En pacientes portadores de enfermedad coronaria ateroesclerótica con una oclusión total crónica (CTO), la revascularización mediante una angioplastia transluminal coronaria (ATC) con una estrategia de escalamiento anterógrado de cuerdas (‘antegrade wiring escalation’ [AWE]) es la técnica más frecuentemente utilizada. En este contexto, y a pesar de que existen disponibles diversos algoritmos cuyo objetivo es determinar la factibilidad de cruce de la CTO, estos presentan marcadas limitaciones ya que fueron realizados basándose principalmente en parámetros angiográficos y opinión de expertos.
En los últimos años, estimadores basados en inteligencia artificial (IA) han sido ampliamente utilizados en el campo de la medicina cardiovascular. Estos estimadores, mediante algoritmos basados en sistemas de aprendizaje automatizado, como el machine learning (ML) o deep learning (DL), han demostrado ser una herramienta válida para predecir la factibilidad de una estrategia terapéutica, como así también los potenciales desenlaces clínicos. Hasta la fecha, no se ha desarrollado un algoritmo de ML para predecir el éxito de cruce de una CTO mediante AWE.
El objetivo del presente estudio realizado por Athanasios Relámpagos y colaboradores del Abbott Northwestern Hospital (USA) fue desarrollar y validar un algoritmo basado en clasificadores de ML para predecir el éxito de cruce de una CTO mediante una estrategia de AWE.
Se analizó con este propósito a la cohorte de pacientes del registro PROGRESS CTO, un registro de pacientes portadores de una CTO a los que se realizó una revascularización mediante ATC, considerando como objetivo primario al éxito del cruce de la oclusión por vía anterógrada mediante una estrategia de AWE. Contemplando los resultados obtenidos en esta población de pacientes, se desarrolló mediante algoritmos de IA basados en modelos de ML un modelo pronóstico de éxito del cruce anterógrado de las CTO. Se desarrolló el modelo en un subgrupo de pacientes (cohorte de desarrollo), el cual fue ulteriormente testeado en un subgrupo de prueba (cohorte de validación).
Se incluyeron para el análisis un total de 12.136 casos de ATC a CTO mediante la estrategia de AWE de pacientes pertenecientes al registro PROGRESS CTO. Así, del total de pacientes incluidos se observó una estrategia de AWE exitosa en el 57.4% de los casos (n=6965). Basándose en diferentes modelos de ML, el modelo que demostró una mejor performance como clasificador fue el XGBoost, con un área bajo la curva ROC para la discriminación del éxito de cruce de la CTO mediante AWE de 0.782 en la cohorte de entrenamiento, y un AUC 0.780 en la cohorte de validación.
Dentro de los factores contemplados para la generación del modelo, se identificó a la longitud de la CTO como el factor con mayor poder para la predicción de un cruce exitoso de la CTO por vía anterógrada, seguido por la morfología del cap proximal (blunt/no stump), la presencia de colaterales intervenibles, el diámetro del vaso y la ambigüedad del cap proximal. Por contraparte, el parámetro que menos se vinculó con la discriminación de un cruce exitoso fue la localización de la lesión aorto-ostial.
Conclusiones:
En pacientes con enfermedad coronaria ateroesclerótica sometidos a una angioplastia transluminal coronaria por vía anterógrada de una oclusión total crónica, este modelo de Inteligencia Artificial basado en clasificadores de Machine Learning presentó un aceptable poder pronóstico para la determinación del éxito del cruce de la oclusión.
Dr. Cristian M. Garmendia
Miembro del Comité Editor CACI
Título original: Predicting Successful Chronic Total Occlusion Crossing With Primary Antegrade Wiring Using Machine Learning
Rempakos A, et al. J Am Coll Cardiol Intv. 2024 Jul, 17 (14) 1707–1716
