Un modelo de aprendizaje automático ha demostrado ser capaz de predecir con precisión el riesgo de taponamiento cardíaco durante la ablación con catéter para la fibrilación auricular (FA), según un estudio realizado en una amplia cohorte de pacientes chinos.
El taponamiento cardíaco, una acumulación potencialmente mortal de líquido alrededor del corazón que comprime este órgano, es una complicación poco frecuente pero grave de la ablación con catéter para la FA. Si bien la ablación de FA es un procedimiento común para controlar las arritmias, identificar a los pacientes con mayor riesgo de complicaciones intraoperatorias ha sido un desafío.
Investigadores analizaron retrospectivamente los datos de 1.481 pacientes que se sometieron a ablación con catéter para la FA en un hospital de referencia en Nanjing, China, entre octubre de 2014 y diciembre de 2024. Desarrollaron un modelo predictivo para el taponamiento cardíaco utilizando técnicas de aprendizaje automático. Después de aplicar una técnica de regresión para identificar las variables más relevantes, se entrenaron y evaluaron ocho algoritmos diferentes.
Estratificación del riesgo de taponamiento cardíaco con aprendizaje automático
De los modelos probados, el algoritmo Extreme Gradient Boosting (XGBoost) demostró el mejor rendimiento general. El modelo alcanzó un área bajo la curva (AUC) de 0,972 en el conjunto de entrenamiento y de 0,908 en la validación interna, lo que indica una excelente capacidad de discriminación. El análisis de calibración mostró una fuerte concordancia entre el riesgo predicho y el observado, y el análisis de la curva de decisión sugirió el mayor beneficio clínico neto en comparación con otros modelos.
El análisis de explicabilidad mediante SHapley Additive exPlanations (SHAP) identificó cinco factores clave que influyen en el riesgo de taponamiento cardíaco: la experiencia del operador, el nivel de D-dímero, la dosis total de heparina, el tipo de FA y el diámetro de la aurícula izquierda. Estas variables reflejan aspectos técnicos del procedimiento, el estado de coagulación, las características de la arritmia y las características estructurales del corazón.
La importancia de la experiencia del operador subraya el componente procedimental del riesgo, mientras que los niveles elevados de D-dímero y las dosis más altas de heparina señalan la importancia de un equilibrio adecuado en la anticoagulación durante la ablación.
Limitaciones e implicaciones
Si bien los hallazgos respaldan el potencial de la predicción basada en XGBoost para mejorar la estratificación del riesgo preoperatorio y guiar el manejo intraoperatorio, existen algunas limitaciones. El estudio se realizó en un solo centro y los datos se analizaron de forma retrospectiva. Será necesaria una validación externa en múltiples instituciones para confirmar la generalización de los resultados.
Si se valida, este modelo de predicción de taponamiento cardíaco podría mejorar la seguridad del procedimiento al permitir una evaluación de riesgos personalizada antes de la ablación con catéter para la FA, en línea con los avances más amplios en el soporte de decisiones impulsado por la inteligencia artificial en cardiología.
Referencia
Zhou L et al. Explainable machine learning for risk prediction of acute cardiac tamponade during atrial fibrillation ablation. Sci Rep. 2026; DOI: 10.1038/s41598-026-40302-2.
