Desarrollo y Validación de un Modelo de Aprendizaje Profundo para el Tamizaje de Hipocalemia Mediante Electrocardiograma en Pacientes de Emergencia
Desarrollo y Validación de un Modelo de Aprendizaje Profundo para el Tamizaje de Hipocalemia Mediante Electrocardiograma en Pacientes de Emergencia
Resumen
La hipocalemia, definida como una concentración sérica de potasio inferior a 3,5 mmol/L, es una de las alteraciones electrolíticas más frecuentes en la práctica clínica. Esta condición potencialmente mortal requiere diagnóstico e intervención rápidos, especialmente en entornos de emergencia. Aunque la medición sérica de potasio sigue siendo el estándar de oro, sus limitaciones (tiempo de procesamiento y reproducibilidad) justifican la búsqueda de métodos no invasivos. Este estudio desarrolló y validó un modelo de aprendizaje profundo (MAP) para detectar hipocalemia mediante electrocardiogramas (ECG) de 12 derivaciones en pacientes de emergencia.
Métodos
Se analizaron 9.908 ECG de pacientes atendidos en el Segundo Hospital Afiliado de la Universidad de Nanchang (China) entre septiembre de 2017 y octubre de 2020. Las muestras de sangre se obtuvieron dentro de 10 minutos antes o después del ECG. Los pacientes que recibieron suplementos de potasio fueron excluidos. El modelo, basado en una red neuronal convolucional (RNC) de 11 capas implementada en TensorFlow, se entrenó con ECG de 12 derivaciones. El conjunto de datos se dividió en entrenamiento (6.904 ECG), validación interna (1.726 ECG) y validación externa (1.278 ECG de una sede hospitalaria distinta).
Resultados
El modelo mostró un área bajo la curva ROC (AUC) de 0,80 (IC 95%: 0,77–0,82) en validación interna, con sensibilidad del 71,4% y especificidad del 77,1%. En validación externa, el AUC fue 0,77 (IC 95%: 0,75–0,79), con sensibilidad del 70,0% y especificidad del 69,1%. La versión monoderivación (DII) presentó menor rendimiento (AUC: 0,68 interno; 0,64 externo). El modelo fue robusto frente a arritmias como fibrilación auricular (exactitud: 72,1%) pero mostró limitaciones en bloqueos de rama izquierda (exactitud: 16,7%).
Discusión
Este MAP demuestra capacidad prometedora para identificar patrones ECG sutiles asociados a hipocalemia, superando la variabilidad en la interpretación clínica humana. La superioridad del ECG de 12 derivaciones refleja la importancia de analizar múltiples vectores cardíacos. Si bien los dispositivos portátiles (basados en DII) podrían usarse para tamizaje preliminar, su menor precisión resalta la necesidad de integrar este modelo en sistemas hospitalarios existentes.
Las limitaciones incluyen el efecto confusor de anomalías ECG complejas (p. ej., bloqueos de rama) y la necesidad de validación prospectiva en poblaciones diversas. No obstante, este enfoque permitiría intervenciones tempranas, particularmente en entornos con acceso limitado a laboratorios.
Conclusión
El desarrollo de MAP para el análisis automatizado de ECG representa un avance significativo en el diagnóstico no invasivo de hipocalemia. Su implementación en emergencias podría optimizar el manejo de pacientes críticos, reduciendo complicaciones asociadas a retrasos diagnósticos.
Palabras clave: Hipocalemia, aprendizaje profundo, electrocardiograma, emergencias, detección no invasiva.
doi.org/10.1097/CM9.0000000000001650