Insuficiencia cardíaca e inteligencia artificial: algoritmo de autoaprendizaje para detectar signos invisibles al ECG
Insuficiencia cardíaca e inteligencia artificial: un algoritmo informático especial basado en inteligencia artificial (IA) creado por los investigadores de Mount Sinai pudo aprender a identificar cambios sutiles en los electrocardiogramas (también conocidos como ECG o EKG) para predecir si un paciente estaba experimentando insuficiencia cardíaca.
Los algoritmos de autoaprendizaje reconocen los problemas de insuficiencia cardíaca
"Demostramos que los algoritmos de aprendizaje profundo pueden reconocer problemas de bombeo de sangre en ambos lados del corazón a partir de datos de forma de onda de ECG", dijo Benjamin S. Glicksberg, PhD, profesor asistente de genética y ciencias genómicas, miembro del Hasso Plattner Institute for Digital Health at Mount Sinai, y autor principal del estudio publicado en el Journal of the American College of Cardiology: Cardiovascular Imaging.
“Por lo general, el diagnóstico de este tipo de afecciones cardíacas requiere procedimientos costosos y que requieren mucho tiempo.
Esperamos que este algoritmo permita un diagnóstico más rápido de insuficiencia cardíaca ".
El estudio fue dirigido por Akhil Vaid, MD, un becario postdoctoral que trabaja en el laboratorio de Glicksberg por Girish N. Nadkarni, MD, MPH, CPH, Profesor Asociado de Medicina en la Escuela de Medicina Icahn en Mount Sinai, Jefe de la División de Medicina digital y basada en datos (D3M), y autor principal del estudio.
La insuficiencia cardíaca o insuficiencia cardíaca congestiva, que afecta a aproximadamente 6.2 millones de estadounidenses, ocurre cuando el corazón bombea menos sangre de la que el cuerpo normalmente necesita.
Durante años, los médicos se han basado en gran medida en una técnica de imagen llamada ecocardiograma para evaluar si un paciente puede estar experimentando insuficiencia cardíaca.
Si bien son útiles, los ecocardiogramas pueden ser procedimientos intensivos en mano de obra que solo se ofrecen en hospitales seleccionados.
Sin embargo, los avances recientes en inteligencia artificial sugieren que los electrocardiogramas, un dispositivo de registro eléctrico ampliamente utilizado, podrían ser una alternativa rápida y fácilmente disponible en estos casos.
Por ejemplo, muchos estudios han demostrado cómo un algoritmo de "aprendizaje profundo" puede detectar la debilidad en el ventrículo izquierdo del corazón, que empuja la sangre recién oxigenada al resto del cuerpo.
En este estudio, los investigadores describieron el desarrollo de un algoritmo que no solo evaluó la fuerza del ventrículo izquierdo sino también del ventrículo derecho, que toma la sangre desoxigenada que fluye desde el cuerpo y la bombea a los pulmones.
“Aunque atractivo, tradicionalmente ha sido un desafío para los médicos usar ECG para diagnosticar la insuficiencia cardíaca.
Esto se debe en parte a que no hay criterios de diagnóstico establecidos para estas evaluaciones y a que algunos cambios en las lecturas de ECG son simplemente demasiado sutiles para que los detecte el ojo humano ”, dijo el Dr. Nadkarni.
"Este estudio representa un emocionante paso adelante en la búsqueda de información oculta dentro de los datos del ECG que puede conducir a mejores paradigmas de detección y tratamiento utilizando una prueba relativamente simple y ampliamente disponible".
Normalmente, un electrocardiograma implica un proceso de dos pasos.
Los cables se pegan con cinta adhesiva a diferentes partes del pecho del paciente y, en cuestión de minutos, una máquina portátil especialmente diseñada imprime una serie de líneas onduladas, o formas de onda, que representan la actividad eléctrica del corazón.
Estas máquinas se pueden encontrar en la mayoría de los hospitales y ambulancias en todo Estados Unidos y requieren una formación mínima para operar.
Para este estudio, los investigadores programaron una computadora para leer electrocardiogramas de pacientes junto con datos extraídos de informes escritos que resumían los resultados de los ecocardiogramas correspondientes tomados de los mismos pacientes.
En esta situación, los informes escritos actuaron como un conjunto estándar de datos para que la computadora los compare con los datos del electrocardiograma y aprenda a detectar corazones más débiles.
EQUIPO DE ECG? VISITA EL STAND DE ZOLL EN LA EXPO DE EMERGENCIA
Insuficiencia cardíaca: los programas de procesamiento del lenguaje natural ayudaron a la computadora a extraer datos de los informes escritos.
Mientras tanto, se incorporaron redes neuronales especiales capaces de descubrir patrones en imágenes para ayudar al algoritmo a aprender a reconocer las fuerzas de bombeo.
"Queríamos impulsar el estado de la técnica mediante el desarrollo de una IA capaz de comprender todo el corazón de forma fácil y económica", dijo el Dr. Vaid.
Luego, la computadora leyó más de 700,000 electrocardiogramas e informes de ecocardiogramas obtenidos de 150,000 pacientes del Mount Sinai Health System de 2003 a 2020.
Los datos de cuatro hospitales se utilizaron para entrenar la computadora, mientras que los datos de un quinto se utilizaron para probar cómo funcionaría el algoritmo en un entorno experimental diferente.
"Una ventaja potencial de este estudio es que involucró una de las colecciones más grandes de ECG de una de las poblaciones de pacientes más diversas del mundo", dijo el Dr. Nadkarni.
Los resultados iniciales sugirieron que el algoritmo era eficaz para predecir qué pacientes tendrían ventrículos izquierdos sanos o muy débiles.
Aquí la fuerza se definió por la fracción de eyección del ventrículo izquierdo, una estimación de la cantidad de líquido que bombea el ventrículo con cada latido, como se observa en los ecocardiogramas.
Los corazones sanos tienen una fracción de eyección del 50 por ciento o más, mientras que los corazones débiles tienen una fracción de eyección igual o inferior al 40 por ciento.
El algoritmo tenía una precisión del 94 por ciento para predecir qué pacientes tenían una fracción de eyección saludable y un 87 por ciento de precisión para predecir aquellos que tenían una fracción de eyección que estaba por debajo del 40 por ciento.
Sin embargo, el algoritmo no fue tan eficaz para predecir qué pacientes tendrían corazones ligeramente debilitados.
En este caso, el programa tuvo una precisión del 73 por ciento en la predicción de los pacientes que tenían una fracción de eyección que estaba entre el 40 y el 50 por ciento.
Otros resultados sugirieron que el algoritmo también aprendió a detectar debilidades de la válvula derecha a partir de los electrocardiogramas.
En este caso, la debilidad se definió mediante términos más descriptivos extraídos de los informes del ecocardiograma.
Aquí, el algoritmo tuvo una precisión del 84 por ciento para predecir qué pacientes tenían válvulas derechas débiles.
“Nuestros resultados sugirieron que este algoritmo podría eventualmente ayudar a los médicos a diagnosticar correctamente las fallas en ambos lados del corazón”, dijo el Dr. Vaid.
Finalmente, un análisis adicional sugirió que el algoritmo puede ser eficaz para detectar la debilidad cardíaca en todos los pacientes, independientemente de la raza y el sexo.
"Nuestros resultados sugieren que este algoritmo podría ser una herramienta útil para ayudar a los médicos a combatir la insuficiencia cardíaca que sufren una variedad de pacientes", agregó el Dr. Glicksberg. "Estamos en el proceso de diseñar cuidadosamente ensayos prospectivos para probar su efectividad en un entorno más real".
Este estudio fue apoyado por los Institutos Nacionales de Salud (TR001433).
Artículo
Vaid, A., et al., Uso de algoritmos de aprendizaje profundo para identificar simultáneamente la disfunción ventricular derecha e izquierda a partir del electrocardiograma, Journal of the American College of Cardiology: Cardiovascular Imaging, 13 de octubre de 2021, DOI: 10.1016 / j.jcmg.2021.08.004 .XNUMX.
Lea también:
Inflamaciones del corazón: miocarditis, endocarditis infecciosa y pericarditis
Soplos cardíacos: qué es y cuándo preocuparse
El síndrome del corazón roto está en aumento: conocemos la miocardiopatía de Takotsubo