Investigadores de la Universidad Queen Mary de Londres han desarrollado una herramienta de IA que crea modelos sintéticos, pero médicamente precisos, de tejido cardíaco fibrótico (cicatrización cardíaca), lo que facilita la planificación del tratamiento para pacientes con fibrilación auricular (FA). El estudio, publicado en Frontiers in Cardiovascular Medicine, podría conducir a una atención más personalizada para los pacientes afectados por este trastorno común del ritmo cardíaco.

La fibrosis se refiere al tejido cicatricial que se desarrolla en el corazón, a menudo como resultado del envejecimiento, el estrés prolongado o la propia fibrilación auricular. Estas placas de tejido fibroso rígido alteran el sistema eléctrico del corazón, lo que puede causar la arritmia característica de la fibrilación auricular. Actualmente, se evalúa mediante resonancias magnéticas especializadas (RMG-LGE), y el patrón y la distribución de esta cicatrización influyen significativamente en los resultados del tratamiento.

La fibrilación auricular se trata frecuentemente con ablación, un procedimiento en el que los médicos crean pequeñas cicatrices controladas para bloquear las señales eléctricas erráticas. Sin embargo, las tasas de éxito varían considerablemente, y predecir qué método funcionará mejor para cada paciente sigue siendo un desafío. Si bien la IA ha demostrado ser prometedora en la predicción de resultados, su desarrollo se ha visto obstaculizado por el acceso limitado a datos de imágenes de alta calidad de los pacientes.

«La resonancia magnética de larga duración (LGE-MRI) proporciona información vital sobre la fibrosis cardíaca, pero obtener suficientes exploraciones para un entrenamiento completo de IA es un reto», explicó el Dr. Alexander Zolotarev, primer autor de la investigación, de la Universidad Queen Mary de Londres.

«Entrenamos un modelo de IA con tan solo 100 exploraciones LGE-MRI reales de pacientes con FA. El sistema generó 100 patrones sintéticos adicionales de fibrosis que imitan con precisión la cicatrización cardíaca real. Estos modelos virtuales se utilizaron para simular el rendimiento de diferentes estrategias de ablación en pacientes con diversas anatomías», sostuvo el investigador.

El modelo de difusión avanzado del equipo produjo distribuciones sintéticas de fibrosis que coincidían con datos reales de pacientes con una precisión excepcional. Al aplicar estos patrones generados por IA a modelos cardíacos 3D y compararlos con diversos métodos de ablación, las predicciones resultantes resultaron casi tan fiables como las obtenidas con datos reales de pacientes. Fundamentalmente, este método protege la privacidad del paciente y permite a los investigadores estudiar una gama mucho más amplia de escenarios cardíacos que la que permiten los métodos convencionales.

La investigación destaca el papel emergente de la IA como herramienta de apoyo clínico, más que como un factor determinante.

«No se trata de sustituir el criterio médico, se trata de proporcionar a los profesionales clínicos un simulador sofisticado que les permita probar diferentes enfoques de tratamiento en un modelo digital de la estructura cardíaca única de cada paciente antes de realizar el procedimiento real», enfatizó el Dr. Zolotarev. 

Este trabajo forma parte del proyecto UKRI Future Leaders Fellowship de la Dra. Caroline Roney, que tiene como objetivo desarrollar modelos cardíacos «gemelos digitales» personalizados para pacientes con FA.

La Dra. Caroline Roney, de la Universidad Queen Mary de Londres, autora principal del estudio, afirmó: «Estamos muy entusiasmados con esta investigación, ya que aborda el desafío de la escasez de datos clínicos para los modelos de gemelos digitales cardíacos. Nuestro avance clave permite realizar ensayos in silico a gran escala y modelar pacientes específicos para crear tratamientos más personalizados para pacientes con fibrilación auricular».

Dado que la fibrilación auricular afecta a 1,4 millones de personas en el Reino Unido y la ablación fracasa en la mitad de los casos, esta tecnología podría reducir significativamente la repetición de procedimientos. Cabe destacar que el enfoque de IA aborda dos desafíos críticos para la atención médica: la disponibilidad limitada de datos de los pacientes y la necesidad ética de proteger la información médica confidencial.