Investigadores de la Escuela de Medicina Icahn en Mount Sinai desarrollaron un algoritmo de lectura de electrocardiogramas que puede detectar signos sutiles de insuficiencia card\u00edaca. Cr\u00e9dito: laboratorios Glicksberg y Nadkarni, Mount Sinai, NY, NY <\/p>\n
Un algoritmo inform\u00e1tico especial basado en inteligencia artificial (IA) creado por investigadores de Mount Sinai pudo aprender a identificar cambios sutiles en electrocardiogramas (tambi\u00e9n conocidos como ECG o EKG). ) para predecir si un paciente estaba experimentando insuficiencia card\u00edaca. <\/p>\n
\u00abDemostramos que los algoritmos de aprendizaje profundo pueden reconocer problemas de bombeo de sangre en ambos lados del coraz\u00f3n a partir de datos de forma de onda de ECG\u00bb, dijo Benjamin S. Glicksberg, Ph.D., profesor asistente de gen\u00e9tica y ciencias gen\u00f3micas, 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. \u00abPor lo general, el diagn\u00f3stico de este tipo de afecciones card\u00edacas requiere procedimientos costosos y lentos. Esperamos que este algoritmo permita un diagn\u00f3stico m\u00e1s r\u00e1pido de la insuficiencia card\u00edaca\u00bb.<\/p>\n
El estudio fue dirigido por Akhil Vaid, MD, un posdoctorado acad\u00e9mico 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 Divisi\u00f3n de Medicina Digital y Basada en Datos (D3M ) y autor principal del estudio.<\/p>\n
La insuficiencia card\u00edaca o insuficiencia card\u00edaca congestiva, que afecta a alrededor de 6,2 millones de estadounidenses, ocurre cuando el coraz\u00f3n bombea menos sangre de la que el cuerpo normalmente necesita. Durante a\u00f1os, los m\u00e9dicos se han basado en gran medida en una t\u00e9cnica de imagen llamada ecocardiograma para evaluar si un paciente puede estar experimentando insuficiencia card\u00edaca. Si bien son \u00fatiles, los ecocardiogramas pueden ser procedimientos que requieren mucha mano de obra y solo se ofrecen en hospitales selectos.<\/p>\n
Sin embargo, los avances recientes en inteligencia artificial sugieren que los electrocardiogramas, un dispositivo de registro el\u00e9ctrico ampliamente utilizado, podr\u00edan ser una alternativa r\u00e1pida y f\u00e1cilmente disponible en estos casos. . Por ejemplo, muchos estudios han demostrado c\u00f3mo un algoritmo de \u00abaprendizaje profundo\u00bb puede detectar la debilidad en el ventr\u00edculo izquierdo del coraz\u00f3n, que impulsa la sangre reci\u00e9n oxigenada hacia el resto del cuerpo. En este estudio, los investigadores describieron el desarrollo de un algoritmo que no solo evalu\u00f3 la fuerza del ventr\u00edculo izquierdo sino tambi\u00e9n la del ventr\u00edculo derecho, que toma la sangre desoxigenada que fluye del cuerpo y la bombea a los pulmones.<\/p>\n
\u00abAunque atractivo, tradicionalmente ha sido un desaf\u00edo para los m\u00e9dicos usar ECG para diagnosticar la insuficiencia card\u00edaca. Esto se debe en parte a que no existen criterios de diagn\u00f3stico establecidos para estas evaluaciones y porque algunos cambios en las lecturas de ECG son simplemente demasiado sutiles para que el ojo humano los detecte \u00ab, dijo el Dr. Nadkarni. \u00abEste estudio representa un emocionante paso adelante en la b\u00fasqueda de informaci\u00f3n oculta dentro de los datos del ECG que puede conducir a mejores paradigmas de detecci\u00f3n y tratamiento utilizando una prueba relativamente simple y ampliamente disponible\u00bb.<\/p>\n
Por lo general, un electrocardiograma involucra dos proceso de pasos. Los cables conductores se pegan a diferentes partes del t\u00f3rax del paciente y, en cuesti\u00f3n de minutos, una m\u00e1quina port\u00e1til especialmente dise\u00f1ada imprime una serie de l\u00edneas onduladas, o formas de onda, que representan la actividad el\u00e9ctrica del coraz\u00f3n. Estas m\u00e1quinas se pueden encontrar en la mayor\u00eda de los hospitales y ambulancias de los Estados Unidos y requieren una capacitaci\u00f3n m\u00ednima para operarlas.<\/p>\n
Para este estudio, los investigadores programaron una computadora para leer electrocardiogramas de pacientes junto con datos extra\u00eddos de informes escritos que resumen el resultados de ecocardiogramas correspondientes tomados de los mismos pacientes. En esta situaci\u00f3n, los informes escritos actuaron como un conjunto est\u00e1ndar de datos para que la computadora comparara con los datos del electrocardiograma y aprendiera a detectar corazones m\u00e1s d\u00e9biles.<\/p>\n
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 im\u00e1genes para ayudar al algoritmo a aprender a reconocer las fuerzas de bombeo.<\/p>\n
\u00abQuer\u00edamos impulsar el estado del arte mediante el desarrollo de IA capaz de comprender todo el coraz\u00f3n f\u00e1cilmente y a bajo costo\u00bb, dijo el Dr. Vaid.<\/p>\n
La computadora luego ley\u00f3 m\u00e1s 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 c\u00f3mo funcionar\u00eda el algoritmo en un entorno experimental diferente.<\/p>\n
\u00abUna ventaja potencial de este estudio es que involucr\u00f3 una de las colecciones m\u00e1s grandes de ECG de uno de las poblaciones de pacientes m\u00e1s diversas del mundo\u00bb, dijo el Dr. Nadkarni.<\/p>\n
Los resultados iniciales sugirieron que el algoritmo era eficaz para predecir qu\u00e9 pacientes tendr\u00edan ventr\u00edculos izquierdos sanos o muy d\u00e9biles. Aqu\u00ed, la fuerza se defini\u00f3 por la fracci\u00f3n de eyecci\u00f3n del ventr\u00edculo izquierdo, una estimaci\u00f3n de la cantidad de l\u00edquido que bombea el ventr\u00edculo con cada latido, seg\u00fan se observa en los ecocardiogramas. Los corazones sanos tienen una fracci\u00f3n de eyecci\u00f3n del 50 por ciento o m\u00e1s, mientras que los corazones d\u00e9biles tienen una fracci\u00f3n igual o inferior al 40 por ciento.<\/p>\n
El algoritmo tuvo una precisi\u00f3n del 94 por ciento al predecir qu\u00e9 pacientes ten\u00edan una fracci\u00f3n de eyecci\u00f3n saludable y el 87 por ciento preciso para predecir a aquellos que ten\u00edan una fracci\u00f3n de eyecci\u00f3n inferior al 40 por ciento.<\/p>\n
Sin embargo, el algoritmo no fue tan efectivo para predecir qu\u00e9 pacientes tendr\u00edan corazones levemente debilitados. En este caso, el programa tuvo una precisi\u00f3n del 73 por ciento al predecir los pacientes que ten\u00edan una fracci\u00f3n de eyecci\u00f3n de entre el 40 y el 50 por ciento.<\/p>\n
Otros resultados sugirieron que el algoritmo tambi\u00e9n aprendi\u00f3 a detectar debilidades de la v\u00e1lvula derecha a partir de los electrocardiogramas. . En este caso, la debilidad se defini\u00f3 con t\u00e9rminos m\u00e1s descriptivos extra\u00eddos de los informes del ecocardiograma. En este caso, el algoritmo tuvo una precisi\u00f3n del 84 % al predecir qu\u00e9 pacientes ten\u00edan v\u00e1lvulas derechas d\u00e9biles.<\/p>\n
\u00abNuestros resultados sugirieron que este algoritmo eventualmente podr\u00eda ayudar a los m\u00e9dicos a diagnosticar correctamente la falla en cualquier lado del coraz\u00f3n\u00bb, dijo el Dr. Vaid. <\/p>\n
Finalmente, an\u00e1lisis adicionales sugirieron que el algoritmo puede ser efectivo para detectar debilidad card\u00edaca en todos los pacientes, independientemente de la raza y el sexo.<\/p>\n
\u00abNuestros resultados sugieren que este algoritmo podr\u00eda ser una herramienta \u00fatil herramienta para ayudar a los m\u00e9dicos cl\u00ednicos a combatir la insuficiencia card\u00edaca que sufren una variedad de pacientes\u00bb, agreg\u00f3 el Dr. Glicksberg. \u00abEstamos en el proceso de dise\u00f1ar cuidadosamente ensayos prospectivos para probar su eficacia en un entorno m\u00e1s real\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
El algoritmo de IA coincide con la experiencia de los cardi\u00f3logos, mientras explica sus decisiones M\u00e1s informaci\u00f3n:<\/strong> Akhil Vaid et al, Uso de algoritmos de aprendizaje profundo para identificar simult\u00e1neamente la disfunci\u00f3n 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<\/strong>: Los cient\u00edficos muestran c\u00f3mo la IA puede detectar signos invisibles de insuficiencia card\u00edaca (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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Investigadores de la Escuela de Medicina Icahn en Mount Sinai desarrollaron un algoritmo de lectura de electrocardiogramas que puede detectar signos sutiles de insuficiencia card\u00edaca. Cr\u00e9dito: laboratorios Glicksberg y Nadkarni, Mount Sinai, NY, NY Un algoritmo inform\u00e1tico especial basado en inteligencia artificial (IA) creado por investigadores de Mount Sinai pudo aprender a identificar cambios sutiles … Continuar leyendo \u00abCient\u00edficos muestran c\u00f3mo la IA puede detectar signos invisibles de insuficiencia card\u00edaca\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-407","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/407","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=407"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/407\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=407"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=407"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=407"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}