BOLETÍN OFICIAL DEL ESTADO
Sábado 17 de junio de 2023

Sec. III. Pág. 86369

no invasiva. Sin embargo, a pesar de su reconocido valor en muchos escenarios, estos
índices tienen importantes limitaciones y fallan en escenarios clínicos muy relevantes,
como en la disfunción cardiaca subclínica, la disfunción diastólica, o la cardiotoxicidad en
pacientes oncológicos. Por lo tanto, existe una necesidad urgente de nuevas
herramientas de diagnóstico/pronóstico.
Hipótesis
El flujo de sangre en el corazón es el resultado de la interacción entre la sangre y el
músculo cardiaco, por lo tanto, el flujo se adapta a los cambios en la función cardiaca
para mantener el gasto cardiaco.
El flujo intracardiaco integra múltiples dimensiones del rendimiento cardíaco, por lo
que proporciona un biomarcador único y personalizado de la función cardíaca, con el
potencial de mejorar el diagnóstico y el pronóstico en la medicina cardiovascular.
Creemos que un análisis adecuado del flujo intracardiaco (obtenido a partir de técnicas
de imagen no invasivas) puede producir información diagnóstica incremental única,
capaz de identificar anomalías subclínicas en el corazón. Esta información puede
utilizarse para mejorar la toma de decisiones clínicas y, por tanto, el pronóstico de los
pacientes cardiovasculares.
Objetivos
El principal objetivo del presente proyecto es desarrollar nuevas herramientas de
análisis de flujo dirigidas a mejorar el diagnóstico y el pronóstico del paciente
cardiovascular, que se basarán en:
1) Una batería de métodos data-driven de extracción de biomarcadores a partir del
flujo,
2) El estudio de la interrelación del flujo con las variables clínicas de interés para
desarrollar algoritmos de diagnóstico y
3) La validación estos algoritmos con estudios clínicos que respalden su uso en
escenarios clínicos de importancia, que carecen actualmente de métricas adecuadas
para el diagnóstico y el pronóstico.
Metodología
Desarrollaremos herramientas capaces de capturar las características del flujo
intracardiaco mediante representaciones de orden reducido (ROR), como los análisis
robustos de componentes principales (RPCA), que mejoran la calidad de la
reconstrucción del flujo aprovechando las estructuras coherentes presentes en el mismo.
Esta técnica es capaz de identificar y reemplazar datos incompletos, como los que a
veces se encuentran en los datos medidos de flujo intracardiaco. También
consideraremos otros métodos como el análisis contrastivo de componentes principales
(cPCA), que generan RORs de las diferencias con respecto a un flujo base. Finalmente,
se probarán otros métodos como por ejemplo Shallow Decoders o Descomposición
Modal Dinámica (DMD), con el objetivo de garantizar que capturamos todas las
características relevantes del flujo intracardiaco.
La creación de modelos que relacionen el flujo y las variables cardiovasculares de
interés se basará en tecnologías de aprendizaje automático o machine learning (ML). La
implementación de algoritmos de ML en imagen cardiovascular se ha centrado
inicialmente en «replicar» el diagnóstico humano o automatizar mediciones cardíacas,
como volúmenes ventriculares, segmentación de cámaras o análisis de deformaciones
utilizando imágenes ecocardiográficas o de RMC.21,22 Sin embargo, cuando hay
suficientes datos disponibles, las técnicas de ML pueden recuperar nueva información no
aparente a partir de datos clínicos y/o imagen médica. Trabajos recientes demuestran
que se puede estimar la presión en la aurícula izquierda (un parámetro clave para

cve: BOE-A-2023-14463
Verificable en https://www.boe.es

Núm. 144