Investigadores de la Escuela de Medicina Icahn en Mount Sinai desarrollaron un algoritmo de lectura de electrocardiogramas que puede detectar signos sutiles de insuficiencia cardíaca. Crédito: laboratorios Glicksberg y Nadkarni, Mount Sinai, NY, NY
Un algoritmo informático especial basado en inteligencia artificial (IA) creado por investigadores de Mount Sinai pudo aprender a identificar cambios sutiles en electrocardiogramas (también conocidos como ECG o EKG). ) para predecir si un paciente estaba experimentando 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, Ph.D., profesor asistente de genética y ciencias genómicas, miembro de del Instituto Hasso Plattner para la Salud Digital en 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 lentos. Esperamos que este algoritmo permita un diagnóstico más rápido de la insuficiencia cardíaca».
El estudio fue dirigido por Akhil Vaid, MD, un posdoctorado académico que trabaja tanto en el laboratorio de Glicksberg como en uno dirigido 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 alrededor de 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 que requieren mucha mano de obra y solo se ofrecen en hospitales selectos.
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 impulsa la sangre recién oxigenada hacia el 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 la del ventrículo derecho, que toma la sangre desoxigenada que fluye del 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 existen criterios de diagnóstico establecidos para estas evaluaciones y porque algunos cambios en las lecturas de ECG son simplemente demasiado sutiles para que el ojo humano los detecte «, 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».
Por lo general, un electrocardiograma involucra dos proceso de pasos. Los cables conductores se pegan a diferentes partes del tórax 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 de los Estados Unidos y requieren una capacitación mínima para operarlas.
Para este estudio, los investigadores programaron una computadora para leer electrocardiogramas de pacientes junto con datos extraídos de informes escritos que resumen el resultados de ecocardiogramas correspondientes tomados de los mismos pacientes. En esta situación, los informes escritos actuaron como un conjunto estándar de datos para que la computadora comparara con los datos del electrocardiograma y aprendiera a detectar corazones más débiles.
Los programas de procesamiento de lenguaje natural ayudaron a la computadora a extraer datos de los datos escritos. informes. 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 del arte mediante el desarrollo de IA capaz de comprender todo el corazón fácilmente y a bajo costo», dijo el Dr. Vaid.
La computadora luego leyó más de 700,000 electrocardiogramas e informes de ecocardiogramas obtenidos de 150,000 pacientes del Sistema de Salud Mount Sinai de 2003 a 2020. Se usaron datos de cuatro hospitales para entrenar la computadora , mientras que los datos de un quinto se usaron 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 uno 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, según 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 igual o inferior al 40 por ciento.
El algoritmo tuvo una precisión del 94 por ciento al predecir qué pacientes tenían una fracción de eyección saludable y el 87 por ciento preciso para predecir a aquellos que tenían una fracción de eyección inferior al 40 por ciento.
Sin embargo, el algoritmo no fue tan efectivo para predecir qué pacientes tendrían corazones levemente debilitados. En este caso, el programa tuvo una precisión del 73 por ciento al predecir los pacientes que tenían una fracción de eyección de 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 con términos más descriptivos extraídos de los informes del ecocardiograma. En este caso, el algoritmo tuvo una precisión del 84 % al predecir qué pacientes tenían válvulas derechas débiles.
«Nuestros resultados sugirieron que este algoritmo eventualmente podría ayudar a los médicos a diagnosticar correctamente la falla en cualquier lado del corazón», dijo el Dr. Vaid.
Finalmente, análisis adicionales sugirieron que el algoritmo puede ser efectivo para detectar debilidad cardíaca en todos los pacientes, independientemente de la raza y el sexo.
«Nuestros resultados sugieren que este algoritmo podría ser una herramienta útil herramienta para ayudar a los médicos clínicos 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 eficacia en un entorno más real».
Explore más
El algoritmo de IA coincide con la experiencia de los cardiólogos, mientras explica sus decisiones Más información: Akhil Vaid et al, Uso de algoritmos de aprendizaje profundo para identificar simultáneamente la disfunción ventricular derecha e izquierda de la Electrocardiograma, JACC: Imagen Cardiovascular (2021). DOI: 10.1016/j.jcmg.2021.08.004 Proporcionado por The Mount Sinai Hospital Cita: Los científicos muestran cómo la IA puede detectar signos invisibles de insuficiencia cardíaca (19 de octubre de 2021) consultado el 29 de agosto de 2022 en https: //medicalxpress.com/news/2021-10-scientists-ai-unseen-heart-failure.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.