TrialsgrambetaRCTs are beautiful
Traducción sin revisarLa traducción al Español de esta entrada no ha sido revisada por pares y puede diferir del original. El acrónimo, el título completo y la cita permanecen siempre en el idioma original.Abrir la publicación original ↗

EAGLE (AI-ECG)

Artificial Intelligence-Enabled Electrocardiograms for Identification of Patients with Low Ejection Fraction: a Pragmatic, Randomized Clinical Trial

Paciente / Población Intervención / Exposición Comparación Desenlace

En 22.641 adultos sin insuficiencia cardíaca conocida con un ECG habitual, el acceso del clínico a una predicción de fracción de eyección reducida por ECG-IA aumentó los nuevos diagnósticos de fracción de eyección reducida en 90 días en comparación con la atención habitual sin el resultado de la IA.

N
22.641pacientes
Diseño
RCT pragmático por conglomerados, EE. UU. (120 equipos de atención primaria)
Desenlace
Nuevo diagnóstico de FE reducida (≤50 %) en los 90 días siguientes al ECG
Relevancia
1Define la práctica — el ensayo en el que se apoya la guía.
ResultadoDiagnóstico de FE reducida 2,1 % vs. 1,6 % (OR 1,32, 1,01–1,61; p=0,007); entre los pacientes con ECG-IA positivo (6 % de la cohorte) 19,5 % vs. 14,5 % (OR 1,43, 1,08–1,91; p=0,01); uso de ecocardiograma similar en conjunto (19,2 % vs. 18,2 %, p=0,17).
Yao X, et al. Nat Med. 2021;27(5):815-819. 10.1038/s41591-021-01335-4
Discusión y crítica

Primera evidencia aleatorizada de que una herramienta de apoyo a la decisión basada en ECG-IA cambia el diagnóstico en la atención primaria habitual, y el modelo para los ensayos posteriores de búsqueda de casos con ECG-IA. La ganancia absoluta fue pequeña, el criterio de valoración es un diagnóstico a los 90 días y no un resultado clínico, y el ensayo fue abierto por su propia naturaleza. Sus ganancias solo se produjeron cuando los clínicos actuaron ante la alerta — la adopción por los clínicos fue el paso limitante (véase la entrada Rushlow), y TRICORDER mostró después el mismo mecanismo con un estetoscopio con IA.