Inteligencia artificial (IA) en el campo de la cardiología
El desarrollo de la IA se ha acelerado rápidamente en la última década, y esto se refleja también en la medicina, particularmente en la cardiología, debido a la gran cantidad y variedad de datos biológicos que se manejan.
Aplicaciones de la IA en Cardiología:
- Optimización del trabajo humano: La IA se utiliza para detectar automáticamente datos anormales y asistir en el diagnóstico, mejorando la eficiencia y la rentabilidad. La gran cantidad de datos generados por equipos de diagnóstico modernos supera la capacidad humana, por lo que la IA puede ayudar en la interpretación y el triaje inicial.
- Nuevos diagnósticos y predicciones: La IA tiene el potencial de realizar diagnósticos y predicciones de enfermedades que antes no eran posibles, abriendo nuevas áreas en la medicina.
Principios de la IA:
A diferencia de los programas informáticos convencionales basados en reglas preestablecidas, la IA aprende de los datos de entrenamiento para crear sus propias reglas.
La IA puede analizar datos en su forma raw (sin procesar), minimizando sesgos y pérdidas de información que pueden ocurrir al convertir los datos a formatos para humanos.
Beneficios de la IA en la práctica clínica:
La IA puede procesar grandes cantidades de datos de dispositivos médicos, reduciendo la carga de trabajo de los médicos y permitiéndoles enfocarse en otras tareas como la comunicación con los pacientes.
La automatización de diagnósticos basada en IA no está limitada por restricciones espaciales o temporales, brindando atención médica estable en lugares con recursos limitados.
La IA puede descubrir nuevas relaciones en los datos que los humanos no han podido identificar, combinando diferentes tipos de datos y métodos de procesamiento.
Limitaciones y desafíos de la IA:
Los modelos de IA pueden tener sesgos inherentes a los datos de entrenamiento, por lo que es crucial verificar su validez con nuevos datos.
Los modelos de aprendizaje automático (ML) a menudo son «cajas negras», lo que dificulta entender por qué producen un resultado particular, aunque se está trabajando en tecnologías de IA explicable (XAI) para abordar este problema.
Los modelos de IA deben ser robustos, proporcionando respuestas apropiadas para datos de diferentes fuentes, por lo que se necesita utilizar datos a gran escala de múltiples instituciones.
Es necesario proteger la privacidad de los datos de entrada, ya que la IA puede extraer información personal incluso de datos aparentemente anónimos, como un electrocardiograma (ECG).
Implementaciones de la IA en cardiología:
- Electrocardiograma (ECG): La IA mejora la precisión del diagnóstico de ECG, ayuda a detectar anomalías y predecir enfermedades como la fibrilación auricular, el síndrome de QT largo, la disfunción ventricular, la hipertrofia cardiomiopática y otras. Además, la IA-ECG puede extraer información que no es visible para la inspección humana, como la edad y el sexo.
- Imágenes cardiovasculares: La IA mejora las mediciones automáticas en el ecocardiograma (UCG), reduce el ruido y ayuda en la navegación de la sonda. También se utiliza para diagnosticar insuficiencia cardíaca y para mejorar el análisis de imágenes de medicina nuclear y resonancia magnética cardíaca (CMR).
- Enfermedad isquémica del corazón: La IA ayuda a diagnosticar el síndrome coronario agudo y estimar la reserva de flujo fraccional (FFR) a partir de la tomografía computarizada coronaria. También se usa para predecir riesgos cardiovasculares a partir de imágenes del fondo del ojo.
- Insuficiencia cardíaca: La IA ayuda a estandarizar estrategias de tratamiento, pronosticar y estratificar el riesgo, prediciendo la readmisión y la mortalidad. También puede predecir la respuesta a la terapia de resincronización cardíaca.
- Auscultación: La IA se utiliza para diagnosticar enfermedades valvulares cardíacas a partir de datos de audio obtenidos con estetoscopios digitales.
Consideraciones para el desarrollo de la IA:
Es fundamental definir el propósito del modelo de IA y realizar un estudio piloto para probar su viabilidad.
Un modelo de IA fiable debe ser preciso, robusto y explicable.
Es necesario seleccionar un modelo de ML apropiado, ajustar sus parámetros y asegurarse de que los datos de entrenamiento sean de alta calidad y estén bien divididos.
Para realizar la programación de ML, Python es el lenguaje más utilizado, y se pueden usar plataformas como GitHub y Kaggle para compartir y encontrar ejemplos de código.
Es importante evitar el sobreajuste (overfitting) en el entrenamiento de modelos y evaluar su rendimiento con métricas adecuadas.
Implementación en el mundo real:
Es crucial realizar estudios prospectivos para evaluar la utilidad de la IA en la práctica clínica.
Los dispositivos médicos basados en IA deben obtener la aprobación oficial de agencias como la FDA en los EE. UU. y la PMDA en Japón.
Las regulaciones para los dispositivos de IA aún están en desarrollo y es necesario tener sistemas Las cuestiones económicas, como la falta de incentivos monetarios para el desarrollo de IA, son un desafío para su implementación en el cuidado médico regular.
En resumen, la IA ofrece un gran potencial para mejorar la cardiología, desde el diagnóstico hasta el tratamiento y la predicción de enfermedades. Sin embargo, es fundamental comprender los principios, las limitaciones y los desafíos de la IA para utilizarla de manera efectiva y segura en beneficio de los pacientes.
La inteligencia artificial (IA) ofrece varios beneficios en el diagnóstico por imágenes cardíacas:
Mejora la precisión y la automatización: La IA tiene el potencial de mejorar la precisión y la automatización de las mediciones en el ecocardiograma (UCG). Los modelos de IA pueden realizar mediciones automáticas, lo que reduce la dependencia de la habilidad del ecografista.
Reducción del ruido y asistencia en la navegación: La IA puede ayudar en la reducción del ruido en las imágenes y mejorar la navegación de la sonda durante la adquisición de imágenes. Esto puede resultar en imágenes de mayor calidad y una interpretación más fácil.
Detección de anomalías no visibles para el ojo humano: Los modelos de IA pueden detectar anomalías que no son visibles para el ojo humano, como la insuficiencia cardíaca con fracción de eyección preservada. Esto permite diagnósticos más precisos y tempranos.
Análisis de imágenes de medicina nuclear y resonancia magnética: La IA también está avanzando en el análisis de imágenes de medicina nuclear, como la perfusión miocárdica, donde los modelos de ML pueden evaluar la presencia de isquemia y predecir los resultados de la terapia de reperfusión. Además, la IA se aplica en la resonancia magnética cardíaca (CMR) para la planificación del tratamiento de la fibrilación auricular.
Eliminación de la necesidad de contraste: En el contexto de la CMR, la IA ha demostrado su capacidad para crear imágenes con realce virtual nativo (VNE) a partir de imágenes sin contraste. Esto reduce la necesidad de medios de contraste intravenosos, que pueden ser perjudiciales para pacientes con función renal reducida.
Predicción de resultados y riesgos: La IA se puede utilizar para predecir la mortalidad a partir de imágenes de tomografía computarizada (TC), lo que ayuda a estratificar el riesgo de manera más consistente y a optimizar el tratamiento específico para cada paciente.
Procesamiento de grandes cantidades de datos: La IA puede procesar grandes cantidades de datos de imágenes, lo que ayuda a los profesionales de la salud a detectar enfermedades de manera más precisa, estratificar el riesgo de manera más consistente y optimizar el manejo del paciente.
Aplicaciones aprobadas por la FDA: Algunos modelos de IA para el análisis de imágenes cardíacas ya han sido aprobados por la Administración de Alimentos y Medicamentos (FDA) en los Estados Unidos de América (USA) para uso clínico [1].
[1] Tomofumi Nakamura (MD, PhD), Tetsuo Sasano (MD, PhD). Artificial intelligence and cardiology: Current status and perspective. Journal of Cardiology 79 (2022) 326–333
