La IA recién desarrollada utiliza una combinación de resultados de ECG y rayos X para diagnosticar trastornos arrítmicos

Figura 1: Diagrama de la arquitectura de las IA desarrolladas. Crédito: Universidad de Kobe

Dr. Nishimori Makoto del Hospital Universitario de Kobe y Profesor Asistente del Proyecto Kiuchi Kunihiko et al. (de la División de Medicina Cardiovascular, Departamento de Medicina Interna) han desarrollado una IA que utiliza múltiples tipos de datos de prueba para predecir la ubicación de las vías sobrantes en el corazón llamadas «vías accesorias», que hacen que el corazón lata de forma irregular. En este estudio, los investigadores pudieron mejorar la precisión del diagnóstico al hacer que la IA aprendiera de dos tipos completamente diferentes de resultados de pruebas, datos de electrocardiografía (ECG) e imágenes de rayos X. Se espera que esta metodología pueda aplicarse a otros trastornos en base a los resultados exitosos de esta investigación.

Los resultados de esta investigación se publicaron en línea en Scientific Reports el 13 de abril de 2021.

Wolff-Parkinson-White (WPW) es un trastorno arrítmico. Los pacientes con síndrome de WPW nacen con un exceso de vías dentro del corazón llamadas «vías accesorias», que pueden provocar episodios de taquicardia en los que el pulso se acelera. La ablación con catéter implica el uso de un catéter para cauterizar selectivamente las vías accesorias y puede curar por completo este trastorno. Sin embargo, la tasa de éxito de la ablación con catéter varía según la ubicación de las vías accesorias. Convencionalmente, se ha utilizado un ECG de 12 derivaciones (es decir, una electrocardiografía regular) para predecir la ubicación de la vía accesoria antes del tratamiento. Sin embargo, este método actual que se basa únicamente en el ECG no es lo suficientemente preciso, lo que dificulta dar a los pacientes una explicación completa que incluya la tasa de éxito del tratamiento. Este estudio de investigación intentó usar IA para resolver este problema.

Los investigadores usaron una metodología para enseñar IA llamada aprendizaje profundo. El aprendizaje profundo implica ingresar los datos de cada paciente y las respuestas correspondientes en un programa. Al repetir este proceso de aprendizaje, el programa automáticamente se vuelve más inteligente. Usando esta metodología, el grupo de investigación pudo presentar una solución a un problema no resuelto previamente, promoviendo así aún más la aplicación de la IA a la medicina moderna.

Figura 2: Un gráfico que muestra el número de sesiones de aprendizaje y la precisión de la IA . Crédito: Universidad de Kobe

En primer lugar, el equipo del Dr. Nishimori desarrolló IA utilizando solo datos de ECG y comparó su rendimiento con métodos anteriores. Realizaron un aprendizaje repetido en el que le dieron a la IA los datos de ECG de cada paciente y la ubicación de la vía accesoria (es decir, la respuesta) en cada caso al mismo tiempo, creando con éxito una IA con una tasa de precisión más alta que los métodos anteriores. Sin embargo, la IA no pudo realizar predicciones correctas cada vez solo con datos de ECG. Se pensó que la causa de este problema era que los datos del ECG se ven afectados por las diferencias en el tamaño y la posición de cada corazón, por lo tanto, los datos del ECG no coincidían incluso cuando la ubicación de la vía accesoria era la misma. Este problema se resolvió haciendo que la IA aprendiera datos, como información sobre el tamaño de cada corazón, a partir de imágenes de rayos X de tórax al mismo tiempo (Figura 1). Al aprender simultáneamente tanto el ECG previo al tratamiento como los datos de la imagen de rayos X, la IA pudo obtener la información que faltaba y su precisión diagnóstica mejoró significativamente (Figura 2) en comparación con cuando solo se usaban los datos del ECG.

El avance de la tecnología de IA en los últimos años ha hecho posible que la IA realice diagnósticos altamente precisos basados en varios tipos de datos de prueba en el campo de la medicina. Sin embargo, hay casos en los que los datos de una sola prueba son insuficientes para que la IA realice un diagnóstico preciso. Este estudio de investigación aumentó con éxito la precisión al hacer que la IA aprendiera no solo de los resultados del ECG sino también de las imágenes de rayos X del tórax, que son un tipo de datos completamente diferente. Los diagnósticos precisos mediados por IA permitirán a los médicos dar a los pacientes previos al tratamiento una explicación más precisa de su condición, lo que con suerte tranquilizará a los pacientes. Además, esta investigación podría aplicarse a varios otros trastornos y, con suerte, conducirá a la implementación del software de diagnóstico de IA.

Explore más

La denervación renal tiene más éxito cuando incluye arterias accesorias Más información: Makoto Nishimori et al. Análisis de vías accesorias utilizando un modelo de aprendizaje profundo multimodal, Scientific Reports (2021). DOI: 10.1038/s41598-021-87631-y Información de la revista: Informes científicos

Proporcionado por la Universidad de Kobe Cita: La IA recientemente desarrollada usa una combinación de ECG y X- resultados de rayos para diagnosticar trastornos arrítmicos (21 de abril de 2021) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-04-newly-ai-combination-ecg-x-ray.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.