HeartLogic es un algoritmo incorporado a desfibriladores automáticos implantables (DAI) que contempla múltiples parámetros clínicos. A partir de este algoritmo, se generan alertas asociadas que permiten predecir descompensaciones de insuficiencia cardiaca (IC).
Para poner a prueba la fiabilidad de las alertas generadas en función de este algoritmo, investigadores del CIBERCV, el Servicio de Cardiología, Hospital Universitario 12 de Octubre y del Instituto de Investigación Sanitaria Hospital 12 de Octubre (imas12), del grupo liderado por Juan Francisco Delgado, evaluaron durante una media de 10 meses a un total de 288 pacientes de 15 centros para comprobar la asociación entre alertas y eventos clínicos.
Los resultados de este trabajo permitieron confirmar que el índice HeartLogic se asoció con descompensaciones de IC y otros eventos relevantes, con baja tasa de alertas inexplicables. “Un protocolo estandarizado permitió detectar y actuar a distancia con seguridad sobre las alertas”, explican los autores.
En concreto, en fase 1, tras una media de observación de 10 meses, hubo 73 alertas (0,72 alertas/paciente-año), con 8 hospitalizaciones y 2 visitas a urgencias por IC (0,10 eventos/año-paciente). No hubo hospitalizaciones fuera del periodo de alerta. Las fases activas tuvieron una media de seguimiento de 16 meses, con 277 alertas (0,89 alertas/año-paciente); 33 se asociaron con hospitalizaciones o muerte por IC, 46 con descompensaciones menores y 78 con otros eventos. La mayoría de las alertas (el 82% en fase 2 y el 81% en fase 3) pudieron ser gestionadas a distancia.
En cuanto a la tasa de alertas inexplicables, fue de solo 0,39/año-paciente. Fuera de estos períodos de estado de alerta únicamente hubo una hospitalización y una descompensación menor.
Artículo de referencia:
de Juan Bagudá J, et. al.; RE-HEART Registry group. Remote heart failure management using the HeartLogic algorithm. RE-HEART Registry. Rev Esp Cardiol (Engl Ed). 2021 Dec 9:S1885-5857(21)00340-6. English, Spanish. DOI: 10.1016/j.rec.2021.09.015. Epub ahead of print. PMID: 34896031.
