Cuantificación automatizada del ASPECTS e impacto del área elocuente en el desenlace global del paciente con ACV agudo

Abstract

Introducción: El sistema ASPECTS cuantifica focos de baja densidad cerebral en la TAC simple de pacientes con accidente cerebrovascular agudo. Se desconoce el rendimiento diagnóstico de las herramientas automatizadas RAPIDai™ y APPREMIA versus un patrón de oro conformado por radiólogos expertos en el cálculo del puntaje ASPECTS. Se desconoce además el rendimiento diagnóstico en la detección de compromiso del área elocuente y los resultados clínicos finales posteriores a la administración de terapias de reperfusión aguda. Objetivo: Comparar los puntajes Aspects de infartos cerebrales en área elocuente mediante el uso de dos herramientas automatizadas (p.ej., RAPIDai™ y APPREMIA™) vs un consenso de expertos neuro radiólogos en el contexto de pacientes adultos en código ACV con y sin tratamiento con terapias de reperfusión aguda. Materiales y métodos: Estudio de prueba diagnóstica, observacional, analítico, de tipo corte transversal en el que se utilizaron medidas de tendencia central y dispersión para describir las características demográficas y clínicas de los pacientes. Se calcularon las variables operativas de rendimiento diagnóstico para cada uno de los métodos de ASPECTS automatizado, entre ellas el área bajo la curva con sus respectivos intervalos de confianza del 95%, sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo, valor p (Mcnemar's) y valores kappa. Para variables continuas, las comparaciones estadísticas entre los pacientes con puntaje ASPECTS favorable versus desfavorable se realizó mediante la prueba t de Student. Las distribuciones de puntajes Rankin modificado a los 90 días (desenlace clínico final) entre los pacientes con infarto de área elocuente versus infartos ganglio-basales se comparados mediante pruebas chi2 y en caso de frecuencias pequeñas, se utilizó la prueba exacta de Fisher. Para el análisis de subgrupos se utilizó la prueba exacta de Fisher y la prueba de Wilcoxon. Resultados: El estudio evaluó pacientes con infartos cerebrales agudos y su relación con desenlaces clínicos utilizando herramientas automatizadas para calcular el puntaje ASPECTS. Se encontró que los pacientes con infartos en áreas elocuentes tenían peores resultados, independientemente del tratamiento recibido. Por ejemplo, presentaron un NIHSS de egreso significativamente mayor (5 vs 1, p=0.002), una estancia hospitalaria más prolongada (12 vs 6 días, p=0.097) y una mayor discapacidad al egreso (81% vs 44%, p=0.575). El rendimiento diagnóstico de las herramientas ASPECTS-Appremia y eASPECTS-RAPIDai fue equivalente al patrón de oro, pero se observaron discrepancias significativas en áreas elocuentes, con un 16% de las mediciones mostrando una diferencia de ≥4 puntos y un 24% con una diferencia de >2 puntos (p<0.001). 6 rendimiento diagnóstico de TORAXIA (Alumbra.ai™) para la detección de opacidades en vidrio esmerilado en radiografías de tórax de pacientes con sospecha de infección por COVID-19 del Hospital Universitario Fundación Santa Fe de Bogotá. Conclusiones: Los pacientes con infarto en área elocuente/cortical presentaron desenlaces desfavorables: NIHSS de egreso mayor 5(1-11) vs 1(0-2) p=0.002, mayor estancia hospitalaria 12 (4,19) vs 6 (4,8) p=0.097 y mayor discapacidad (p.ej., Rankin modificado de egreso 3-6 del 81% vs 44% (área no elocuente) p=0.575. Resultados independientes de la administración de terapias de reperfusión aguda (84% vs 80% p=0.716).1: El rendimiento diagnóstico de los aplicativos ASPECTS-Appremia y eASPECTS-RAPIDai vs ASPECTS-Patrón de oro fueron equivalentes tanto en el análisis de no inferioridad como en el análisis ROC comparativo con un ABC: 0.82 IC 95%(0.63-1.00). 2: Las discrepancias más significativas entre los puntajes ASPECTS-Appremia vs ASPECTS-Patrón de oro ocurren en áreas elocuentes/corticales con disparidades >=4 puntos en 16% de las mediciones, y >2 puntos en 24% de las mediciones (p<0.001). 3: Este conjunto de resultados permiten redirigir el desarrollo de redes neuronales y otros métodos de aprendizaje de máquina hacia una mayor precisión en la detección de infartos isquémicos en áreas elocuentes dada su alta morbimortalidad asociada.