Estudios de Deep-Learning de ECGs en reposo de 12 derivaciones para predecir el VO₂ en el ejercicio máximo

Este estudio se centra en la aplicación del aprendizaje profundo al electrocardiograma (ECG) de 12 derivaciones en reposo para estimar el consumo máximo de oxígeno (VO₂ pico) sin necesidad de una prueba de esfuerzo cardiopulmonar (CPET). El objetivo principal era desarrollar un modelo preciso que pudiera predecir el VO₂ pico a partir de un ECG en reposo, utilizando técnicas de aprendizaje profundo. Para ello, se desarrollaron modelos de estimación de VO₂ pico en un grupo de 1891 personas que se sometieron a CPET en el Hospital General de Massachusetts.

La prueba de esfuerzo cardiopulmonar y la medición del VO₂ max son el estándar de oro y parámetros clave para medir la capacidad cardiorrespiratoria y el riesgo de enfermedades cardiovasculares y de mortalidad.

Este estudio hecho en Harvard utiliza la inteligencia artificial (IA) para hacer una estimación del VO₂ max basado en un ECG de reposo y sin hacer una prueba de esfuerzo cardiopulmonar (CPET).

Cuando los resultados de este estudio usando la IA sean validados, tendremos un valioso instrumento para medir de manera indirecta el VO₂ max, la capacidad cardiorrespiratoria y el riesgo cardiovascular, utilizando solamente un ECG en reposo.

Algo que podría ser de gran utilidad en las evaluaciones preoperatorias.