Un nuevo método basado en la inteligencia artificial es capaz de predecir, con bastante más precisión que un médico, si un paciente podría morir de una paro cardíaco y cuando, según publican unos investigadores en la revista Nature Cardiovascular Research. La tecnología, obra de científicos de la Universidad Johns Hopkins de Estados Unidos, utiliza imágenes en bruto de los corazones enfermos y se fija en los antecedentes de los pacientes y consigue resultados que pueden revolucionar la toma de decisiones clínicas y aumentar la supervivencia de las arritmias cardíacas repentinas y letales, una de las afecciones más mortales y desconcertantes de la medicina.
«La muerte súbita cardíaca causada por una arritmia representa hasta el 20 por ciento de todas las muertes en el mundo y sabemos poco sobre por qué ocurre o cómo saber quién está en riesgo», explica una de las investigadoras, Natalia Trayanova, profesora de Ingeniería Biomédica y Medicina. «Hay pacientes que pueden tener un riesgo bajo de muerte súbita cardíaca y que se ponen desfibriladores que quizás no necesitan, y luego hay pacientes de alto riesgo que no reciben el tratamiento que necesitan y podrían morir en la flor de la vida -añade-. Lo que el nuestro algoritmo puede hacer es determinar quién está en riesgo de muerte cardíaca y cuándo se va a producir, lo que permite a los médicos decidir exactamente lo que hay que hacer».
Los científicos estadounidenses son los primeros en utilizar redes neuronales para construir una evaluación de supervivencia personalizada para cada paciente con enfermedad cardíaca. Estas medidas proporcionan con gran precisión la probabilidad de una muerte súbita cardíaca a lo largo de 10 años y cuando es más probable que ocurra. La tecnología se llama Estudio de Supervivencia del Riesgo de Arritmia Cardíaca (SSCAR). El nombre hace referencia a la cicatrización cardíaca causada por la enfermedad que a menudo acaba provocando arritmias letales. Una cicatrización que, precisamente, es la clave de las predicciones del algoritmo que han desarrollado.
El equipo utilizó imágenes cardíacas con contraste para ver la distribución de las cicatrices de cientos de pacientes reales del Hospital Johns Hopkins y realizar un algoritmo que detectara patrones y relaciones no visibles a simple vista. El actual análisis de imágenes cardíacas clínicas sólo extrae características simples cicatrices, como el volumen y la masa. En este trabajo, «las imágenes contienen información crítica a la que los médicos no han podido acceder -afirma otro de los autores, Dan Popescu, antiguo estudiante de doctorado de Johns Hopkins-. Esta cicatrización puede estar distribuida de diferentes formas y dice algo sobre las posibilidades de supervivencia de un paciente. Hay información oculta en ella”.
Los investigadores entrenaron una segunda red neuronal para que aprendiera a partir de 10 años de datos clínicos estándar de pacientes, 22 factores como la edad, el peso, la raza y el uso de medicamentos recetados de los pacientes. Las predicciones de los algoritmos no sólo fueron significativamente más precisas que las de los médicos, sino que fueron validadas en pruebas con pacientes de 60 centros de salud de todos los Estados Unidos con diferentes historiales cardíacos y datos de imagen, lo que sugiere que la tecnología podría adaptarse a todas partes.
«Esto tiene el potencial de modelar significativamente la toma de decisiones clínicas en relación con el riesgo de arritmia y representa un paso esencial para llevar el pronóstico de la trayectoria del paciente alera de la inteligencia artificial -señala Trayanova, que también es codirectora de la Alianza para la Innovación en Diagnóstico y Tratamiento Cardiovascular-. Es el epítome de la tendencia a fusionar la inteligencia artificial, la ingeniería y la medicina como futuro de la asistencia sanitaria«. El equipo trabaja ahora en la creación de algoritmos para detectar otras enfermedades cardíacas. Según Trayanova, el concepto de aprendizaje profundo podría desarrollarse para otros campos de medicina que dependen del diagnóstico visual.
