Ya es posible predecir una muerte por paro cardíaco a través de la inteligencia artificial

Themachine learning está superando a los humanos parapredecir la muerteo un ataque al corazón. Ése es el mensaje principal de un estudio que se presenta este domingo en la Conferencia Internacional sobre Cardiología Nuclear y TC Cardiaca (ICNC, for its acronym in English), coorganizada por la Sociedad Americana de Cardiología Nuclear (ASNC, for its acronym in English), la Asociación Europea de Imágenes Cardiovasculares (EACVI, for its acronym in English) de la Sociedad Europea de Cardiología (ESC, for its acronym in English) y la Asociación Europea de Medicina Nuclear (EANM, for its acronym in English).

Al analizar repetidamente 85 variables en 950 pacientes con resultados conocidos de seis años, un algoritmoaprendiócómo interactúan los datos de imágenes. Lateridentificó los patrones que correlacionan las variables conla muerte y el ataque cardiaco con más del 90% de precisión.

Machine learning, la base moderna de laartificial intelligence (HE), se utiliza todos los días. El motor de búsqueda de Google, el reconocimiento facial en los teléfonos inteligentes, los coches que conducen por sí mismos, los sistemas de recomendación de Netflix y Spotify usanalgoritmos de aprendizaje automático para adaptarse al usuario individual.

Tratamiento personalizado

El autor del estudio, el doctor Luis Eduardo Juárez-Orozco, del Centro de PET de Turku, Finlandia, dice: “Estos avances van mucho más allá de lo que se ha hecho en medicina, donde debemos ser cautelosos sobre cómo evaluamos el riesgo y los resultados. Tenemos los datos, pero todavía no los estamos utilizando en todo su potencial”. 

Los médicos emplean las puntuaciones de riesgo para tomardecisiones de tratamiento, pero estas puntuaciones se basan solo en un puñado de variables y, often, tienen unaprecisión modesta en pacientes individuales. Mediante la repetición y el ajuste, el aprendizaje automático puede explotar grandes cantidades de datos e identificar patrones complejos que pueden no ser evidentes para los humanos.

A los humanos les cuesta mucho pensar en más de tres dimensiones (un cubo) o cuatro dimensiones (un cubo a través del tiempo). En el momento en que saltamos a la quinta dimensión estamos perdidos. Nuestro estudio demuestra que lospatrones de alta dimensión son más útiles que los patrones de una sola dimensión para predecir resultados en individuos y para eso necesitamos aprendizaje automático”, dice el doctor Juárez-Orozco.

950 pacientes con dolor torácico

El estudio incluyó a 950 pacientes con dolor torácico que se sometieron al protocolo habitual del centro para detectar una enfermedad de la arteria coronaria. Unaexploración coronaria por angiografía por tomografía computarizada (CCTA, for its acronym in English) produjo 58 datos de la presencia de placa coronaria, estrechamiento de vasos y calcificación.

Aquellos con exploraciones que sugerían enfermedad se sometieron a una tomografía por emisión de positrones (TEP) que produjo 17 variables en el flujo sanguíneo. Se obtuvieron diez variables clínicas a partir de registros médicos, incluyendo sexo, age, tabaquismo y diabetes.

Durante unseguimiento promedio de seis años, hubo 24 ataques cardiacos y 49 muertes por cualquier causa. The 85 variables se pusieron en un algoritmo de aprendizaje automático llamado LogitBoost, que las analizó una y otra vez hasta que encontró la mejor estructura para predecir quién tuvo un ataque cardiaco o murió.

Patrones de alta dimensión

El algoritmo aprende progresivamente de los datos y, después de numerosas rondas de análisis, determina los patrones de alta dimensión que deben usarse para identificar de manera eficiente a los pacientes que tienen el evento. El resultado es unapuntuación de riesgo individual“, explica el doctor Juárez-Orozco.

El rendimiento predictivo utilizando solo las diez variables clínicas (similar a la práctica clínica actual) fue modesto, con un área bajo la curva (AUC) of 0,65 (donde 1 es una prueba perfecta y 0,5 es un resultado aleatorio). Cuando se añadieron datos de PET, el AUC aumentó a 0,69. El rendimiento predictivo subió significativamente (p = 0,005) cuando se sumaron los datos de CCTA a los datos clínicos y de PET, lo que dio un AUC 0,82 y una precisión de más del 90%.

Los médicos ya recopilan mucha información sobre los pacientes, for example, los que tienen dolor de pecho. Descubrimos que el aprendizaje automático puede integrar estos datos y predecir con precisión el riesgo individual. Esto debería permitirnos personalizar el tratamiento Y, as a last resort, llevar a mejores resultados para los pacientes”, concluye el doctor Juárez-Orozco.

Leave a Reply

Your email address will not be published. Required fields are marked *

11 − six =