Radiómica derivada de resonancia magnética cardíaca cine sin contraste para la predicción de la remodelación adversa del ventrículo izquierdo en pacientes con infarto agudo de miocardio con elevación del segmento ST

El remodelado maligno del ventrículo izquierdo es la causa principal de falla cardiaca posterior a un infarto agudo de miocardio. Por lo tanto, identificar factores que se relacionen con su desarrollo es fundamental en la prevención secundaria en este grupo de pacientes. La resonancia magnética cardiaca es una herramienta valiosa que permite identificar el tamaño del infarto, la obstrucción microvascular, y además nos permite cuantificar de forma precisa los volúmenes ventriculares; sin embargo, en pacientes con falla renal en estadíos avanzados, el uso de medio de contraste es limitado, en consecuencia, actualmente se estudia la utilidad de la radiomica en resonancias cardiacas no contrastadas, que cuantifica matemáticamente la distribución de píxeles y sus características para obtener información tisular. Este trabajo analiza un estudio publicado en el 2023 al respecto.

---

---

Antecedentes

El infarto agudo de miocardio con elevación del segmento ST (IAMCEST) es una de las principales causas de mortalidad cardiovascular a nivel mundial⁽²⁾. En Colombia, el infarto agudo de miocardio (IAM) es una de las principales causas de mortalidad. Según el Instituto Nacional de Salud (INS), en 2021 se reportaron 30,000 casos de IAM, con una tasa de incidencia de 60 por cada 100,000 habitantes⁽¹⁴⁾. De la misma forma, la prevalencia de enfermedades cardiovasculares, incluyendo el IAM, es del 8.5% en adultos mayores de 20 años, según la Encuesta Nacional de Salud 2015⁽¹³⁾. Factores como hipertensión, diabetes y obesidad contribuyen a esta alta incidencia, enfermedades prevalentes y, muchas veces subestimadas en países en desarrollo.

A pesar de los avances en las estrategias de reperfusión, y en el manejo farmacológico, es frecuente que pacientes deban enfrentar complicaciones a corto y largo plazo. A corto plazo, las más frecuentes incluyen arritmias (20-30% de los casos), shock cardiogénico (5-10%) y falla cardíaca aguda (15-20%)⁽¹³⁾. Estas complicaciones suelen ocurrir en las primeras 48 horas y están asociadas a una alta mortalidad⁽¹³⁾. A largo plazo, destacan la insuficiencia cardíaca crónica (10-15%), la recurrencia de infartos (5-10%) y la disfunción ventricular izquierda (20-25%), que impactan significativamente la calidad de vida. En Colombia, según el Instituto Nacional de Salud (INS), la incidencia de complicaciones post-IAM es similar a la reportada en Latinoamérica, donde la insuficiencia cardíaca afecta al 10-15% de los pacientes⁽¹⁴⁾.

Al respecto, la remodelación adversa del ventrículo izquierdo (RAVI) destaca como un predictor crítico de insuficiencia cardíaca y eventos cardiovasculares recurrentes. La RAVI se caracteriza por cambios estructurales y funcionales en el ventrículo izquierdo, como la dilatación ventricular, la pérdida de contractilidad y la fibrosis miocárdica, que comprometen la capacidad del corazón para mantener un gasto cardíaco adecuado; esta se inicia con la necrosis de cardiomiocitos, desencadenando una respuesta inflamatoria aguda (activación de citocinas como IL-6 y TNF-α) el cual promueve la degradación de la matriz extracelular por metaloproteinasas (MMP-2 y MMP-9)⁽²⁵⁾. Posteriormente, induce a dilatación parietal, adelgazamiento del miocardio y activación neurohormonal (sistema renina-angiotensina-aldosterona), perpetuando la fibrosis reactiva y la hipertrofia compensatoria⁽²⁵⁾. La sobrecarga mecánica altera la geometría ventricular, reduciendo la fracción de eyección. Estos cambios incrementan el estrés parietal y la demanda de oxígeno, perpetuando la disfunción sistólica⁽²⁵⁾.

Se estima que hasta el 30% de los pacientes que sobreviven a un IAMCEST desarrollan RAVI, lo que aumenta significativamente el riesgo de insuficiencia cardíaca y muerte cardiovascular^(2,3). Por lo tanto, identificar precozmente a los pacientes en riesgo de RAVI es fundamental para implementar intervenciones tempranas y personalizadas que mejoren su pronóstico, y además disminuyan el gasto en salud⁽²⁾.

En este escenario, la cardiorresonancia magnética (CRM) emerge como una herramienta de imagen indispensable, no solo por su capacidad para evaluar la función cardíaca y la viabilidad miocárdica, sino también por su potencial para predecir la RAVI^(3,4). Tradicionalmente, la CRM con contraste basada en gadolinio ha sido el estándar de referencia para la caracterización del tejido miocárdico, permitiendo la detección de fibrosis y la cuantificación del tamaño del infarto⁽⁹⁾. Sin embargo, el uso de contrastes no está exento de limitaciones, especialmente en pacientes con insuficiencia renal o alergias al gadolinio. Esto ha impulsado el interés en enfoques no contrastados, que ofrecen una alternativa segura y asequible para la evaluación de pacientes con IAMCEST⁽⁵⁾.

La CRM no contrastada ha demostrado ser una herramienta valiosa en la evaluación de pacientes con IAMCEST. Técnicas como el mapeo T1 y T2 nativos permiten la caracterización del tejido miocárdico sin la necesidad de contraste, proporcionando información sobre la presencia de edema, hemorragia y fibrosis^(5,8). Además, la secuencia de cine brinda una evaluación precisa de la función ventricular, incluyendo la fracción de eyección y el volumen sistólico. Estas técnicas no solo son seguras y accesibles, sino que también pueden ser más rápidas y económicas que las técnicas contrastadas, lo que las convierte en una opción atractiva para su implementación en la práctica clínica rutinaria^(3,5).

Un gran potencial de la CRM no contrastada en la predicción de la RAVI radica en su integración con enfoques avanzados de análisis de datos, como la radiómica. La radiómica es un campo emergente que se basa en la extracción y análisis de un gran número de características cuantitativas de las imágenes radiológicas, utilizando algoritmos de inteligencia artificial y aprendizaje automático para identificar patrones que no son perceptibles al ojo humano. En el contexto de la CRM, la radiómica puede transformar las imágenes en datos de alta dimensión, permitiendo la identificación de biomarcadores predictivos de RAVI con una precisión sin precedentes⁽⁴⁾.

La radiómica se basa en la extracción de características de textura, forma, intensidad y patrones de distribución de los píxeles en las imágenes médicas. Estas características, que pueden incluir medidas de heterogeneidad tisular, entropía, energía y correlación, las cuales, entre otras, proporcionan una descripción cuantitativa detallada del tejido cardíaco. Por ejemplo, en pacientes con IAMCEST, la radiómica puede identificar patrones sutiles de fibrosis o edema que no son evidentes en una evaluación visual convencional. Esto permite una estratificación más precisa del riesgo de RAVI y una mejor planificación del tratamiento⁽⁵⁾. La tabla 1, muestra las principales características de la radiomica y su aplicabilidad a la cardiorresonancia magnética.

---

Tabla 1. Radiómica en Resonancia Magnética Cardíaca (CRM).

---

La combinación de la CRM no contrastada y la radiómica representa una oportunidad única para avanzar en la medicina personalizada⁽⁶⁾. Al analizar características como la textura del miocardio, la heterogeneidad tisular y los patrones de deformación ventricular, se plantea que es posible identificar a los pacientes con mayor riesgo de RAVI incluso antes de que se manifiesten cambios clínicos evidentes^(6,7). Esto no solo permitiría una estratificación del riesgo más precisa, sino también la implementación de intervenciones tempranas, como la optimización del tratamiento médico o la consideración de terapias avanzadas, como la terapia celular o los dispositivos de asistencia ventricular⁽⁶⁾.

A pesar de su potencial, la implementación de la CRM no contrastada y la radiómica en la práctica clínica enfrenta varios desafíos. Uno de los principales es la necesidad de validar estos enfoques en cohortes grandes y multicéntricas, garantizando que los modelos predictivos sean robustos y generalizables⁽¹⁾. Además, la integración de la radiómica en los flujos de trabajo clínicos requiere una infraestructura tecnológica adecuada, así como la formación de radiólogos, tecnólogos y auxiliares de enfermería en el uso e interpretación de estas herramientas⁽⁶⁾.

A la fecha, la identificación temprana de los pacientes en riesgo de RAVI es un desafío clínico importante. Los métodos tradicionales, como la ecocardiografía y la CRM con contraste, aunque útiles, tienen limitaciones en términos de accesibilidad, coste y seguridad. La CRM no contrastada, por otro lado, ofrece una alternativa atractiva, especialmente en pacientes con contraindicaciones para el uso de gadolinio^(7,10). Además, su integración con la radiómica puede proporcionar una evaluación más completa y precisa del riesgo de RAVI, permitiendo una toma de decisiones más informada y personalizada^(5,6). La figura 1, resume las características radiomicas que pueden predecir un remodelado adverso del VI en pacientes con IAMCEST.

---

Figura 1. Características radiomicas predictoras de remodelado adverso del ventrículo izquierdo.

---

Este trabajo de fin de máster tiene como objetivo analizar el artículo citado al inicio del trabajo, que evalúa la utilidad de la resonancia magnética cardiaca no contrastada, y la radiómica derivada de ella para predecir el remodelado adverso del VI en pacientes con IAMCEST.

---

Resumen del trabajo elegido

Este trabajo (Radiómica derivada de la cine resonancia magnética cardiaca sin contraste para la predicción de la remodelación adversa del ventrículo izquierdo en pacientes con Infarto agudo de miocardio con elevación del segmento ST) tenía como objetivo identificar las características de la radiómica derivadas de imágenes de cine resonancia para predecir el remodelado adverso del ventrículo izquierdo en pacientes con IAMCEST post revascularización y además usar esta información para crear un modelo de predicción del RAVI.

Este fue un estudio retrospectivo, aprobado por el comité de ética del Hospital Chinese People’s Liberation Army General en donde se incluyeron 244 pacientes entre 18 y 80 años con diagnóstico de IAMCEST, y que fueron llevados a cardiorresonancia magnética entre los 5 y 9 días, así como a los 6 meses posterior a la intervención coronaria percutánea en el hospital Chinese People’s Liberation Army General entre Enero de 2014 y Diciembre de 2019.

Los criterios de exclusión usados incluían contraindicaciones para la CRM (Claustrofobia, marcapasos, alergia al gadolinio), historia de revascularización en los 6 meses anteriores al episodio actual, bloqueo de rama, enfermedad valvular severa, cardiopatía conocida y datos insuficientes en el electrocardiograma.

De acuerdo con si tuvieron remodelado adverso del VI, los pacientes se dividieron en grupos de entrenamiento y de prueba; con 170 pacientes (RAVI Vs no RAVI: 37 Vs 133) en el grupo de entrenamiento y 74 (RAVI Vs no RAVI 17 Vs 57) en el grupo de prueba.

Las cardio resonancias fueron realizadas entre 5 - 9 días posterior al infarto, y a los 6 meses durante el seguimiento, se usó un resonador de 1.5T (Achieva, Philips), realizaron secuencias de cine, eje corto y 4 cámaras, con los siguientes parámetros: Tiempo de repetición: 3.73ms, Tiempo de eco: 1.87ms, ángulo de inclinación del vector de magnetización: 60 grados, espesor de corte: 8mm. El fin de diástole y sístole se determinó automáticamente y posteriormente fue verificado por un radiólogo. Se definieron parámetros como masa del VI, cambio en el volumen de fin de diástole del VI, y volumen de fin de sístole.

Para la segmentación de la CRM y el análisis radiomico, se marcaron ROIs en el miocardio del fin de diástole usando el programa ITK-SNAP para su análisis radiómico. Para evaluar la reproducibilidad de las características de la radiómica, se repitió la marcación de los ROI en 45 pacientes seleccionados al azar, por el mismo lector, para evaluar la reproducibilidad intraobservador y por otro lector para evaluar la interobservador. Los ROIs fueron definidos por lectores que estaban ciegos sobre la información clínica de los pacientes y resultados esperados.

Para preprocesar las imágenes y obtener las características radiomicas, se usó el programa Pyradiomics (https://pyradiomics.readthedocs.io/en/latest/) usando la configuración estandar. Antes de extraer las características radiomicas, 3 pasos de preproceso se realizaron en las imágenes originales:

1. Se disminuyó el efecto del ruido recortando los valores de escala de grises mayores que el percentil 99,5 y menores que el percentil 0,05.
2. Todas las imágenes fueron muestreadas nuevamente usando interpolación de muestras y así se normalizaron usando un ancho (Field Of View) de 25.
3. Las imágenes se normalizaron usando el puntaje Z (Media/varianza de las intensidades de la imagen), así las intensidades se distribuyeron normalmente.

Con estos pasos, se obtuvieron 1550 características radiómicas, las cuales fueron estandarizadas con puntuaciones Z, conservando las características con coeficiente de correlación interclase mayor a 0.7, excluyendo las características con alta colinealidad

En otras palabras, teniendo en cuenta que las imágenes pueden tener valores extremos en escala de grises (que sean muy altos o muy bajos), se recortaron los valores extremos que podrían representar artefacto; además, las imágenes también pueden tener diferentes resoluciones espaciales o dimensiones, lo cual no permitiría una comparación directa entre ellas, por lo tanto se ajustaron a resolución común (remuestrearon) a un ancho de campo de visión común; y por último, las intensidades de las señales pueden variar entre pacientes o incluso en el mismo paciente, por lo cual se calculó la media y la varianza de las intensidades de cada imágen, y luego se tomaron las que siguieran una distribución normal (es decir con media de 0 y desviación estandar de 1), permitiendo que las intensidades sean comparables entre diferentes imágenes.

En cuanto a la estandarización de las características, el coeficiente de correlación interclase hace referencia a que algunas características pueden no ser consistentes en diferentes mediciones, por lo cual se calcularon los coeficientes de correlación interclase para cada característica, incluyendo únicamente los que tuvieran una alta consistencia y confiabilidad (coeficiente mayor que 0,7); por otro lado, la exclusión de características con alta colinealidad se refiere a características que estaban muy correlacionadas con otras, lo que significa que proporcionan información redundante.

Posteriormente, se usó la regresión LASSO (Operador de selección y contracción mínima absoluta) para seleccionar características y desarrollar una puntuación radiómica (puntuación RAD), la cual se construyó integrando las características radiómicas finales con sus coeficientes asociados.

Teniendo en cuenta esto, pasamos a los resultados.

Las características de los 244 pacientes no tenían diferencias significativas entre los grupos (RAVI Vs no RAVI) estas variables incluyeron las características resumidas en la tabla 2:

---

Tabla 2. Características evaluadas en los pacientes de ambos grupos.

---

Un total de 340 características radiómicas fueron incluídas en el análisis, posterior a la evaluación de correlación interclase y a la prueba de colinealidad, las categorías y el número de características se muestran en la tabla 3.

---

Tabla 3. Categorías de características radiómicas incluidas en el análisis.

---

Teniendo en cuenta que hay 262 características de textura, en la tabla 4 se mencionan las principales:

---

Tabla 4. Características radiómicas de textura.

---

De todas estas características, se usó la regresión LASSO, para elegir 9 características que se incluyeron en el desarrollo del score de radiómica.

En el grupo de entrenamiento, y en el grupo de testeo, el score de radiómica fue superior en pacientes con remodelado adverso del VI en comparación a pacientes que no presentaron esta complicación.

En el análisis de regresión logística univariado, la fracción de eyeción del VI, el tamaño del infarto, la presencia de obstrucción microvascular, y el score de radiomica mostraron una asociación significativa para la predicción de RAVI.

Sin embargo, después de realizar un análisis multivariado, solamente el tamaño del infarto (OR 1.04, CI 1 - 1.07), y el score de radiómica (0R 3.43, CO 2.34 - 5.28) fueron factores independientes predictores de RAVI.

Los mejores puntos de corte para la predicción del RAVI fueron:

• RAD score de 32
• Tamaño del infarto de 25.76%
• Fracción de eyección del ventrículo izquierdo de 45%

Un RAD score mayor a 0.32 se relacionó con una probabilidad 8 veces mayor de desarrollar RAVI. (OR 7.86, CI 3.55 - 18.66, P<0.001)

Se revisó el área bajo la curva, que es una métrica que mide la capacidad de un modelo para distinguir entre 2 grupos (en este caso, pacientes con y sin RAVI); un área bajo la curva de 1 indica una predicción perfecta, mientras que un AUC de 0.5 indica que el modelo no es mejor que el azar.

Las áreas bajo la curva de las características individuales fueron:

• RAD score: AUC 0.82
• Tamaño del infarto: AUC 0.61
• Fracción de eyección del VI: 0.65

Al sumar las características, el RAD score y la fracción de eyección del VI, así como el RAD score y el tamaño del infarto, mostraron la mejor predicción del RAVI, con las siguientes áreas bajo la curva, con un mejor resultado combinando el RAD score y el tamaño del infarto:

• RAD score y Fracción de eyección del VI: AUC 0.83
• RAD score y tamaño del infarto: AUC 0.84

Por lo tanto, la mejor combinación para la predicción del RAVI de acuerdo a estos resultados, es el tamaño del infarto y el RAD SCORE.

---

Discusión

El estudio analizado plantea que las características derivadas de radiómica, solas, o analizadas en conjunto con otras características, tales como el tamaño del infarto, permiten realizar una predicción de pacientes con mayor riesgo de desarrollar RAVI posterior a un IAMCEST.

Para empezar, discutiendo sobre el infarto agudo de miocardio con elevación del segmento ST, cabe mencionar que este es una de las principales causas de mortalidad en Colombia y Latinoamérica, y su prevalencia sigue siendo preocupante debido a la alta carga de factores de riesgo cardiovascular. En Colombia, las enfermedades cardiovasculares representan la primera causa de muerte, y dentro de estas, el infarto de miocardio constituye una de las entidades más prevalentes. Según la Encuesta Nacional de Salud de Colombia (2015), se estima que alrededor del 5% de la población adulta colombiana presenta algún tipo de enfermedad cardiovascular, con un alto porcentaje de pacientes diagnosticados con hipertensión, diabetes, y dislipidemia, todos factores de riesgo claves para el desarrollo de IAMCEST⁽¹³⁾. En 2019, el Ministerio de Salud y Protección Social de Colombia reportó más de 50,000 muertes por enfermedades cardiovasculares, de las cuales una proporción significativa corresponde a infartos agudos, y aproximadamente el 40% de estos presentan elevación del segmento ST⁽¹⁴⁾.

En Latinoamérica, la situación epidemiológica del IAMCEST es igual de alarmante. Países como Brasil, México y Argentina presentan altas tasas de incidencia de infarto agudo de miocardio, siendo el IAMCEST responsable de un porcentaje significativo de estas muertes⁽¹⁵⁾. Se estima que en América Latina, la prevalencia de IAMCEST representa cerca del 40-45% de los infartos agudos, lo que refleja la alta carga de aterosclerosis y su asociación con la prevalencia de factores de riesgo como hipertensión, diabetes tipo 2, tabaquismo y sedentarismo^(13,15). En México, por ejemplo, el Instituto Nacional de Estadística y Geografía (INEGI) reportó que en 2015 ocurrieron más de 121,000 muertes por cardiopatía isquémica, lo que equivale a una muerte cada 4.3 minutos⁽¹⁶⁾. En Colombia, un estudio publicado en 2021 analizó la mortalidad por enfermedades cardiovasculares y su impacto económico entre 2000 y 2010, encontrando que se perdieron aproximadamente 2.785.529 años de vida saludables debido a estas enfermedades⁽¹⁷⁾. Y, a nivel regional, la Organización Panamericana de la Salud (OPS) reportó en 2019 que las enfermedades cardiovasculares fueron responsables de 2.0 millones de muertes en las Américas⁽¹⁸⁾.

Además, la incidencia de IAMCEST en la población adulta mayor de 45 años ha mostrado un aumento, especialmente en mujeres postmenopáusicas. En el periodo 1998-2011, se registraron 628.630 muertes por ECV en Colombia, lo que corresponde al 23,5% del total de muertes en el país. De estas defunciones, el 56,3% se debieron a enfermedad cardiaca isquémica⁽¹⁴⁾.

Adicional a esto, de acuerdo con un estudio publicado en la Revista de la Sociedad Colombiana de Cardiología (2020), se estima que alrededor del 30-40% de los pacientes con IAMCEST desarrollarán RVA en los meses y años posteriores al evento agudo⁽¹⁹⁾.

La remodelación ventricular adversa (RVA), que es una de las principales complicaciones postinfarto, afecta aproximadamente al 40-50% de los pacientes con IAMCEST a los seis meses del evento, según un estudio realizado por la Sociedad Latinoamericana de Cardiología (2020)⁽²⁰⁾. Esta condición está asociada con un mayor riesgo de insuficiencia cardíaca crónica y muerte súbita. La progresión hacia insuficiencia cardíaca es más frecuente en pacientes que no reciben un tratamiento adecuado de reperfusión o en aquellos con infartos de gran tamaño.

La remodelación ventricular adversa es un proceso patológico que comienza inmediatamente después de la isquemia miocárdica y es impulsado por la inflamación, la disfunción de los miocitos y la activación de vías fibrogénicas. Este fenómeno es particularmente prevalente en pacientes con infarto extenso o de alto riesgo, y su presencia aumenta significativamente la morbilidad a largo plazo^(20,1). Se caracteriza por la dilatación del VI, la pérdida de la contractilidad y la alteración de la geometría ventricular, lo que puede dar lugar a un fallo cardíaco progresivo.

A nivel epidemiológico, la RVA no solo está vinculada a la severidad del infarto, sino también a factores de riesgo como la hipertensión, la diabetes mellitus y la obesidad, comunes en las poblaciones latinoamericanas. Además, el acceso limitado a tratamientos adecuados y las barreras físicas en la atención médica en algunos países de la región contribuyen a la alta incidencia de complicaciones postinfarto, incluida la remodelación adversa⁽²⁰⁾.

En cuanto a la radiómica, esta es una disciplina emergente que transforma las imágenes médicas en datos cuantitativos, permitiendo un análisis profundo y objetivo de las enfermedades⁽¹¹⁾. A diferencia de la interpretación tradicional de las imágenes, que se basa en la evaluación visual de los radiólogos, la radiómica utiliza algoritmos computacionales para extraer cientos de características relacionadas con la textura, forma, intensidad y patrones de distribución de píxeles. Estas características, invisibles al ojo humano, pueden revelar información crucial sobre el comportamiento biológico de los tejidos, como su agresividad, respuesta al tratamiento y pronóstico.

La radiómica nació formalmente a principios de la década de 2010, aunque sus bases conceptuales se establecieron en 2016 con el estudio pionero de Gillies et al., titulado "Radiomics: Images Are More than Pictures, They Are Data"⁽¹¹⁾. Este trabajo marcó un hito al proponer que las imágenes médicas no son solo representaciones visuales, sino fuentes ricas en datos cuantitativos. Gillies y su equipo demostraron que, al analizar estas características, se podían identificar patrones asociados con el cáncer, como la heterogeneidad tumoral y la respuesta a la quimioterapia. Este estudio sentó las bases para la aplicación de la radiómica en diversas áreas de la medicina.

El proceso de la radiómica comienza con la adquisición de imágenes, como tomografías computarizadas o resonancias magnéticas. Estas imágenes se preprocesan para eliminar ruido y artefactos, y luego se segmentan para delimitar las regiones de interés. A continuación, se extraen características radiómicas utilizando herramientas como PyRadiomics (usada en el artículo en que se cimenta este trabajo), que calculan métricas de textura, forma e intensidad. Finalmente, estas características se analizan mediante algoritmos de inteligencia artificial y aprendizaje automático para identificar patrones predictivos.

Inicialmente, la radiómica se aplicó en oncología, donde demostró su utilidad para predecir la agresividad de los tumores, la respuesta a tratamientos y la supervivencia de los pacientes⁽¹²⁾. Sin embargo, su potencial pronto se extendió a otras áreas, como la neurología, la neumología y, especialmente, la cardiología. En el campo de la cardiorresonancia magnética, la radiómica ha revolucionado la forma en que se analizan las imágenes cardíacas.

El primer estudio que aplicó la radiómica en CRM fue realizado por Larroza et al. en 2017, titulado "Differentiation between acute and chronic myocardial infarction by means of texture analysis of late gadolinium enhancement and cine cardiac magnetic resonance imaging", publicado por Larroza et al. Este trabajo demostró que las características radiómicas podían distinguir entre infartos agudos y crónicos con una precisión superior a los métodos tradicionales⁽⁹⁾. Desde entonces, la radiómica ha sido utilizada para predecir complicaciones como la remodelación adversa del ventrículo izquierdo (RAVI), la fibrosis miocárdica y la isquemia, ofreciendo una visión más detallada del estado del corazón.

En específico, en cuanto a la utilidad de la radiomica en el predicción de la RAVI, el artículo presentado en este trabajo contribuye de manera significativa a generar conocimiento pues plantea un modelo que permita predecir, o al menos prender alarmas sobre pacientes en riesgo de desarrollar RACI, que como ya vimos, aumenta la morbilidad de manera significativa posterior al IAM.

Otras publicaciones han estudiado la utilidad de la radiomica en la predicción de RAVI, los principales, sus características, limitaciones y fortalezas se resumen en la tabla 5:

---

Tabla 4. Características radiómicas de textura.

---

El estudio expuesto en este trabajo muestra limitaciones, en comparación a los demás realizados en el mismo ámbito; primero, este es un estudio monocéntrico, lo cual representa un sesgo de selección en la población evaluada. Y segundo, no se realiza correlación clínica con marcadores séricos, ni datos clínicos previos al diagnóstico de RAVI.

No obstante, la posibilidad de poder predecir con mayor precisión complicaciones es prometedora. A pesar de esto, el mundo se enfrenta a barreras antes de globalizar la radiómica, una de las principales es la variabilidad en la adquisición de imágenes. Pues las imágenes utilizadas, requieren equipos de alta calidad que no están disponibles de manera generalizada en todos los centros de salud, especialmente en áreas rurales o en países con recursos limitados, como Colombia, en donde las personas deben desplazarse desde sus sitios de residencia a ciudades capitales o cabeceras municipales para el diagnóstico, y aún así algunos de estos equipos no cuentan con la tecnología de punta necesaria. Además, la calidad de las imágenes puede verse afectada por factores como la resolución espacial, el movimiento del paciente o la variabilidad en los protocolos de adquisición entre instituciones, lo que puede comprometer la precisión de los modelos radiómicos.

Otra limitación importante es la falta de estandarización. A pesar de los avances en técnicas de radiómica, no existe un consenso claro sobre los parámetros específicos que deben extraerse de las imágenes ni sobre cómo deben ser analizados, vimos en este trabajo, como el estudio analizado usa múltiples y complejos modelos matemáticos para definir que características deben ser estudiadas y analizadas, las cuales pueden diferir de los demás estudios. La amplia gama de herramientas computacionales y métodos estadísticos disponibles hace que la replicabilidad de los resultados entre diferentes estudios sea difícil de asegurar, lo que afecta la validación de los modelos en diversas poblaciones.

La necesidad de grandes bases de datos es otra limitación significativa. Para entrenar modelos de machine learning que utilicen radiómica, se requieren importantes volúmenes de datos de alta calidad que incluyan diversas cohortes de pacientes, lo cual no siempre está disponible. Esto limita la capacidad de los modelos para predecir con precisión en poblaciones no representadas adecuadamente en los datos de entrenamiento; al respecto, algo interesante es que la mayoría de estudios sobre radiómica se han realizado en oriente, como observamos en la tabla 5, lo cual constituye un vacío de conocimiento en nuestra población y sus características, por lo que no podemos considerar extrapolables de momento a nuestra comunidad los datos, características ni rangos propuestos.

Además, el costo y la infraestructura tecnológica necesarios para implementar la radiomica en la práctica clínica son considerables. El procesamiento y análisis de grandes volúmenes de datos de imagen requieren software especializado, potentes recursos computacionales y profesionales capacitados en técnicas avanzadas de análisis de datos. Estos costos pueden resultar inalcanzables para países en desarrollo, como Colombia, en donde el sistema de salud no podría sustentar estos gastos para la población general.

A pesar de estos desafíos, la radiómica representa un paso importante hacia la medicina personalizada, ofreciendo la posibilidad de un diagnóstico y tratamiento más precisos y eficientes, que en largo, plazo, basados en el concepto de medicina preventiva, podrían incluso disminuir el costo en salud.

---

Conclusión

La radiómica es una herramienta prometedora para la predicción de RAVI en pacientes con IAMCEST; con resultados favorables en los estudios publicados hasta el momento. Sin embargo, se necesitan estudios poblacionales que permitan crear información robusta y confiable para su análisis.

---

---

Bibliografía

1. A, X. et al. (2023) ‘Non-Contrast Cine Cardiac Magnetic Resonance Derived-Radiomics for the prediction of left ventricular adverse remodeling in patients with st-segment elevation myocardial infarction’, Korean Journal of Radiology, 24(9), p. 827. doi:10.3348/kjr.2023.0061.
2. Vrints C, Andreotti F, Koskinas KC, Rossello X, Adamo M, Ainslie J, et al. 2024 ESC guidelines for the management of chronic coronary syndromes. European Heart Journal. 2024 Aug 30;45(36):3415–537. doi:10.1093/eurheartj/ehae177
3. Leancă SA, Crișu D, Petriș AO, Afrăsânie I, Genes A, Costache AD, et al. Left ventricular remodeling after myocardial infarction: From physiopathology to treatment. Life. 2022 Jul 24;12(8):1111. doi:10.3390/life12081111
4. von Knobelsdorff-Brenkenhoff F, Pilz G, Schulz-Menger J. Representation of cardiovascular magnetic resonance in the AHA/ACC guidelines. J Cardiovasc Magn Reson. 2017;19(1):70. doi:10.1186/s12968-017-0385-z.
5. Lee HJ, Kim YJ, Kim W, et al. Non-contrast cardiac magnetic resonance imaging for the assessment of myocardial infarction: current perspectives. Korean J Radiol. 2023;24(3):223-235. doi:10.3348/kjr.2023.0065.
6. Zhang N, Yang G, Gao Z, et al. Deep learning for diagnosis of chronic myocardial infarction on nonenhanced cardiac cine MRI. Radiology. 2019;291(3):606-617. doi:10.1148/radiol.2019182304.
7. Baessler B, Mannil M, Oebel S, et al. Subacute and chronic left ventricular myocardial scar: accuracy of texture analysis on nonenhanced cine MR images. Radiology. 2018;286(1):103-112. doi:10.1148/radiol.2017162674.
8. Baessler B, Luecke C, Lurz J, et al. Cardiac MRI texture analysis of T1 and T2 maps in patients with infarctlike acute myocarditis. Radiology. 2018;289(2):357-365. doi:10.1148/radiol.2018180411.
9. Larroza A, Materka A, López-Lereu MP, et al. Differentiation between acute and chronic myocardial infarction by means of texture analysis of late gadolinium enhancement and cine cardiac magnetic resonance imaging. Eur J Radiol. 2017;92:78-83. doi:10.1016/j.ejrad.2017.04.024.
10. Bulluck H, Hammond-Haley M, Weinmann S, et al. Myocardial infarct size by CMR in clinical cardioprotection studies: insights from randomized controlled trials. JACC Cardiovasc Imaging. 2017;10(3):230-240. doi:10.1016/j.jcmg.2016.12.014.
11. Gillies, R. J., Kinahan, P. E., & Hricak, H. (2016). Radiomics: Images Are More than Pictures, They Are Data. Radiology, 278(2), 563–577. https://doi.org/10.1148/radiol.2015151169
12. Aerts, H. J. W. L., Velazquez, E. R., Leijenaar, R. T. H., et al. (2014). Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nature Communications, 5, 4006. https://doi.org/10.1038/ncomms5006
13. Colombia, M. de S. (2015) Encuesta Nacional de Demografía y Salud en Colombia – ENDS, Encuesta Nacional de Demografía y Salud – ENDS. Available at: https://profamilia.org.co/investigaciones/ends.
14. Colombia, M. de S. (2020) Instituto Nacional de Salud INS, estadísticas, Observatorio Nacional de Salud. Available at: https://www.ins.gov.co/Direcciones/ONS/Paginas/default.aspx.
15. Lupi, M., & Sánchez, V. (2019). Factores de riesgo y epidemiología de la enfermedad cardiovascular en América Latina.Revista Latinoamericana de Salud Cardiovascular.
16. Gómez Frödea, C.X. et al. (2021) ‘Infarto Agudo del Miocardio Como Causa de Muerte’, Revista de la Facultad de Medicina, 64(1), pp. 49–59. doi:10.22201/fm.24484865e.2021.64.1.08.
17. (2022) Mortalidad en infarto agudo de miocardio con elevación del segmento ST de acuerdo al Killip-Kimball, en la fundación Santa Fe de Bogotá de 2011-2022. Available at:https://repository.urosario.edu.co/server/api/core/bitstreams/77354eab-bd27-4521-aac2-1d5dd0f19a2d/content.
18. OPS, O. (2020) La Carga de Enfermedades cardiovasculares, OPS/OMS | Organización Panamericana de la Salud. Available at: https://www.paho.org/es/enlace/carga-enfermedades-cardiovasculares?.
19. Gómez, A. et al. (2020). Impacto del infarto agudo de miocardio en Colombia: una visión desde la epidemiología.Revista Colombiana de Cardiología.
20. Sociedad Latinoamericana de Cardiología (2020). Remodelación ventricular adversa postinfarto en Latinoamérica: incidencia y manejo. Journal of Latin American Cardiology, 28(3), 120-130.
21. Xie, Y., et al. (2020). Radiomics in predicting adverse left ventricular remodeling after STEMI: A preliminary study. European Radiology, 30(12), 6695-6704
22. Zhou, X., et al. (2019). Radiomic features extracted from multi-modal imaging for predicting adverse left ventricular remodeling in STEMI patients. JACC: Cardiovascular Imaging, 12(8), 1499-1507.
23. Li, S., et al. (2021). Radiomics for predicting adverse left ventricular remodeling in patients with STEMI using MRI. Journal of Nuclear Cardiology, 28(5), 1674-1683
24. Sun, Y., et al. (2021). Radiomic features derived from cardiac MRI for prediction of adverse left ventricular remodeling after STEMI. Journal of Cardiovascular Magnetic Resonance, 23(1), 101.
25. Braunwald, E. and Libby, P. (2019) Braunwald’s heart disease: a textbook of cardiovascular medicine. 11th ed. Philadelphia, PA: Elsevier.

---