoritmo.43La implementación generalizada de IA de carga global de enfermedad 2017.J Glob Salud2020;10:020404.
también se ha visto limitada por cuestiones relacionadas con la privacidad y el 2 Donal E, Muraru D, Badano L. Inteligencia artificial y la promesa de edificar
consentimiento del paciente, sesgos algorítmicos que podrían causar ecocardiografíaCorazón2021;107:523–4.
3 Virnig BA SN, O'Donnell B. Tendencias en el uso de ecocardiografía, 2007 a 2011: Puntos de datos
#20. Serie de publicaciones de puntos de datos [Internet]. Rockville (MD): Agency for Healthcare
Research and Quality (EE. UU.), 2011. Disponible: https://www.ncbi.nlm.nih. gov/books/

Tabla 4Limitaciones en la ecografía que dificultan la NBK208663/ [Consultado el 13 de mayo de 2014].

4 Blecker S, Bhatia RS, usted JJ,et al.Tendencias temporales en la utilización de la
implementación de la inteligencia artificial en la valvulopatía
ecocardiografía en Ontario, 2001 a 2009.Imágenes cardiovasculares JACC
Calidad de la imagen Ruido moteado,artefacto. 2013;6:515–22.

Cuadros por segundo Velocidades de fotogramas bajas, fotogramas irregulares que dan como resultado un movimiento rápido e
5 Thoenes M, Bramlage P, Zamorano P,et al.Cribado de pacientes para la detección temprana de
estenosis aórtica (AS): revisión de la práctica actual y perspectivas futuras.Enfermedad torácica
irregular de las valvas de la válvula.
J 2018;10:5584–94.
ecogenicidad Falta de características para discriminar la válvula cardíaca del
6 Papolos A, Narula J, Bavishi C,et al.US Hospital uso de la ecocardiografía: conocimientos de la
miocardio adyacente, que tienen una intensidad y textura similares.
muestra de pacientes hospitalizados a nivel nacional.J Am Coll Cardiol2016;67:502–11.

1598 Nedadur R,et al. Corazón2022;108:1592–1599. doi:10.1136/heartjnl-2021-319725

 Revisar

7 Zoghbi WA, Adams D, Bonow RO,et al.Recomendaciones para la evaluación no 27 Fátima H, Mahmood F, Sehgal S,et al.Inteligencia artificial para el análisis
invasiva de la regurgitación valvular nativa: un informe de la Sociedad Americana de ecocardiográfico dinámico de la válvula tricúspide: una nueva herramienta en

Corazón: publicado por primera vez como 10.1136/heartjnl-2021-319725 el 10 de febrero de 2022. Descargado dehttp://heart.bmj.com/el 17 de abril de 2023 por invitado. Protegido por derechos de autor.
ecocardiografía desarrollado en colaboración con la Sociedad de resonancia ecocardiografía.J Cardiothorac Vasc Anesth2020;34:2703–6.

magnética cardiovascular.J Am Soc Ecocardiograma2017;30:303–71. 28 Costa E MN, Sultán MS,et al.Segmentación de valvas mitrales en ecocardiografía
8 Baumgartner H, Hung J, Bermejo J,et al.Recomendaciones sobre la evaluación ecocardiográfica de mediante redes neuronales convolucionales.IEEE Port Meet Bioeng ENBENG 2019 Proc
la estenosis de la válvula aórtica: una actualización enfocada de la Asociación Europea de Imágenes 2019: 1–4.

Cardiovasculares y la Sociedad Americana de Ecocardiografía.J Am Soc Ecocardiograma 29 Andreassen BS, Veronesi F, Gerard O,et al.Segmentación del anillo mitral mediante aprendizaje
profundo en ecocardiografía transesofágica tridimensional.Informe de salud IEEE J Biomed
2017;30:372–92.
2020;24:994–1003.
9 Otto CM, Nishimura RA, Bonow RO,et al.Guía ACC/AHA 2020 para el manejo de pacientes
con enfermedad cardíaca valvular: un informe del Comité conjunto del Colegio Americano
30 Gosling AF, Thalappillil R, Ortoleva J,et al.Trazado automatizado del perfil Doppler
espectral. J Cardiothorac Vasc Anesth2020;34:72–6.
de Cardiología/Asociación Americana del Corazón sobre guías de práctica clínica.
31 Nolan MT, Thavendiranathan P. Cuantificación automatizada en ecocardiografía.Imágenes
Circulación2021;143:e72–227.
cardiovasculares JACC2019;12:1073–92.
10 Omar AMS, Krittanawong C, Narula S,et al.Datos ecocardiográficos en la investigación de
32 Kusunose K, Haga A, Abe T,et al.Utilización de inteligencia artificial en
inteligencia artificial: Introducción a los conceptos de Big Data y estados latentes.Imágenes
ecocardiografía.Círculo J2019;83:1623–9.
cardiovasculares JACC2020;13:170–2.
33 Moghaddasi H, Nourian S. Evaluación automática de la gravedad de la regurgitación mitral
11 Zhou J, Du M, Chang S,et al.Inteligencia artificial en ecocardiografía: detección,
basada en características texturales extensas en videos de ecocardiografía 2D.Computación
evaluación funcional y diagnóstico de enfermedades.Ultrasonido Cardiovascular
Biol Med2016;73:47–55.
12 2021;19:29. Nabi W, Bansal A, Xu B. Aplicaciones de inteligencia artificial y enfoques de
34 Martins JFBS, Nascimento ER, Nascimento BR,et al.Hacia el diagnóstico automático de la
aprendizaje automático en ecocardiografía.Ecocardiografía2021;38:982–92.
cardiopatía reumática en exámenes ecocardiográficos a través del aprendizaje profundo
13 Long Q, Ye X, Zhao Q. Inteligencia artificial y automatización en enfermedades valvulares del
basado en video.J Am Med Inform Assoc2021;28:1834–42.
corazón. CARDIO J2020;27:404–20. 35 Vafaeezadeh M, Behnam H, Hosseinsabet A,et al.Un enfoque de aprendizaje profundo para el
14 Samad Z, Minter S, Armadura A,et al.Implementación de un programa de mejora continua de la reconocimiento automático de prótesis de válvula mitral en imágenes ecocardiográficas.
calidad en un laboratorio de ecocardiografía clínica de alto volumen: mejora de la atención a los Computación Biol Med2021;133:104388.
pacientes con estenosis aórtica.Circ Cardiovascular Imaging2016;9. 36 Yoon YE, Kim S, Chang HJ. Inteligencia artificial y ecocardiografía.J Imágenes
15 Narang A, Bae R, Hong H,et al.Utilidad de un algoritmo de aprendizaje profundo para guiar a los cardiovasculares2021;29:193–204.
novatos en la adquisición de ecocardiogramas para uso diagnóstico limitado.JAMA Cardiol 37 Obermeyer Z, Powers B, Vogeli C,et al.Diseccionando el sesgo racial en un algoritmo utilizado
2021;6:624–32. para gestionar la salud de las poblaciones.Ciencia2019;366:447–53.
dieciséis Abdi A.H.et al.Corrección a "Evaluación automática de la calidad de ecocardiogramas utilizando 38 Cocinero NR. Cuantificar el valor añadido de nuevos biomarcadores: cómo y cómo no.
redes neuronales convolucionales: viabilidad en la vista apical de cuatro cámaras".IEEE Trans Med Diagnóstico Prog Res2018; 2:14.
Imaging2017;36. 39 Wojnarski CM, Roselli EE, Idrees JJ,et al.Clasificación fenotípica de aprendizaje automático de la
17 Uretsky S, Gillam L, Lang R,et al.Discordancia entre la ecocardiografía y la resonancia magnética en aortopatía bicúspide.J Thorac Cirugía Cardiovasc2018;155:461–9. Casaclang-Verzosa G, Shrestha S,
la evaluación de la gravedad de la regurgitación mitral: un ensayo multicéntrico prospectivo.J Am 40 Khalil MJ,et al.Tomografía en red para comprender las presentaciones fenotípicas en la estenosis

Coll Cardiol2015;65:1078–88. aórtica.Imágenes cardiovasculares JACC 2019;12:236–48.

18 Nascimento BR, Meirelles ALS, Meira W,et al.Aprendizaje profundo por computadora para la
identificación automática de vistas ecocardiográficas aplicadas para la detección de 41 Sengupta PP, Shrestha S, Kagiyama N,et al.Un marco de aprendizaje automático para

enfermedades reumáticas del corazón: datos del estudio ATMOSPHERE-PROVAR.J Am Coll identificar fenotipos distintos de la gravedad de la estenosis aórtica.Imágenes

Cardiol 2019;73:1611. cardiovasculares JACC 2021;14:1707–20.

19 Chandra V, Sarkar PG, Singh V. Seguimiento de la hoja de la válvula mitral en ecocardiografía con Yolo3
42 Kwak S, Lee Y, Ko T,et al.El análisis de conglomerados no supervisado de pacientes con estenosis
aórtica revela una población distinta con diferentes fenotipos y resultados.Circ Cardiovascular
personalizado.Procedia Computación Ciencia2020;171:820–8.
Imaging2020;13:e009707.
20 Lang RM, Addetia K, Miyoshi T,et al.Uso del aprendizaje automático para mejorar el flujo de trabajo de

interpretación de imágenes ecocardiográficas: ¿un cambio de paradigma disruptivo?J Am Soc

43 Ghassemi M, Oakden-Rayner L, Beam AL. La falsa esperanza de los enfoques actuales de
inteligencia artificial explicable en el cuidado de la salud.Salud del dedo lanceta2021;3:e745–50.
Ecocardiograma2021;34:443–5.
44 Shaw J, Rudzicz F, Jamieson T,et al.La inteligencia artificial y el desafío de su implementación.J Med
21 Madani A, Arnaout R, Mofrad M,et al.Clasificación de vista rápida y precisa de ecocardiogramas
Internet Res2019;21:e13659.
mediante aprendizaje profundo.NPJ Dígito Med2018;1. doi:10.1038/s41746-017-0013-1. [Epub
45 Li RC, Asch SM, Shah NH. Desarrollar una ciencia de entrega para la inteligencia artificial en el cuidado de
antes de la impresión: 21 de marzo de 2018].
la salud.NPJ Dígito Med2020;3:107.
22 Zhang J, Gajjala S, Agrawal P,et al.Interpretación totalmente automatizada de ecocardiogramas en
46 Asch FM, Mor-Avi V, Rubenson D,et al.Cuantificación ecocardiográfica automatizada basada en aprendizaje
la práctica clínica.Circulación2018;138:1623–35.
profundo de la fracción de eyección del ventrículo izquierdo: una solución en el punto de atención.Circ
23 Salte IM, Østvik A, Smistad E,et al.Inteligencia Artificial para la Medición Automática del Strain
Cardiovascular Imaging2021;14:e012293.
Ventricular Izquierdo en Ecocardiografía.Imágenes cardiovasculares JACC 2021;14:1918–28.
47 Stewart JE, Goudie A, Mukherjee A,et al.Ecocardiografía mejorada con
inteligencia artificial en el servicio de urgencias.Emerg Med Australas
24 Asch FM, Poilvert N, Abraham T,et al.Cuantificación ecocardiográfica automatizada de la
2021;33:1117–20.
fracción de eyección del ventrículo izquierdo sin mediciones de volumen utilizando un 48 Lamprea-Montealegre JA, Oyetunji S, Bagur R,et al.Enfermedad cardíaca valvular en relación con la
algoritmo de aprendizaje automático que imita a un experto humano.Circ Cardiovascular raza y el origen étnico: seminario de enfoque JACC 4/9.J Am Coll Cardiol2021;78:2493–504.
Imaging 2019;12:e009303. 49 Blanquer IA-B, Castro Ángel, García-Teodoro Fabio. Antonio, Arquitectura de procesamiento de
25 Thalappillil R, Datta P, Datta S,et al.Inteligencia artificial para la medición del anillo imágenes médicas en la plataforma federada ATMOSPHERE. En:Sesión especial de IWFCC sobre
valvular aórtico.J Cardiothorac Vasc Anesth2020;34:65–71. Federación en infraestructura de nube y contenedores,2019: 589–94. Corinzia L, Laumer F,
26 Jeganathan J, Knio Z, Amador Y,et al.Inteligencia artificial en el análisis de la válvula mitral. Ann 50 Candreva A,et al.Filtrado colaborativo neuronal para la segmentación de la válvula mitral no
Card Anaesth2017;20:129–34. supervisada en ecocardiografía.Artif Intel Med2020;110:101975.

Nedadur R,et al. Corazón2022;108:1592–1599. doi:10.1136/heartjnl-2021-319725 1599