Aprendizaje profundo para la segmentación de vasos y el análisis del flujo para identificar agrupaciones asociadas con resultados adversos en un registro de pacientes con Fontan

Por qué importa estudiar el flujo cardíaco en niños

Los niños nacidos con una sola bomba cardíaca funcional suelen someterse a una cirugía compleja llamada procedimiento de Fontan para poder sobrevivir hasta la edad adulta. Estos pacientes pueden parecer estables durante años, sin embargo algunos desarrollan más tarde problemas graves que afectan al corazón y al hígado. Los médicos ya recopilan exploraciones detalladas por resonancia magnética que capturan cómo se mueve realmente la sangre a través de sus corazones y vasos a lo largo del tiempo, pero la mayor parte de estos datos dinámicos nunca se utiliza. Este estudio muestra cómo la inteligencia artificial moderna puede desbloquear esa información oculta a escala, revelando patrones de flujo sanguíneo vinculados a una salud a largo plazo mejor o peor.

Convertir miles de exploraciones en datos utilizables

Los investigadores trabajaron con el registro FORCE, una gran colección internacional de exámenes de resonancia magnética cardiaca de más de 3.000 personas con circulación Fontan. Cada examen incluye películas especializadas que siguen la velocidad del flujo sanguíneo por los principales vasos en cada latido. Para aprender de estas exploraciones, el equipo primero necesitó delinear los vasos en cada fotograma y medir el flujo a lo largo del tiempo—una tarea manual tediosa que habría requerido un año estimado de trabajo experto ininterrumpido. En su lugar, construyeron un modelo de aprendizaje profundo que puede tanto reconocer qué vaso se está imagendo como dibujar automáticamente el contorno del vaso para cinco trayectos principales: la aorta y cuatro venas y arterias grandes que conducen hacia y desde los pulmones.

Cómo funciona el sistema inteligente de segmentación

El núcleo del sistema es una red neuronal que analiza cada película como un bloque 3D corto: dos dimensiones espaciales más el tiempo. Toma dos versiones de la señal de la RM—una que muestra la anatomía y otra que resalta la sangre en movimiento—y fue entrenada con 260 exámenes donde los expertos ya habían trazado los vasos a mano. El modelo no solo delimita estructuras; también aprende a identificar qué vaso es cuál, ayudado por la información que el operador del escáner introdujo en el momento de la exploración. Con este diseño combinado de clasificación y segmentación, el sistema alcanzó una superposición muy alta con los trazados humanos e identificó correctamente el tipo de vaso en casi todos los casos de prueba, a pesar de la anatomía inusualmente enredada y variable común en pacientes con Fontan.

Escalar a todo un registro internacional

Una vez validado, el modelo se implementó en una tubería automatizada en la nube y se aplicó a más de 4.500 exámenes del registro. Para cada exploración, filtró las películas de flujo, segmentó los cinco vasos objetivo y generó una curva de flujo frente al tiempo para cada latido, todo sin intervención humana. Los expertos revisaron después estos resultados y encontraron que alrededor del 90% de las segmentaciones eran suficientemente buenas para uso clínico cuando estaban presentes los cinco vasos. El sistema funcionó algo peor en pacientes con anatomías especialmente inusuales, como venas duplicadas, pero aun así proporcionó un conjunto de datos masivo y hasta entonces inalcanzable de mediciones limpias y variables en el tiempo del flujo sanguíneo.

Encontrar tipos de flujo ocultos vinculados a resultados

Con miles de curvas de flujo disponibles, el segundo modelo de aprendizaje profundo del equipo buscó agrupaciones naturales de pacientes basadas únicamente en cómo se movía la sangre por sus vasos a lo largo del tiempo. Este modelo comprimió cada par de curvas—ya fuera de las arterias pulmonares o de las venas grandes—en una representación interna compacta y luego agrupó a los pacientes en “fenotipos” de flujo distintos. Algunos grupos presentaban flujos equilibrados y de tamaño normal; otros mostraban reducción del flujo total, flujo dominante hacia un pulmón o flujo desplazado hacia la fase de relajación del latido. Los investigadores siguieron luego la evolución de los pacientes y descubrieron que ciertos patrones de flujo se asociaban con mayores riesgos de muerte, trasplante de corazón o enfermedad hepática, incluso tras ajustar por edad, fuerza de bombeo cardiaco y otras medidas estándar.

Qué podría significar esto para la atención futura

En términos sencillos, el estudio demuestra que la manera en que la sangre circula por la circulación Fontan—qué vasos transportan más o menos flujo y en qué momento del latido—contiene pistas vitales sobre qué pacientes tienen más probabilidad de enfrentar complicaciones graves. Los autores muestran que la inteligencia artificial puede convertir grandes archivos de películas RM en perfiles de flujo significativos y grupos de riesgo, sin trazados manuales ni reglas diseñadas a mano. En el futuro, un sistema como este podría ejecutarse automáticamente justo después de la RM de un niño, marcando a aquellos cuyos patrones de flujo se asemejan a grupos de mayor riesgo y ayudando a los médicos a personalizar el seguimiento, las pruebas o incluso la planificación quirúrgica. Más allá de los pacientes Fontan, el mismo enfoque podría adaptarse a otras afecciones cardíacas, exploraciones de seguimiento de movimiento o incluso señales cotidianas como los ECG, aprovechando mejor la información que los hospitales ya recogen pero rara vez explotan en profundidad.

Cita: Yao, T., Clair, N.S., Gong, M. et al. Deep learning for vessel segmentation and flow analysis to identify clusters associated with adverse outcomes in a fontan patient registry. Sci Rep 16, 11956 (2026). https://doi.org/10.1038/s41598-026-40738-6

Palabras clave: Circulación Fontan, resonancia magnética cardiaca, aprendizaje profundo, patrones de flujo sanguíneo, estratificación de riesgo de pacientes