Rendimiento de modelos de aprendizaje automático en la predicción de recurrencia de fibrilación auricular paroxística

Resumen

Introducción: Los algoritmos de aprendizaje automático han impulsado el desarrollo de modelos capaces de predecir la recurrencia de la fibrilación auricular paroxística con rendimiento superior a las escalas convencionales.

Objetivo: Sintetizar el rendimiento discriminativo de los algoritmos de aprendizaje automático en la predicción de recurrencia de la fibrilación auricular paroxística.

Métodos: Se realizó una revisión sistemática de artículos publicados en LILACS, PUBMED, OpenAlex, Sciencedirect y Europe PMC. Se incluyeron ensayos clínicos, cohortes y estudios de desarrollo/validación de modelos predictivos que involucraran a adultos diagnosticados con fibrilación auricular paroxística. El desenlace primario fue la recurrencia de la arritmia. Las métricas de rendimiento se sintetizaron mediante un modelo de efectos aleatorios. El riesgo de sesgo se evaluó con PROBAST.

Resultados: Se identificaron siete estudios en la fase cualitativa (N = 7 466 pacientes; recurrencia post-ablación: 13,47%-37,5%). Cinco modelos aportaron datos para la síntesis cuantitativa. Los algoritmos basados en inteligencia artificial mostraron un elevado rendimiento discriminativo global (AUC = 0,78; IC95%: 0,71-0,85; p < 0,0001), con alta heterogeneidad interestudio (I² = 91,5%). El análisis por subgrupos reportó mayor estabilidad en la familia de arquitecturas alternativas frente a Ensemble Trees. Las investigaciones incluidas exhibieron alto riesgo de sesgo global en el dominio de análisis estadístico.

Conclusiones: Los modelos de aprendizaje automático muestran una alta capacidad discriminativa en la predicción de recurrencias. Sin embargo, el alto riesgo de sesgo metodológico de la literatura primaria obliga a interpretar el rendimiento global con cautela.