¿Se puede Predecir un Infarto?

¿SE PUEDE PREDECIR UN INFARTO?

Un estudio en el que han participado investigadores argentinos, ha descubierto un clasificador de aprendizaje automatizado (machine learning) para dispositivos electrónicos portátiles para predecir el riesgo de infarto agudo de miocardio con o sin elevación del segmento ST en pacientes que consultan en la guardia por dolor precordial de etiología desconocida, lo que representa un nuevo ejemplo de la expansión de la inteligencia artificial en diagnóstico, monitoreo, selección de terapias, imagenología e investigación en cardiología.


A partir de datos duros que se pueden obtener de una forma rápida y sencilla, se carga la máquina o algoritmo que tiene una capacidad muy alta de predecir si un paciente con dolor torácico presenta un problema cardiaco; resumió el líder del equipo de investigadores del estudio ANGINA, Dr. Juan Pablo Costabel, jefe de Unidad Coronaria del Instituto Cardiovascular de Buenos Aires.

Este descubrimiento es especialmente relevante teniendo en cuenta que las enfermedades cardiovasculares son una de las principales causas de muerte. Por ello, el estudio se fundamenta en que el dolor torácico representa una de las causas más frecuentes de concurrencia a los servicios de emergencias médicas, y que interpretar la información obtenida de la anamnesis y de los datos objetivos depende mucho de la experiencia del médico a cargo: la revisión de la evidencia muestra que los síntomas “atípicos” no permiten descartar síndrome coronario agudo, mientras que los “típicos” no habilitan a confirmarlo.

Para abordar ese desafío, el Dr. Costabel y su equipo utilizaron un clasificador de aprendizaje automatizado integrado en una tablet o smartphone para registrar durante el triage 17 variables dicotómicas objetivas, datos del examen físico y variables subjetivas de pacientes con dolor precordial de origen desconocido: edad, peso, altura, factores de riesgo cardiovascular, presión arterial sistólica, frecuencia cardiaca y
característica, intensidad y localización del dolor, entre otras.

La herramienta de inteligencia artificial empleada consistió en un tipo de algoritmo de aprendizaje automático supervisado llamado random forest o bosques aleatorios de 150 estimadores, que combina múltiples algoritmos del mismo tipo para generar un modelo predictivo más poderoso. Después de una primera fase de aprendizaje mediante el ingreso de datos conocidos, el clasificador es capaz de generar un conocimiento modelado que brinda datos de salida predictores.

Una real esperanza.

Los resultados de la generación del algoritmo de aprendizaje automático fueron muy alentadores, señaló el Dr. Costabel.

Respecto de las variables predictoras, las más influyentes para el modelo a partir del análisis con la prueba T de Student resultaron ser, en orden decreciente: peso, edad, intensidad del dolor, presión arterial sistólica y
cuantificación de los pacientes respecto de cómo se sienten en una escala continua. Una de las tantas ventajas de esta herramienta, consiste en que no requiere determinaciones de laboratorio, en particular, de troponina, cómo utilizan las mejores escalas clásicas de puntuación de riesgo.


El especialista añadió que puede ser particularmente beneficioso en centros donde no hay suficientes cardiólogos experimentados, porque podría reducir la posibilidad de que un paciente con dolor torácico sea remitido a casa cuando está cursando un infarto.

Después de validación externa y optimización del algoritmo, la tercera etapa del proyecto incluye la evaluación de su desempeño en la vida real. “Esperamos que a futuro esta herramienta pueda ser utilizada
por otras instituciones de todo el país”, destacó.

No obstante, se debe tener en cuenta que la inteligencia artificial no es perfecta, que puede generar modelos y resultados insatisfactorios y que debe valorarse como una herramienta complementaria. Un ejemplo de ello, es que un modelo desarrollado a partir de algoritmos de aprendizaje automatizado no mejoró la predicción de re-hospitalizaciones a 30 días en pacientes con insuficiencia cardiaca, en comparación con modelos de predicción más tradicionales.

Cuando se dejan de medir variables importantes o variables desconocidas, o cuando se utilizan modelos muy complejos en bases de datos muy simples, eso crea sesgo, por lo que es importante el juicio clínico para determinar si estos modelos tienen una aplicación clínica. Incluso los mejores modelos de inteligencia artificial tienen limitaciones. “La inteligencia artificial no reemplaza la inteligencia emocional de los médicos”.

Fuente: theheart.org

Deja un comentario

Artículo añadido al carrito.
0 artículos - $0.00
WhatsApp chat