Una herramienta de inteligencia artificial predice el riesgo de infartos agudos de miocardio

BUENOS AIRES, Arg. Un clasificador de aprendizaje automatizado (machine learning) para dispositivos electrónicos portátiles desarrollado en Argentina mostró ser útil 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.^[1]

"A partir de datos duros que pueden preguntar y cargar incluso médicos inexpertos, la máquina o algoritmo tiene una capacidad muy alta de predecir si un paciente con dolor torácico presenta un problema cardiaco", resumió a Medscape en Español el líder del equipo de investigadores del estudio ANGINA, Dr. Juan Pablo Costabel, jefe de Unidad Coronaria del Instituto Cardiovascular de Buenos Aires.

El avance recibió el premio como mejor trabajo de investigación en el 45° Congreso Argentino de Cardiología, que se celebró en esta ciudad del 17 al 19 de octubre. A principios del próximo año los autores esperan presentar en el Congreso del American College of Cardiology (ACC) de 2020 la validación del algoritmo generado, aunque el Dr. Costabel anticipó que los resultados preliminares son "definitivamente positivos".

Según los autores, 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.^[2]

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.

Se incorporaron en el estudio 161 pacientes (57 ± 12 años; 72,7% integrado por hombres; 16% con antecedentes coronarios) ingresados por guardia entre enero y marzo de 2019. En el seguimiento a 30 días, 47,2 % (n = 76) requirió una intervención de revascularización, presentó infarto agudo de miocardio (n = 48) o falleció.

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.

Resultados alentadores

Los resultados de la generación del algoritmo de aprendizaje automático fueron muy alentadores, señaló el Dr. Costabel. Considerando la capacidad de predicción de infartos agudos de miocardio, el modelo de clasificación presentó un área bajo la curva ROC de 0,8889, con sensibilidad de 0,8552; especificidad de 0,8588, y precisión de 0,8441.

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.

El Dr. Costabel manifestó a Medscape en Español que una ventaja de la herramienta consiste en que no requiere determinaciones de laboratorio, en particular, de troponina, como 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.

"Dado que todas las guardias tienen una alta afluencia de pacientes, toda herramienta que acelere los tiempos y mejore la precisión diagnóstica es bienvenida, especialmente en pacientes cardiovasculares", mencionó el Dr. Mariano Benzadón, director del Departamento de Innovación del Instituto Cardiovascular de Buenos Aires.

Para uno de los disertantes en el congreso, Dr. Diego Delgado, profesor de Medicina en la University of Toronto e investigador clínico del Toronto General Hospital Research Institute, en Toronto, Canadá, la nueva herramienta es "interesante", aunque necesariamente los resultados preliminares tendrán que ser validados en población antes de su aplicación clínica.

"La consulta por dolor de pecho es una de las más frecuentes en salas de emergencia, pero existen muchas causas posibles y no existe una puntuación de riesgo perfecta", comentó el Dr. Delgado a Medscape en Español. "Este trabajo es una muestra más de que la inteligencia artificial podría aportar nuevas perspectivas para el diagnóstico de esta situación".

Otras aplicaciones

Pero la predicción de infartos en la emergencia es solo un aspecto de las potencialidades clínicas de estas herramientas tecnológicas. Durante el congreso, el Dr. Delgado y varios expositores mencionaron otras aplicaciones recientes y promisorias de la inteligencia artificial a la cardiología:

• Ingenieros informáticos y médicos de Posadas, Argentina, aproximadamente 1.000 km al noreste de Buenos Aires, presentaron como tema libre la experiencia de entrenamiento de un modelo de aprendizaje automatizado para que detecte y extraiga de historias clínicas electrónicas información redactada en lenguaje no estructurado de factores de riesgo cardiovasculares.^[3] "La investigación continua en proceso, con lo cual se prevé la incorporación de nuevas evoluciones con el propósito de dar mayor sustento a los resultados y mejorar la actuación del modelo propuesto", señalaron.

• Piotr Slomka, Ph. D., investigador principal del Artificial Intelligence in Medicine Program del Cedars-Sinai Medical Center, y profesor de la University of California-Los Angeles School of Medicine, en Los Ángeles, Estados Unidos, expuso sobre un estudio multicéntrico de 2018 que lideró y que demostró que el aprendizaje profundo puede mejorar la interpretación automática de las imágenes de perfusión miocárdica para la predicción de enfermedad obstructiva, en comparación con los métodos clínicos convencionales.^[4]

• Slomka citó otro estudio del mismo año que aplicó aprendizaje profundo para cuantificar el tejido adiposo epicárdico a partir de la evaluación del calcio coronario con tomografía computarizada sin contraste, lo que permite una rápida estratificación del riesgo cardiovascular en esos pacientes.^[5]

• Otro desarrollo de inteligencia artificial a partir de medidas cuantitativas de placas por angiotomografía computarizada coronaria pudo mejorar el valor predictivo de isquemias en comparación con las determinaciones individuales mediante esa tecnología de imágenes, como la estenosis o el volumen total de las placas, mencionó Slomka.^[6]

• Por su parte, el Dr. Delgado, destacó un estudio multicéntrico de 2017 que probó que el aprendizaje automatizado a partir del registro de 59 parámetros clínicos y de angiotomografía computarizada coronaria es "mucho mejor" que los modelos tradicionales para predecir mortalidad a 5 años en pacientes con insuficiencia cardiaca.^[7]

No obstante, los expositores reconocieron que la inteligencia artificial no es perfecta, que puede generar modelos y resultados insatisfactorios y que debe valorarse como una herramienta complementaria. En 2017, por ejemplo, un modelo desarrollado a partir de algoritmos de aprendizaje automatizado no mejoró la predicción de rehospitalizaciones a 30 días en pacientes con insuficiencia cardiaca, en comparación con modelos de predicción más tradicionales.^[8]

"Cuando dejamos de medir variables importantes o variables desconocidas, o cuando utilizamos 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", advirtió el Dr. Delgado.

"La inteligencia artificial no remplaza la inteligencia emocional de los médicos", añadió.

Por otra parte, Slomka enfatizó que los datos usados para entrenar el modelo de aprendizaje automatizado deben reflejar los datos de la práctica clínica. "Si entreno con cebras el sistema, luego no puedo ingresar o presentarle caballos", concluyó.

Los doctores Costabel, Slomka y Delgado han declarado no tener ningún conflicto de interés económico pertinente.

Siga a Matías A. Loewy de Medscape en Español en Twitter @MLoewy. Para más contenido siga a Medscape en Facebook, Twitter, Instagram y YouTube.

Medscape © 2019 WebMD, LLC

Cualesquiera puntos de vista expresados antes son del propio autor y no necesariamente reflejan los puntos de vista de WebMd o Medscape.

Citar este artículo: Una herramienta de inteligencia artificial predice el riesgo de infartos agudos de miocardio - Medscape - 24 de oct de 2019.