Un nuevo enfoque basado en deep learning evalúa la calidad muscular en imágenes de TC para prever la mortalidad tras la implantación de válvula aórtica transcatéter.
Un estudio reciente publicado en Clinical Nutrition ESPEN sugiere que el deep learning puede evaluar la baja calidad muscular en imágenes de tomografía computarizada (TC) como una herramienta predictiva de la mortalidad después de la implantación de válvula aórtica transcatéter (TAVI).
¿En qué consistió?
Investigadores dirigidos por el Dr. Dennis Van Erck, de la Universidad de Ámsterdam, encontraron vínculos significativos entre un mayor riesgo de mortalidad en pacientes de TAVI y la baja calidad muscular evaluada mediante el enfoque de deep learning.
“Nuestros hallazgos sugieren que la baja calidad muscular evaluada por deep learning, indicada por la infiltración de grasa en el tejido muscular, es un predictor práctico, útil e independiente de la mortalidad después de TAVI”, escribieron Van Erck y sus colegas.
Para diagnosticar con precisión la sarcopenia, los médicos deben evaluar la calidad muscular a través de la cantidad de infiltración de grasa en el tejido muscular. Cuanta más grasa infiltra el músculo, menor es la calidad muscular.
Pero, ¿Qué es el TAVI?
TAVI es un procedimiento que tiene como objetivo mejorar una válvula aórtica dañada. En este procedimiento, se implanta una válvula artificial hecha de tejido cardíaco animal natural en el corazón. Informes previos indican que la tasa de mortalidad para los pacientes de TAVI oscila entre el 20% y el 30%.
Van Erck y coautores estudiaron si podían predecir independientemente el riesgo de mortalidad en pacientes de TAVI utilizando algoritmos automáticos de deep learning para evaluar la calidad muscular en las tomografías computarizadas realizadas durante el procedimiento.
Sobre el estudio
El estudio incluyó a 1,199 pacientes con estenosis aórtica severa que se sometieron a procedimientos de TAVI entre 2010 y 2020.
Las evaluaciones pre-procedimiento incluyeron tomografías computarizadas que fueron analizadas utilizando software basado en deep learning (Quantib versión 0.1.0, Rotterdam, Países Bajos) para determinar automáticamente la densidad muscular esquelética y el tejido graso intermuscular.
Los investigadores realizaron análisis de supervivencia utilizando el análisis de Kaplan-Meier para los tercios específicos por sexo de menor densidad muscular y tejido graso intermuscular.
Hallazgos y análisis
El modelo mostró una alta sensibilidad, pero baja especificidad en la medición de la densidad y el tejido graso. Los pacientes tenían una edad promedio de 80 años y el 53% de la población del estudio era femenina.
El equipo reportó un tiempo de observación mediana de 1,084 días y la tasa de mortalidad general fue del 39%.
El enfoque de deep learning vinculó el tercio más bajo de calidad muscular con un mayor riesgo de mortalidad según la densidad muscular esquelética, incluyendo una razón de riesgo (HR) de 1.4 (p < 0.01).
El equipo reportó una tendencia similar para la baja calidad muscular y el alto tejido graso intermuscular en el tercio más bajo (HR, 1.24; p = 0.04).
“Esta asociación se mantuvo significativa incluso después de ajustar por otros predictores de mortalidad, incluida la masa muscular”, escribieron los autores del estudio.
Conclusiones
Los autores destacaron que los nuevos métodos de deep learning pueden medir fácilmente la calidad muscular, lo que puede ser utilizado como un objetivo de detección en las tomografías computarizadas realizadas de manera rutinaria.
Esto puede llevar a mejoras en la detección y el diagnóstico de la sarcopenia en pacientes ancianos, agregaron. Sin embargo, a la espera de estudios de seguimiento, los autores sugirieron que su método es “más adecuado como una herramienta de detección inicial” para identificar a los pacientes de TAVI de alto riesgo, citando la alta sensibilidad pero baja especificidad del enfoque de deep learning.
Para conocer más, puede visitar Clinical Nutrition ESPEN.
0 comentarios