👨🏻🎓 La opinión de García Fernández
Introducción
Recientemente publicábamos una crítica a un trabajo MUY IMPORTANTE que nos decía que las recomendaciones ASE 2025 para el análisis de la función diastólica, usadas como “filtro” diagnóstico en pacientes con insuficiencia cardiaca y fracción de eyección preservada (HFpEF), se comportaban francamente mal. Era la gran bofetada: demasiados falsos negativos cuando el estándar era un cálculo invasivo (el gold standar). (Echocardiographic Diastolic Function Grading in HFpEF: Testing the Updated 2025 ASE Criteria)
Hoy, llega un trabajo nuevo que plantea lo contrario en apariencia: ¿puede el machine learning ayudar al diagnóstico “diastólico” usando, en gran parte, las mismas variables eco?
Os propongo una idea que ha sido para mi bastante compleja de realizar: cruzar ambos trabajos y sacar una filosofía final. No “eco humano vs IA”, sino ¿qué preguntas puede contestar el eco, en qué contexto y con qué herramientas?
📒 Resumen del trabajo
Recuerdo de la bofetada
El trabajo de Harada (según el abstract que ya vimos) hace algo metodológicamente contundente: eco contra hemodinámica. Su mensaje principal es incómodo: en HFpEF ambulatoria invasivamente confirmada (n=756), el algoritmo ASE 2025 clasificaba como normal a muchos pacientes (32,8%) o Grado 1 (34,8%), además, entre los etiquetados como “normal/Grado 1”, más del 60% tenían PCWP en reposo ≥15 mmHg en el cateterismo.
¡El estrés diastólico recomendado en las guías detectaba un espectacular 90,5% de falsos negativos en los Grado 1!
Traducción clínica: si usamos la gradación diastólica en reposo como regla para excluir HFpEF, fallamos.
El paper de lmachine learning
El machine learning no hace magia, mejora solo modestamente la discriminación frente a los algoritmos clásicos. Pero su ventaja práctica es enorme: reduce casi a cero los “no clasificables ”, porque maneja mejor los datos faltantes y no depende de un árbol rígido de decisiones.
El trabajo deja claro que, para sugerir elevación de las presión de llenado, el cociente E / strain reservorio auricular (E/LARS) aparece como la variable de mayor peso, por encima de los parámetros clásicos (TRV, E/e’, etc.).
En la práctica este es el mensaje: si quieres hablar de llenado, la aurícula (y su función) importan más de lo que estamos haciendo en la rutina. Aunque el modelo funcione bien de una manera global, en el subgrupo con EF ≥50% el patrón es el de siempre; alta especificidad y sensibilidad baja. Es decir, puede ayudar a confirmar presiones altas, pero no sirve para descartarlas con seguridad.
El punto de unión práctico: la aurícula
El ML destaca como variable principal el cociente E/LARS (E dividido por strain reservorio auricular izquierdo), por delante de parámetros más clásicos. Esto encaja con un concepto muy simple: la aurícula izquierda se entera “antes y durante más tiempo“ de que las presiones de llenado están altas. Por eso, cuando medimos su función (LARS) y la relacionamos con E (E/LARS), obtenemos una señal menos caprichosa que el estudio clásico E/e’.
Filosofía final con mis dudas y para que penséis y pensemos
¿Dejar de usar la graduación de la función diastólica en reposo como herramienta de exclusión de HFpEF?
- Cambiar la pregunta. En lugar de ¿qué grado tiene?, pasar a ¿con esta clínica y este fenotipo, cuál es la probabilidad de HFpEF y qué dato me falta para confirmarla?
- ¿Subir LARS y E/LARS a la práctica diaria cuando haya sospecha?
Para reflexionar
La IA reduce indeterminados, pero no puede inventar información que el reposo no contiene. Si queremos acertar más en HFpEF, el salto es probablemente más integración clínica, más aurícula (LARS) y más evaluación hemodinámica cuando haga falta. Y la rueda sigue girando...
