Aprendizaje profundo

May 02, 2023

Communications Medicine volumen 3, Número de artículo: 73 (2023) Citar este artículo

1823 Accesos

1 Citas

39 Altmetric

Detalles de métricas

La enfermedad renal crónica (ERC) no diagnosticada es un trastorno común y generalmente asintomático que causa una alta carga de morbilidad y mortalidad temprana en todo el mundo. Desarrollamos un modelo de aprendizaje profundo para la detección de ERC a partir de ECG adquiridos de forma rutinaria.

Recopilamos datos de una cohorte primaria con 111 370 pacientes que tenían 247 655 ECG entre 2005 y 2019. Usando estos datos, desarrollamos, capacitamos, validamos y probamos un modelo de aprendizaje profundo para predecir si se tomó un ECG dentro del año posterior a la recepción del paciente. un diagnóstico de ERC. El modelo se validó adicionalmente utilizando una cohorte externa de otro sistema de salud que tenía 312 145 pacientes con 896 620 ECG entre 2005 y 2018.

Usando formas de onda de ECG de 12 derivaciones, nuestro algoritmo de aprendizaje profundo logra la discriminación de la ERC de cualquier etapa con un AUC de 0,767 (IC del 95 %: 0,760–0,773) en un conjunto de prueba retenido y un AUC de 0,709 (0,708–0,710) en el cohorte externa. El rendimiento de nuestro modelo basado en ECG de 12 derivaciones es consistente en toda la gravedad de la ERC, con un AUC de 0,753 (0,735–0,770) para la ERC leve, AUC de 0,759 (0,750–0,767) para la ERC moderada-grave y un AUC de 0,783 (0.773–0.793) para ESRD. En pacientes menores de 60 años, nuestro modelo logra un alto rendimiento en la detección de ERC en cualquier estadio con forma de onda de ECG de 12 derivaciones (AUC 0,843 [0,836–0,852]) y de 1 derivación (0,824 [0,815–0,832]).

Nuestro algoritmo de aprendizaje profundo puede detectar la ERC mediante formas de onda de ECG, con un mejor rendimiento en pacientes más jóvenes y etapas de ERC más graves. Este algoritmo de ECG tiene el potencial de aumentar la detección de ERC.

La enfermedad renal crónica (ERC) es una condición común que involucra la pérdida de la función renal con el tiempo y resulta en un número sustancial de muertes. Sin embargo, la ERC a menudo no presenta síntomas durante sus primeras etapas. Para detectar la ERC antes, desarrollamos un enfoque computacional para la detección de la ERC utilizando electrocardiogramas (ECG) adquiridos de forma rutinaria, una prueba barata, rápida, no invasiva y comúnmente obtenida de la actividad eléctrica del corazón. Nuestro modelo logró una buena precisión en la identificación de cualquier etapa de la ERC, con una precisión especialmente alta en pacientes más jóvenes y etapas más graves de la ERC. Dada la alta carga global de ERC no diagnosticada, las estrategias de detección de ERC novedosas y accesibles tienen el potencial de ayudar a prevenir la progresión de la enfermedad y reducir las muertes prematuras relacionadas con la ERC.

Casi 700 millones de personas en todo el mundo tienen enfermedad renal crónica (ERC), una causa importante pero a menudo no reconocida de morbilidad y mortalidad temprana1. La presentación inicial de la ERC suele ser asintomática y sin manifestaciones clínicas manifiestas, especialmente en las primeras etapas de la enfermedad. Recientemente, el Estudio de Carga Global de Enfermedades, Lesiones y Factores de Riesgo (GBD, por sus siglas en inglés) estimó que la ERC representa el 4,6 % de la mortalidad total en todo el mundo, con un aumento del 41,5 % entre 1990 y 20171. la carga de morbilidad2,3. La detección temprana puede potencialmente cambiar la trayectoria de la enfermedad. Las causas más comunes de ERC, como la hipertensión y la diabetes, pueden ser reversibles o tratables, y el diagnóstico precoz es crucial para evitar la terapia de reemplazo renal4,5. Existen pocos métodos para detectar la ERC de forma económica o no invasiva, y las calculadoras de riesgo convencionales carecen de especificidad y requieren pruebas de laboratorio tanto en suero como en orina6.

Los electrocardiogramas (ECG) son pruebas de diagnóstico económicas, no invasivas, ampliamente disponibles y rápidas que se obtienen con frecuencia durante las visitas de rutina, antes del ejercicio, durante la evaluación preoperatoria y para pacientes con mayor riesgo de enfermedad cardiovascular. Los algoritmos de aprendizaje profundo (DLA) se han aplicado recientemente a imágenes médicas y datos clínicos para lograr una alta precisión y para identificar información adicional más allá de la interpretación de expertos humanos7,8. El análisis de aprendizaje profundo de las formas de onda de ECG ha tenido un rendimiento potencialmente prometedor en el pronóstico de resultados9, la identificación de enfermedades subclínicas10,11 y la identificación de fenotipos sistémicos que tradicionalmente no se asocian con los ECG12,13. Dado el éxito previo en la identificación de arritmias ocultas14,15, disfunción ventricular10, anemia13 y edad12, la DLA aplicada a los ECG de detección podría potencialmente identificar a los pacientes que se beneficiarían de una evaluación adicional de la enfermedad renal.

La alta prevalencia de enfermedad cardiovascular concomitante y los cambios bien establecidos que acompañan a las anomalías electrolíticas sugieren que el ECG también se altera en el contexto de la ERC y que las firmas electrocardiográficas discretas podrían identificarse con técnicas de aprendizaje profundo. Los pacientes con ERC tienen una acumulación desproporcionada de factores de riesgo cardiovascular, como diabetes e hipertensión, además de alteraciones cardiovasculares subclínicas, como hipertrofia ventricular izquierda, fibrosis miocárdica y disfunción diastólica16. No está del todo claro en qué etapa los pacientes con ERC comienzan a desarrollar cambios cardiovasculares manifiestos. Sin embargo, estudios recientes han informado que, además de la enfermedad de las arterias coronarias y la hipertrofia del ventrículo izquierdo, los pacientes con ERC en etapa temprana también pueden tener un aumento de la fibrosis miocárdica difusa en la resonancia magnética cardíaca17. Por lo tanto, es probable que la ERC ya en etapa temprana se asocie con señales de ECG no específicas. Además de la remodelación miocárdica, la ERC se asocia con una variedad de anomalías electrolíticas que también causan anomalías generalizadas en el ECG (p. ej., amplitudes de onda T disminuidas en la hipopotasemia, ondas T de gran amplitud y duración QRS prolongada en la hiperpotasemia y prolongación del intervalo QTc en la hipocalcemia). )18. El trabajo anterior ha demostrado que dichos patrones son detectables en las formas de onda de ECG, lo que contribuye a la detección de hiperpotasemia por AI-ECG, lo que podría aumentar la capacidad de un modelo para detectar la ERC19,20. Sin embargo, dada la relativa poca frecuencia de anomalías manifiestas, probablemente no sea la característica principal analizada para detectar la ERC. Dadas estas observaciones, es posible que la ERC asintomática se presente con alteraciones sutiles del ECG que no son visibles para el ojo humano.

Para superar las limitaciones actuales en la detección de la ERC oculta, diseñamos, entrenamos y validamos un modelo de aprendizaje profundo para predecir la ERC, incluida la enfermedad renal en etapa terminal (ESRD), mediante el análisis de señales de forma de onda de un único cable de 12 y 1 derivación. electrocardiograma Al incorporar tanto información estructurada de diagnósticos médicos como datos de laboratorio, evaluamos la capacidad de nuestro modelo para evaluar todo el espectro de la enfermedad renal. Para evaluar más a fondo nuestro modelo, validamos su desempeño usando los datos correspondientes de un sistema de salud separado.

Identificamos retrospectivamente 64 308 ECG entre 7816 pacientes entre 2005 y 2019 que se vincularon con un diagnóstico de ERC dentro de un período de 1 año en el Centro Médico Cedars-Sinai. También identificamos 183 290 ECG entre 103 554 pacientes entre 2008 y 2019 sin diagnósticos de ERC en ningún momento, que se usaron como controles negativos emparejados. Las cohortes del estudio incluyeron pacientes ambulatorios y hospitalizados. Si a un paciente se le tomaron múltiples ECG dentro del año posterior al diagnóstico de ERC, cada par de ECG-ERC se consideró un caso independiente durante el entrenamiento del modelo, pero solo se usó uno en los conjuntos de datos de prueba. La población de estudio del Centro Médico Cedars-Sinai se dividió aleatoriamente 8:1:1 en cohortes de entrenamiento, validación y prueba por paciente, de modo que los múltiples ECG del mismo paciente se limitaron a una cohorte. Además, identificamos 896 620 ECG entre 312 145 pacientes en Stanford Healthcare entre el 8/2005 y el 6/2018, que se utilizaron para la validación externa (Fig. 1).

Nuestra cohorte primaria consta de 111 370 pacientes y 247 655 ECG entre 2005 y 2019 del Centro Médico Cedars-Sinai. La cohorte primaria se dividió aleatoriamente 8:1:1 en cohortes de entrenamiento, validación y prueba. También utilizamos 896 620 ECG entre 312 145 pacientes en Stanford Healthcare desde el 8/2005 hasta el 6/2018 como cohorte de validación externa. ERC Enfermedad renal crónica.

Los ECG del Centro Médico Cedars-Sinai se obtuvieron del Sistema de información de cardiología MUSE (GE Healthcare), y el modelo usó las formas de onda de ECG originales almacenadas para entrenar el modelo en la predicción de ERC. En la validación externa en la Universidad de Stanford, los ECG se almacenaron mediante el sistema Phillips TraceMaster y se utilizaron de forma independiente como ejemplos de entrada para la validación externa. Los datos de forma de onda de ECG se adquirieron a una frecuencia de muestreo de 500 Hz y se extrajeron como matrices de 10 segundos, 12 × 5000 de valores de amplitud. Los ECG a los que les faltaban derivaciones se excluyeron de la cohorte del estudio. Los datos clínicos asociados a cada paciente se obtuvieron de la historia clínica electrónica. Los datos sobre diagnósticos médicos se extrajeron de los registros de salud electrónicos utilizando los códigos de la edición 9/10 de la Clasificación Internacional de Enfermedades (ICD), que se enumeran en la Tabla complementaria 1. Características demográficas y clínicas (p. ej., edad, sexo, IMC, enfermedad cardiovascular) también se extrajeron de la historia clínica electrónica. Las juntas de revisión institucional de Cedars-Sinai Medical Center y Stanford Healthcare aprobaron el protocolo del estudio (Cedars Protocol 1506 y Stanford Protocol 43721). Se renunció al consentimiento informado para el análisis de datos retrospectivos no identificados.

Diseñamos una red neuronal convolucional para la interpretación de ECG con potencial para la integración de datos clínicos para predecir los resultados primarios de la enfermedad renal crónica y la enfermedad renal en etapa terminal (Fig. 2). El modelo fue entrenado para predecir los resultados con la entrada de un ECG de 12 derivaciones obtenido dentro de 1 año del diagnóstico. Consulte la información complementaria para obtener detalles adicionales sobre la capacitación de modelos. Si el mismo paciente tenía múltiples ECG, cada uno se consideraba un caso independiente. Los modelos se entrenaron utilizando el marco de aprendizaje profundo PyTorch. El modelo se inicializó con pesos aleatorios y se entrenó con una función de pérdida de entropía cruzada binaria durante hasta 100 épocas con un optimizador ADAM y una tasa de aprendizaje inicial de 1e-4. La detención anticipada se realizó en función del área del conjunto de datos de validación bajo la curva operativa del receptor. Se utilizaron explicaciones locales interpretables agnósticas del modelo (LIME)15,21 con 1000 muestras por estudio para identificar características relevantes en la forma de onda de ECG al perturbar aleatoriamente de manera iterativa el 0,5 % de la forma de onda e identificar qué cambios afectaron más el rendimiento del modelo.

Diseñamos una red neuronal convolucional para la interpretación de ECG con potencial para la integración de datos clínicos. El modelo se entrenó para predecir la ERC con la entrada de un ECG de 12 derivaciones en el plazo de 1 año desde el diagnóstico de la ERC. ERC Enfermedad renal crónica.

Todos los análisis se realizaron en el conjunto de datos de prueba retenido, que nunca se vio durante el entrenamiento del modelo. El rendimiento del modelo en la predicción de los resultados primarios se evaluó matemáticamente mediante el área bajo la curva (AUC) de la curva característica operativa del receptor (ROC). Después de la derivación y el entrenamiento del modelo, se realizaron análisis primarios y secundarios en modelos entrenados utilizando la cohorte de prueba retenida. Los análisis de sensibilidad secundarios se limitaron a los procedimientos realizados en pacientes con diabetes, hipertensión, sexo masculino y edad mayor o menor de 60 años. Calculamos los intervalos de confianza del 95 % de dos colas utilizando 1000 muestras de arranque para cada cálculo. El análisis estadístico se realizó en R y Python.

Más información sobre el diseño de la investigación está disponible en el Resumen de informes de Nature Portfolio vinculado a este artículo.

En total, identificamos a 17 860 pacientes con diagnóstico de ERC en el Centro Médico Cedars-Sinai (7,8 % de la muestra total de pacientes), entre los cuales a 7816 se les tomó un ECG dentro de un período de 1 año desde el diagnóstico de ERC. Nuestra cohorte primaria constaba de un total de 247 655 ECG, de los cuales 221 974 se asignaron aleatoriamente al conjunto de entrenamiento (tanto para entrenamiento como para validación) y 25 681 al conjunto de prueba. De los ECG de la cohorte primaria, el 74,3 % no tenía una estimación de la creatinina sérica o la TFGe en un plazo de 30 días y el 50,7 % de los ECG no tenía una estimación de la creatinina sérica o la TFGe en ningún punto del EHR, sin embargo, esto no captura los registros de laboratorio fuera del hospital o de la clínica en papel. pruebas que podrían haberse utilizado en el diagnóstico de la ERC. La edad media de la cohorte primaria fue de 61,3 ± 19,7 años y el 48% eran mujeres. Las características demográficas y clínicas se presentan en la Tabla 1. Las características demográficas y clínicas según el grupo de edad se presentan en la Tabla complementaria 2.

Nuestro modelo basado en ECG de 12 derivaciones logró la discriminación de cualquier estadio de la ERC con un AUC de 0,767 (IC del 95 %: 0,76–0,773). El rendimiento del modelo fue consistente en todo el rango de estadios de ERC, con nuestro modelo logrando un AUC de 0,753 (0,735–0,770) para discriminar ERC leve, AUC de 0,759 (0,750–0,767) para discriminar ERC moderada-grave y AUC de 0,783 ( 0.773–0.793) en la discriminación de ESRD. En todos los casos, los ejemplos negativos se definieron como ECG sin diagnóstico de ERC.

Dada la mayor prevalencia de las tecnologías portátiles, en particular los dispositivos que incluyen información de ECG de una sola derivación, entrenamos un modelo de aprendizaje profundo adicional con información de ECG de una sola derivación para simular el rendimiento del DLA con información portátil de una sola derivación. Con datos de forma de onda de ECG de 1 derivación, DLA logró un AUC de 0,744 (0,737–0,751) en la detección de ERC en cualquier estadio, con una sensibilidad y especificidad de 0,723 (0,723–0,723) y 0,643 (0,643–0,643), respectivamente.

Dado que la detección temprana de la ERC es crucial para prevenir la progresión de la enfermedad y las complicaciones en la vejez, probamos el rendimiento de nuestro modelo en pacientes más jóvenes (<60 años). Los DLA basados ​​en ECG de 12 y 1 derivación pudieron detectar la ERC en cualquier estadio con AUC de 0,843 (0,836–0,852) y 0,824 (0,815–0,832) en pacientes menores de 60 años, respectivamente.

También probamos el rendimiento de nuestro modelo por separado entre pacientes diabéticos, hipertensos y mayores, que generalmente se consideran subgrupos de alto riesgo. El modelo basado en 12 derivaciones detectó ERC con un AUC de 0,747 (0,707–0,783) entre pacientes diabéticos, un AUC de 0,711 (0,696–0,725) entre pacientes con hipertensión y un AUC de 0,706 (0,697–0,716) entre pacientes mayores de 60 años. años. Cuando el modelo se entrenó con forma de onda de ECG de 12 derivaciones, edad, sexo, diabetes e hipertensión, el modelo logró una discriminación similar de cualquier estadio de ERC en el conjunto de pruebas prolongadas con un AUC de 0,79 (0,781–0,798). Los resultados detallados del rendimiento de DLA basado en ECG de 1 y 12 derivaciones en el conjunto de prueba retenido se presentan en las Tablas 2 y 3, mientras que las curvas AUC se ilustran en la Fig. 1 complementaria.

El modelo se desempeñó de manera similar en la detección de ERC en poblaciones de subconjuntos de pacientes con albuminuria, pacientes con pruebas de laboratorio correspondientes y eGFR documentada, y en pacientes ambulatorios y hospitalarios (Tabla complementaria 3). En pacientes con diagnóstico de ERC y FGe estimado en menos de 60 ml/min, el AUC fue de 0,754 (0,737–0,771), y este rendimiento fue similar en pacientes con hiperpotasemia con un AUC de 0,741 (0,698–0,787) y sin hiperpotasemia con un AUC de 0,758 (0,747-0,768). El modelo también funcionó bien en pacientes con albuminuria conocida, con un AUC de 0,734 (0,723–0,745) y tuvo un rendimiento similar independientemente de la proporción de positivo a negativo en el conjunto de entrenamiento (Tabla complementaria 4).

Para comprender las características clave de relevancia para que nuestro modelo de aprendizaje profundo pueda detectar la ERC, realizamos dos conjuntos de experimentos para evaluar los parámetros de ECG que son importantes para identificar la ERC. Encontramos diferencias estadísticamente significativas en todas las variables de ECG disponibles (frecuencia cardíaca, intervalo PR, duración de la onda P, duración del QRS, intervalo QTc, eje de la onda P, eje de la onda R, eje de la onda T) entre las etapas de la ERC (Tabla complementaria 5) .

En segundo lugar, usamos LIME para identificar qué segmentos de ECG se usaron particularmente en la identificación de la ERC. La Fig. 2 complementaria muestra ejemplos de segmentos de ECG resaltados por LIME en formas de onda de ECG de 1 y 12 derivaciones tomadas de pacientes con ERC correctamente reconocidos y de control sanos en el conjunto de prueba retenido. En ambos ejemplos, las funciones de ECG resaltadas por LIME se centraron principalmente en los complejos QRS y los intervalos PR. Además, los complejos QRS y los intervalos PR en las derivaciones de las extremidades se destacaron con mayor frecuencia, lo que podría indicar alteraciones electrofisiológicas asociadas con la ERC.

La cohorte de validación externa consistió en un total de 896.620 ECG entre 312.145 pacientes. La prevalencia de ERC leve fue del 1,2%, mientras que el 3,6% presentó ERC moderada-grave y el 0,9% ERT. La edad media de la cohorte de validación externa fue de 56,7 ± 18,7 años y el 50,4 % eran mujeres. La proporción de caucásicos fue del 47,5%, mientras que el 3,6% eran negros, el 12,3% eran asiáticos y el 36,6% eran de otra raza o desconocida. Las características demográficas y clínicas se presentan en la Tabla 1.

En el conjunto de datos de validación externa, el rendimiento de nuestros modelos de 1 y 12 derivaciones fue comparable al de la cohorte principal. El modelo basado en ECG de 12 derivaciones logró un AUC de 0,709 (0,708-0,710) al discriminar cualquier estadio de ERC. El modelo basado en ECG de 1 derivación detectó cualquier estadio de la ERC con un AUC de 0,701 (0,700–0,702).

En consonancia con la cohorte primaria en la que nuestro modelo logró una mayor precisión de detección de ERC entre pacientes más jóvenes, los modelos basados ​​en ECG de 1 y 12 derivaciones lograron AUC de 0,784 (0,782–0,786) y 0,777 (0,775–0,779) en la detección de ERC en cualquier etapa entre los sujetos menores de 60 años, respectivamente. Los resultados detallados del rendimiento de DLA basado en ECG de 1 y 12 derivaciones en la cohorte de validación externa se presentan en las tablas complementarias 6 y 7.

En el presente estudio, investigamos el rendimiento de un modelo de aprendizaje profundo para detectar la ERC utilizando formas de onda de ECG. Nuestro modelo basado en ECG de 12 derivaciones tuvo una buena precisión en la identificación de cualquier etapa de la ERC y una mayor precisión en la detección de la ERC en pacientes menores de 60 años. La precisión también mejoró junto con el empeoramiento de la etapa de ERC. Estos resultados fueron validados en un sistema de salud separado, que también mostró una buena precisión de discriminación para la presencia de ERC en cualquier estadio en toda la población del estudio y una mayor precisión de discriminación entre los pacientes menores de 60 años. Si bien los ECG de 12 derivaciones están ampliamente disponibles en los entornos de las unidades de atención médica, la rápida adopción de la tecnología portátil también ha presentado oportunidades para la recopilación de datos a gran escala fuera de los entornos formales de atención médica. Nuestro DLA basado en ECG de 1 derivación mostró una buena precisión de discriminación para la ERC en pacientes jóvenes, lo que sugiere que la inteligencia artificial puede tener un potencial significativo en la detección a gran escala en esta población de pacientes. Los ECG de una derivación también podrían aumentar las tasas de detección en pacientes de alto riesgo (Figuras complementarias 3 y 4). Sin embargo, la integración de la inteligencia artificial en dispositivos electrónicos requiere una evaluación más detallada de la precisión en un entorno de la vida real.

El bajo conocimiento de la ERC y las limitaciones en las medidas de detección actuales resaltan la urgencia de nuevas estrategias de detección para aumentar las tasas de detección de la ERC en etapa temprana. Al ser no invasivos y a menudo obtenidos en la clínica, los ECG suelen ser la primera línea de evaluación clínica. En nuestro sistema de salud, el 74% de los ECG obtenidos no tenían pruebas de laboratorio de función renal dentro de los 30 días. Estudios previos han demostrado que la rentabilidad del cribado de la ERC depende en gran medida del perfil de factores de riesgo del paciente y de la probabilidad de ERC, y se ha debatido si el cribado de la ERC debe estar dirigido solo a pacientes de alto riesgo o también extenderse a pacientes sin riesgo. factores para la ERC22,23,24,25. Si bien las pautas recomiendan la detección de pacientes de alto riesgo, las tasas de prueba siguen siendo bajas, ya que solo alrededor del 20% de los pacientes de alto riesgo reciben la evaluación recomendada por las pautas en los EE. UU.26. En consecuencia, es probable que la mayoría de los pacientes de alto riesgo desconozcan la ERC subyacente2,3. Además, una proporción sustancial de todos los pacientes con ERC no son pacientes de alto riesgo y, por lo tanto, no se recomienda que se realicen exámenes de detección con regularidad, lo que destaca aún más la necesidad de nuevos métodos de detección.

Nuestro modelo se desempeñó mejor en la detección de ERC en pacientes más jóvenes, mientras que la precisión de detección fue menor en pacientes mayores y de alto riesgo. Las razones de esta observación no están del todo claras, pero pueden deberse al hecho de que los pacientes más jóvenes en general tienen menos comorbilidades, lo que significa que cualquier anomalía detectada en el ECG puede ser especialmente significativa y específica. Aunque la edad avanzada es un marcador de riesgo bien conocido para la ERC, la prevalencia de la ERC en pacientes más jóvenes también es notablemente alta en los EE. UU. (8-10 % en <65 años)3. Sorprendentemente, sin embargo, la conciencia de la ERC subyacente también es muy baja en los pacientes más jóvenes, ya que solo alrededor del 8% son conscientes de la enfermedad3. Dada la disponibilidad de tratamientos efectivos para la ERC de bajo riesgo y la reversibilidad de la ERC, existen importantes beneficios potenciales para detectar y tratar la ERC, especialmente en los jóvenes. Un artículo reciente de Kwon et al.27 también usó datos de formas de onda de ECG además de edad y sexo para desarrollar un DLA para detectar cambios en eGFR, que puede incluir tanto pacientes con lesión renal aguda (p. ej., deshidratación, farmacoterapia, obstrucción del tracto urinario ) así como la enfermedad renal crónica. Su modelo logró un rendimiento ligeramente superior con un AUC de 0,86 a 0,91; sin embargo, reafirma la conclusión general de que la ERC puede detectar anomalías renales en grandes cohortes en múltiples sitios internacionales.

Los puntos fuertes de nuestro estudio incluyen la gran cohorte de pacientes que se sometieron a registros de ECG durante una década y el uso de arquitecturas de aprendizaje profundo de última generación. También usamos dos enfoques separados para comprender las características clave de relevancia para nuestro modelo de aprendizaje profundo. Mientras que estudios previos informaron que los pacientes con ERC tienen altas tasas de anomalías de la onda P, intervalo PR prolongado, prolongación del intervalo QTc, dispersión del intervalo QT e hipertrofia del ventrículo izquierdo28,29,30,31, en el presente estudio, la ERC se asoció con P-, Ejes de ondas R y T, además de intervalos QRS, PR y QTc prolongados. Sin embargo, algunas limitaciones merecen consideración. Nuestro estudio es retrospectivo y las poblaciones de estudio se derivan de dos grandes centros médicos académicos situados en áreas metropolitanas urbanas densas que utilizan códigos ICD-9. Al priorizar los códigos de prioridad, buscamos evitar incidencias de lesión renal aguda en lugar de crónica; sin embargo, no podemos excluir la posibilidad de que algunos de los sujetos del estudio sin diagnóstico de ERC en los registros de salud electrónicos tengan una enfermedad no diagnosticada, ya que la ERC en etapa especialmente leve a menudo puede no ser diagnosticada, particularmente usando una adjudicación basada en el código ICD9. En el subconjunto con la adjudicación del código ICD-9 de la ERC y las pruebas de laboratorio, los códigos ICD-9 fueron consistentes con la eGFR calculada, sin embargo, solo una minoría de pacientes pudo vincularse con datos relacionados con la microalbuminuria.

Se requiere validación en cohortes prospectivas de población general en entornos ambulatorios para confirmar la capacidad de un DLA basado en ECG para reconocer pacientes con ERC. Aunque la prevalencia de CKD fue baja en nuestra cohorte de entrenamiento con ECG, y esta prevalencia no es directamente comparable con las cohortes epidemiológicas con CKD (ya que los ECG se obtienen más comúnmente en pacientes sin CKD), mostramos que nuestras definiciones de enfermedad son consistentes con las pruebas de laboratorio y eGFR documentado (Tabla complementaria 8) y que nuestro enfoque de aprendizaje profundo es relativamente insensible en la precisión del modelo a la prevalencia de la enfermedad en el conjunto de entrenamiento (Tabla complementaria 4). La prevalencia del diagnóstico de hipertensión puede estar subestimada en la cohorte interna, sin embargo, nuestro modelo funcionó de manera similar en las cohortes de prueba internas y externas con diferentes prevalencias de hipertensión.

Para 2030, los Objetivos de Desarrollo Sostenible de la ONU son reducir en un tercio la mortalidad prematura relacionada con enfermedades no transmisibles. Dada la alta prevalencia de la ERC asintomática, las graves consecuencias de la enfermedad no tratada, la presencia de un tratamiento eficaz de bajo riesgo y el estado preclínico detectable con pruebas de diagnóstico simples y de bajo costo, la ERC representa un buen objetivo para la detección de la población a gran escala y alberga el potencial para reducir Mortalidad prematura relacionada con enfermedades no transmisibles. Además de la alta mortalidad y morbilidad por ERC, los costos del tratamiento de la ERC también son altos y se han incrementado durante las últimas décadas32. Especialmente, el creciente número de pacientes que requieren reemplazo renal crea desafíos para los sistemas de salud en todo el mundo, y la escasez de suficientes servicios de reemplazo puede causar al menos 2 millones de muertes prematuras al año33. Por lo tanto, las estrategias de prevención y manejo de la ERC ampliamente disponibles, económicas y efectivas están garantizadas para permitir la igualdad de oportunidades en la reducción de los años de vida ajustados por discapacidad relacionados con la ERC.

Nuestro modelo de aprendizaje profundo basado en ECG pudo detectar la ERC con buena precisión de discriminación en múltiples poblaciones de estudio y con una precisión particularmente alta en pacientes menores de 60 años. Estos resultados sugieren que el análisis de ECG basado en el aprendizaje profundo puede proporcionar un valor adicional en la detección de varias etapas de la ERC, especialmente en pacientes más jóvenes. La importancia clínica de este estudio radica en la mejora potencial de los métodos de detección para la detección temprana de la ERC, que es crucial para permitir el tratamiento temprano y prevenir la progresión de la enfermedad.

Todos los métodos analíticos aplicados para el algoritmo de aprendizaje profundo se incluyen en este artículo publicado, archivos complementarios. Los datos del paciente no están disponibles públicamente debido a la naturaleza potencialmente identificable de los datos asociados. Los datos anonimizados están disponibles del autor correspondiente a pedido razonable.

El código está disponible en https://github.com/ecg-net/CKDscreening34.

Colaboración GBDCKD. Carga global, regional y nacional de enfermedad renal crónica, 1990-2017: un análisis sistemático para el Estudio de carga global de enfermedad 2017. Lancet. 395, 709–733 (2020).

Artículo Google Académico

Chu, CD et al. Centros para la enfermedad C y la prevención de la vigilancia de la enfermedad renal crónica T. Concientización sobre la ERC entre los adultos de EE. UU. por el riesgo futuro de insuficiencia renal. Soy. J. enfermedad renal. 76, 174–183 (2020).

Artículo PubMed PubMed Central Google Académico

Dharmarajan, SH et al. Centros de enfermedad C y prevención CKDSS. conciencia a nivel estatal de la enfermedad renal crónica en los EE.UU. Am. J. anterior Medicina. 53, 300–307 (2017).

Artículo PubMed PubMed Central Google Académico

Pronóstico de la enfermedad renal crónica, C. et al. Asociación de la tasa de filtración glomerular estimada y la albuminuria con todas las causas y mortalidad cardiovascular en cohortes de población general: un metanálisis colaborativo. Lanceta. 375, 2073–2081 (2010).

Artículo Google Académico

Gerstein, HC et al. e Investigadores HS. Albuminuria y riesgo de eventos cardiovasculares, muerte e insuficiencia cardíaca en personas diabéticas y no diabéticas. JAMA. 286, 421–426 (2001).

Artículo CAS PubMed Google Académico

Bang, H. et al. SCreening for Occult REnal Disease (SCORED): un modelo de predicción simple para la enfermedad renal crónica. Arch Intern Med 167, 374–381 (2007).

Artículo PubMed Google Académico

McKinney, SM et al. Evaluación internacional de un sistema de IA para el cribado del cáncer de mama. Naturaleza. 577, 89–94 (2020).

Artículo CAS PubMed Google Académico

Ouyang, D. et al. IA basada en video para la evaluación latido a latido de la función cardíaca. Naturaleza. 580, 252–256 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Raghunath, S. et al. Predicción de mortalidad a partir de datos de voltaje de electrocardiograma de 12 derivaciones utilizando una red neuronal profunda. Nat. Medicina. 26, 886–891 (2020).

Artículo CAS PubMed Google Académico

Attia, ZI et al. Detección de disfunción contráctil cardíaca mediante un electrocardiograma habilitado por inteligencia artificial. Nat. Medicina. 25, 70–74 (2019).

Artículo CAS PubMed Google Académico

Kwon, JM et al. Comparación del rendimiento de la inteligencia artificial y los criterios de diagnóstico convencionales para detectar la hipertrofia ventricular izquierda mediante electrocardiografía. Europace 22, 412–419 (2020).

Artículo PubMed Google Académico

Attia, ZI et al. Estimación de edad y sexo utilizando inteligencia artificial a partir de ECG estándar de 12 derivaciones. Circ. Electrofisiología de arritmias. 12, e007284 (2019).

Artículo PubMed PubMed Central Google Académico

Kwon, JM et al. Un algoritmo de aprendizaje profundo para detectar anemia con ECG: un estudio multicéntrico retrospectivo. Lancet Digit Health 2, e358–e367 (2020).

Artículo PubMed Google Académico

Attia, ZI et al. Un algoritmo de ECG habilitado por inteligencia artificial para la identificación de pacientes con fibrilación auricular durante el ritmo sinusal: un análisis retrospectivo de la predicción de resultados. Lanceta. 394, 861–867 (2019).

Artículo PubMed Google Académico

Hughes, JW et al. Desempeño de una red neuronal convolucional y técnica de explicabilidad para la interpretación de electrocardiogramas de 12 derivaciones. JAMA Cardiol. 6, 1285–1295 (2021).

Artículo PubMed PubMed Central Google Académico

Jankowski, J., Floege, J., Fliser, D., Bohm, M. & Marx, N. Enfermedad cardiovascular en la enfermedad renal crónica: conocimientos fisiopatológicos y opciones terapéuticas. Circulación. 143, 1157–1172 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Hayer, MK et al. Definición de anomalías miocárdicas en las etapas de la enfermedad renal crónica: un estudio de resonancia magnética cardíaca. JACC Cardiovascular. Imágenes 13, 2357–2367 (2020).

Artículo PubMed PubMed Central Google Académico

Diercks, DB, Shumaik, GM, Harrigan, RA, Brady, WJ & Chan, TC Manifestaciones electrocardiográficas: anomalías electrolíticas. J.Emerg. Medicina. 27, 153–160 (2004).

Artículo PubMed Google Académico

Galloway, CD et al. Desarrollo y validación de un modelo de aprendizaje profundo para detectar hiperpotasemia a partir del electrocardiograma. JAMA Cardiol. 4, 428–436 (2019).

Artículo PubMed PubMed Central Google Académico

Urtnasan, E. et al. Herramienta de detección no invasiva para la hiperpotasemia mediante un electrocardiograma de una sola derivación y aprendizaje profundo: estudio de desarrollo y usabilidad. JMIR Med. Informar. 10, e34724 (2022).

Artículo PubMed PubMed Central Google Académico

Ribeiro MT, Singh S & Guestrin C. "¿Por qué debería confiar en ti?": Explicando las predicciones de cualquier clasificador. Ponencia presentada en: Actas de la 22ª Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos; 2016; San Francisco, California, Estados Unidos.

Berns, JS El cribado de rutina para la ERC debe realizarse en adultos asintomáticos... de forma selectiva. clin. Mermelada. Soc. nefrol. 9, 1988–1992 (2014).

Artículo PubMed PubMed Central Google Académico

Komenda, P. et al. Rentabilidad del cribado primario de la ERC: una revisión sistemática. Soy. J. enfermedad renal. 63, 789–797 (2014).

Artículo PubMed Google Académico

Moyer, VA, Fuerza USPST. Detección de enfermedad renal crónica: declaración de recomendación del Grupo de trabajo de servicios preventivos de EE. UU. Ana. Interno. Med 157, 567–570 (2012).

Artículo PubMed Google Académico

Qaseem, A., Hopkins, RH Jr, Sweet, DE, Starkey, M. y Shekelle, P. y Clinical Guidelines Committee of the American College of P. Detección, seguimiento y tratamiento de la enfermedad renal crónica en estadios 1 a 3: a guía de práctica clínica del Colegio Americano de Médicos. Ana. Interno. Medicina. 159, 835–47 (2013).

Artículo PubMed Google Académico

Alfego, D. et al. Las pruebas de enfermedad renal crónica entre adultos en riesgo en los EE. UU. siguen siendo bajas: evidencia del mundo real de una base de datos de laboratorio nacional. Cuidado de la diabetes 44, 2025–2032 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Kwon, JM et al. Evaluación de inteligencia artificial para la detección temprana y predicción de insuficiencia renal mediante electrocardiografía. En t. Urol. nefrol. 54, 2733–2744 (2022).

Artículo PubMed PubMed Central Google Académico

Huang, JC y col. La dispersión de la onda P y la duración máxima de la onda P están asociadas con resultados renales en la enfermedad renal crónica. PLoS ONE 9, e101962 (2014).

Artículo PubMed PubMed Central Google Académico

Kestenbaum, B. et al. Función renal, hallazgos electrocardiográficos y eventos cardiovasculares en adultos mayores. clin. Mermelada. Soc. nefrol. 2, 501–508 (2007).

Artículo PubMed Google Académico

Sherif, KA, Abo-Salem, E., Panikkath, R., Nusrat, M. y Tuncel, M. Anormalidades de repolarización cardíaca entre pacientes con varias etapas de enfermedad renal crónica. clin. Cardiol. 37, 417–421 (2014).

Artículo PubMed PubMed Central Google Académico

Stewart, GA et al. Alteraciones electrocardiográficas y miocardiopatía urémica. Riñón Int. 67, 217–226 (2005).

Artículo PubMed Google Académico

Himmelfarb, J. & Ikizler, TA Hemodiálisis. Nuevo ingl. J.Med. 363, 1833–1845 (2010).

Artículo CAS PubMed Google Académico

Liyanage, T. et al. Acceso mundial al tratamiento para la enfermedad renal en etapa terminal: una revisión sistemática. Lanceta. 385, 1975–1982 (2015).

Artículo PubMed Google Académico

theurerjohn & Christensen, K. ecg-net/CKDscreening: Comunicado de publicación de COMMSMED. https://doi.org/10.5281/zenodo.7713558.

Descargar referencias

Este trabajo fue apoyado en parte por los Institutos Nacionales de Salud NIH K99 HL157421-01. LH recibió el apoyo de la Fundación Sigrid Juselius, la Fundación Cultural Finlandesa, la Fundación de Ciencias Instrumentarium, la Fundación de Investigación Orion y la Fundación Paavo Nurmi. Las fuentes de financiamiento no tuvieron participación en la preparación de este trabajo ni en la decisión de enviarlo para su publicación.

Estos autores contribuyeron igualmente: Lauri Holmstrom, Matthew Christensen.

Estos autores supervisaron conjuntamente este trabajo: Sumeet S. Chugh, David Ouyang.

Departamento de Cardiología, Smidt Heart Institute, Cedars-Sinai Medical Center, Los Ángeles, CA, EE. UU.

Lauri Holmstrom, Matthew Christensen, John Theurer, Alan Kwan, Roopinder K. Sandhu, Joseph Ebinger, Susan Cheng, Sumeet S. Chugh y David Ouyang

Centro para la Prevención del Paro Cardíaco, Departamento de Cardiología, Instituto del Corazón Smidt, Centro Médico Cedars-Sinai, Los Ángeles, CA, EE. UU.

Lauri Holmstrom y Sumeet S. Chugh

Unidad de Investigación de Medicina Interna, Centro de Investigación Médica Oulu, Universidad de Oulu y Hospital Universitario de Oulu, Oulu, Finlandia

Lauri Holmström

División de Inteligencia Artificial en Medicina, Departamento de Medicina, Centro Médico Cedars-Sinai, Los Ángeles, CA, EE. UU.

Lauri Holmstrom, Matthew Christensen, John Theurer, Sumeet S Chugh y David Ouyang

Departamento de Medicina, División de Cardiología, San Francisco VA, UCSF, San Francisco, CA, EE. UU.

neal yuan

Departamento de Ciencias de la Computación, Universidad de Stanford, Palo Alto, CA, EE. UU.

J. Weston Hughes y James Zou

Servicio de Información Empresarial, Centro Médico Cedars-Sinai, Los Ángeles, CA, EE. UU.

Cangrejo Melvin Jujjavara

División de Nefrología, Departamento de Medicina, Universidad de Stanford, Palo Alto, CA, EE. UU.

Pedram Fatehi

Departamento de Ciencia de Datos Biomédicos, Universidad de Stanford, Palo Alto, CA, EE. UU.

james zou

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Diseño y concepción del estudio: LH, MC, SSC y DO Adquisición, análisis o interpretación de datos: LH, MC, NY, JWH, JT, MJ, PF, AK, RKS, JE, SC, JZ, SSC y DO Redacción del manuscrito: LH, MC y DO Análisis estadístico: MC, JWH y DO Revisión crítica del manuscrito para contenido intelectual importante: NY, JWH, JT, MJ, PF, AK, RKS, JE, SC, JZ y SSC Apoyo administrativo y material: SSC y DO Financiamiento obtenido: DO Supervisión: SSC y DO Acceso total a los datos: MC y DO Todos los autores revisaron y aprobaron la versión final del manuscrito.

Correspondencia a David Ouyang.

Los autores declaran no tener conflictos de intereses.

Communications Medicine agradece a los revisores anónimos por su contribución a la revisión por pares de este trabajo. Los informes de los revisores están disponibles.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Holmstrom, L., Christensen, M., Yuan, N. et al. Detección electrocardiográfica basada en aprendizaje profundo para la enfermedad renal crónica. Commun Med 3, 73 (2023). https://doi.org/10.1038/s43856-023-00278-w

Descargar cita

Recibido: 22 agosto 2022

Aceptado: 10 de marzo de 2023

Publicado: 26 mayo 2023

DOI: https://doi.org/10.1038/s43856-023-00278-w

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Medicina de las Comunicaciones (2023)