Investigadores de la República Popular China realizaron un análisis bibliométrico y visual destinado a conocer el estado actual del conocimiento sobre la Inteligencia Artificial en el campo de la insuficiencia cardíaca*.
Este será el tema de hoy de la NOTICIA DEL DÍA.
Corresponde aclarar previamente el concepto de “análisis bibliométrico” para adentrarse en la sustancia de esta revisión.
Un análisis bibliométrico es una forma de estudio cuantitativo de la literatura académica que utiliza datos estadísticos para analizar patrones de publicación, citas y autores.
Permite evaluar la actividad investigadora y explorar la evolución y tendencias de un campo específico.
El análisis bibliométrico se basa en:
• Datos estadísticos:
Se analiza la cantidad y distribución de publicaciones, citas, autores, instituciones, etc.
• Métodos cuantitativos:
Se aplican técnicas estadísticas para identificar patrones y tendencias en la literatura.
• Información bibliográfica:
Se utiliza la información de los documentos (titulos, autores, citas, etc.) para el análisis.
El análisis bibliométrico puede ayudar a:
• Evaluar la producción científica:
Determinar la actividad investigadora de un grupo, institución o campo específico.
• Identificar tendencias emergentes:
Descubrir áreas de investigación en desarrollo y campos en auge.
• Monitorear el impacto de la investigación:
Analizar el número de citas y el impacto de las publicaciones en la comunidad científica.
• Comprender la estructura y la evolución de un campo:
Explorar cómo se relaciona la investigación con otras áreas y cómo se ha desarrollado a lo largo del tiempo.
Ejemplos de análisis bibliométrico:
• Análisis de la producción científica de una institución:
Evaluar la cantidad y calidad de las publicaciones de una universidad o centro de investigación.
• Análisis de la evolución de un tema de investigación:
Investigar cómo ha evolucionado la investigación en un área específica a lo largo del tiempo.
• Análisis de la colaboración entre autores:
Identificar redes de colaboración y los autores más productivos en un campo.
Los autores de la revisión comenzaron señalando que la IC es una afección compleja atribuida a alteraciones anormales en la anatomía y el rendimiento cardíacos que conducen a ventrículos degradados tanto en la función diastólica o sistólica deterioradas.
Se caracteriza principalmente por fatiga, dificultad para respirar y acumulación de líquido, que comúnmente se manifiesta como edema periférico, congestión sistémica o congestión pulmonar.
La alta tasa de mortalidad asociada con la insuficiencia cardíaca sigue siendo una preocupación importante.
Los estudios indican que la tasa de supervivencia a 5 años para pacientes con insuficiencia cardíaca varía del 54,0% al 59,4%, mientras que la tasa de supervivencia a 10 años varía del 24,0% al 46,8%.
En 2019, 56,19 millones de personas fueron diagnosticadas con IC en todo el mundo.
Se predice que la prevalencia de la IC aumentará a medida que la población envejece debido al aumento de la presión arterial promedio y la esperanza de vida humana prolongada en las próximas décadas.
La IC es un riesgo crítico para la salud humana que representa una carga económica sustancial para el sistema de atención médica.
Las proyecciones indican que los costos de atención médica asociados con los pacientes con IC en los Estados Unidos serán de aproximadamente US$69.8 mil millones para 2030.
Por lo tanto, inventar enfoques de diagnóstico precisos y eficientes, así como implementar planes de tratamiento personalizados, garantizarán un pronóstico y una prevención eficientes de la IC.
La inteligencia artificial (IA) es un avance tecnológico que emula las funciones cognitivas humanas, permitiendo que los sistemas informáticos ejecuten tareas complejas como el aprendizaje, el razonamiento, la autocorrección y la adaptación ambiental para asistir o sustituir la participación humana en la toma de decisiones y la resolución de problemas.
El uso de la IA en la disciplina médica se descubrió por primera vez en la década de 1950; las investigaciones identificaron beneficios notables y una implementación sustancial de esta técnica en el campo.
En los últimos años, la IA se ha integrado en la medicina cardiovascular, demostrando su utilidad en el diagnóstico de enfermedades, las estrategias de tratamiento, la evaluación de riesgos, la gestión clínica y el desarrollo de productos farmacéuticos.
El aprendizaje automático (AA) es una rama esencial de la IA que permite a los sistemas aprender de forma autónoma de los datos y mejorar su rendimiento a través de la experiencia, sin programación explícita.
Abarca dos categorías principales: el aprendizaje supervisado, que predice situaciones desconocidas basándose en datos etiquetados preexistentes, y el aprendizaje no supervisado, que identifica patrones potenciales dentro de los datos sin una guía explícita.
Estudios demostraron que el AA podía detectar y evaluar la IC mediante el análisis de ecocardiogramas y electrocardiogramas (ECG).
El aprendizaje profundo (DL por sus siglas en inglés de deep learning), una forma avanzada de aprendizaje automático (ML por sus siglas en inglés de machine learning), emplea estructuras de redes neuronales profundas para analizar datos complejos, demostrando una eficacia notable en áreas como el reconocimiento de imágenes.
La IA integra la información genética, el estilo de vida y los historiales médicos de los pacientes basándose en big data y modelos de aprendizaje automático para proporcionar predicciones personalizadas del riesgo cardiovascular y ayudar a los médicos a implementar estrategias terapéuticas.
Es esencial en los sistemas de alerta temprana, la gestión de medicamentos, la planificación de procedimientos quirúrgicos y la monitorización remota, que genera nuevas estrategias para la prevención, detección y tratamiento de enfermedades cardiovasculares (ECV).
El análisis bibliométrico es un enfoque científico sistemático ampliamente reconocido que se emplea para investigar grandes cantidades de datos científicos.
Permite el descubrimiento exhaustivo de los avances en la disciplina, destacando e ilustrando nuevas trayectorias de investigación en el campo.
Este método tiene como objetivo revelar las tendencias dinámicas de desarrollo de la investigación científica midiendo sistemáticamente el volumen de literatura, el número de autores y la frecuencia de uso del vocabulario.
Los métodos bibliométricos examinan los atributos cuantitativos de las publicaciones y exploran los patrones de uso de términos o términos temáticos, así como las complejas conexiones entre los investigadores y la comunidad académica.
Los métodos de investigación del análisis bibliométrico incluyen la detección de emergencias, el análisis de conglomerados, el análisis de coocurrencia y el análisis de redes de citas.
Estos métodos proporcionan una base sustancial para comprender el marco estructural, la trayectoria de desarrollo y el impacto en los campos académicos.
Hasta la fecha, los esfuerzos de investigación se han centrado principalmente en la descripción general de las enfermedades cardíacas o en el debate sobre las tecnologías de IA.
Sin embargo, la información que aborda el análisis cuantitativo científico de las aplicaciones de la IA en la IC es insuficiente.
Por lo tanto, este estudio recopiló datos relevantes de las bases de datos de las últimas dos décadas, analizó exhaustivamente el estado y la evolución de las aplicaciones de IA en la IC y visualizó eficientemente los resultados.
Mediante la recuperación y el análisis de la literatura, este estudio demostrará cómo la IA puede mejorar la precisión de los diagnósticos, diseñar planes de tratamiento personalizados y facilitar la monitorización eficaz de la IC.
Además, examinará las posibles implicancias para las futuras prácticas clínicas y la gestión de pacientes en el contexto de la IC, ofreciendo información valiosa sobre la futura trayectoria de la integración de la IA con la IC y ayudando a los investigadores en la IC a adoptar estas tendencias de investigación sistemáticas.
En síntesis, el objetivo de los autores de la revisión fue Investigar el papel de la inteligencia artificial en la mejora del diagnóstico preciso, el tratamiento personalizado y el monitoreo eficiente de la insuficiencia cardíaca en las últimas dos décadas y predecir los avances futuros de estas investigaciones.
Se realizó una búsqueda bibliográfica utilizando palabras clave de la base de datos Web of Science desde el 1 de enero de 2004 hasta el 31 de agosto de 2024, y se recuperaron 684 artículos.
Se realizó un análisis bibliométrico y visual para examinar el volumen de publicación anual; y para analizar autores, instituciones, países, revistas, referencias y palabras clave.
Se utilizaron las siguientes herramientas para el análisis: Citespace, SCImago Graphica, Microsoft Office Excel, VOSviewer y Pajek.
Los 684 estudios recuperados comprendían 70 países/regiones, 1550 instituciones y 4610 autores.
La producción editorial anual aumentó gradualmente entre 2004 y 2016, y se intensificó significativamente después de 2017, particularmente de 2021 a 2024.
Se prevé que esta tendencia ascendente persista en el futuro.
Sengupta, Partho P., y Shah, Sanjiv J. fueron los autores más productivos.
La Universidad de California y la Universidad de Harvard fueron las instituciones líderes en número de publicaciones dentro de esta disciplina.
Los principales países que realizan investigación en este ámbito son China y Estados Unidos; Estados Unidos predomina en el impacto de la investigación y la colaboración global.
Además, Frontiers in Cardiovascular Medicine es la revista líder con el mayor número de artículos publicados en esta área, mientras que Circulation ocupa el primer puesto en cocitaciones.
Las palabras clave incluyen IC, aprendizaje automático, IA y diagnóstico.
Planteando el debate sobre los hallazgos comentados, los autores chinos indicaron que actualmente, los métodos bibliométricos se utilizan con frecuencia para identificar las últimas trayectorias de desarrollo en una disciplina de investigación específica.
A la fecha, existen pocos estudios de análisis bibliométrico que integren la IA y la IC, si es que existen.
Por lo tanto, este estudio pretende investigar las nuevas tendencias respecto al posible impacto de la IA en la IC y ofrecer una perspectiva innovadora para futuras investigaciones.
El análisis de datos y el software de visualización derivado de la base de datos WOS (Web of Science) se emplearon para revisar sistemáticamente la literatura publicada sobre IA en la investigación de la IC durante las últimas dos décadas (2004 a 2024).
En la disciplina de la IA en la IC, se ha observado un aumento significativo en la producción anual de publicaciones, especialmente en los últimos cuatro años (2021-2024).
Durante este período, se publicaron un total de 546 artículos, lo que representa el 80 % del total de publicaciones.
Si bien los datos sobre los artículos publicados en 2024 solo están disponibles hasta el 31 de agosto, el número anual de artículos publicados ha alcanzado el nivel más alto de las últimas dos décadas.
Las proyecciones basadas en la curva ajustada sugieren que el número de artículos publicados aumentará constantemente desde 2024 en adelante.
Esta tendencia indica un creciente interés entre los investigadores por utilizar la IA en la disciplina de la IC, lo que da lugar a iniciativas de investigación más vigorosas.
Es imperativo anticipar la aparición de avances e innovaciones progresivas en este campo.
El análisis del volumen de publicaciones y los autores cocitados proporciona información significativa para el análisis bibliométrico que inicia el descubrimiento de académicos altamente influyentes que dilucidan las redes de colaboración académica e informen las trayectorias de investigación.
Con respecto a la información del autor, Sengupta, Partho P. Shah y Sanjiv J de los Estados Unidos han publicado 9 artículos que se ubican a la vanguardia de las publicaciones.
La investigación de Sengupta, Partho P se centra principalmente en la imagenología ecocardiográfica de la IC, el análisis de la mecánica miocárdica y la aplicación de técnicas de aprendizaje automático en la evaluación de la función cardíaca.
Su trabajo fusiona las técnicas de imagenología tradicionales con IA para mejorar la precisión de la evaluación de la función cardíaca y las terapias personalizadas a medida en pacientes con IC.
Por el contrario, la investigación de Shah, Sanjiv J enfatiza la medicina de precisión para la IC con fracción de eyección preservada, concentrándose en la identificación y clasificación de pacientes a través de técnicas como el mapeo de fenotipos, el fenotipado profundo, el aprendizaje automático y el diseño de ensayos clínicos innovadores para optimizar las estrategias de tratamiento individualizadas.
Las métricas de citas indican que Shah, Sanjiv J. posee el mayor número de citas entre los autores.
Estos datos subrayan las importantes contribuciones y el destacado papel de estos autores en la disciplina.
El análisis de publicaciones nacionales e institucionales proporciona información y asistencia significativas para la bibliometría, en particular para evaluar la solidez de la investigación científica, identificar redes de colaboración, orientar la asignación de recursos y comprender las características de la investigación.
Según los resultados del análisis nacional, Estados Unidos y China se sitúan como los países líderes en volumen de publicaciones en este ámbito.
Sin embargo, la frecuencia de citas y el índice H de China siguen siendo inferiores a los de Estados Unidos.
Su valor TLS (por sus siglas en inglés de total link strength, -Fuerza total del enlace) y su centralidad también son relativamente bajos.
Por lo tanto, China debería mejorar la calidad de sus artículos de investigación, participar activamente en colaboraciones internacionales de investigación científica, impulsar la investigación académica y fortalecer sus colaboraciones internacionales y su impacto académico en este ámbito en los próximos años.
Las instituciones que generaron el mayor número de publicaciones fueron la Universidad de Harvard y el sistema de la Universidad de California en Estados Unidos.
Esto destaca las importantes ventajas de Estados Unidos en cuanto a recursos académicos, colaboración interdisciplinaria y calidad de la investigación científica.
Además, el estudio también indica que, si bien China presenta un elevado número de publicaciones, ninguna institución se encuentra entre los 10 primeros puestos, lo que implica que sus iniciativas de investigación están relativamente dispersas y se llevan a cabo predominantemente de forma independiente en múltiples instituciones.
Se recomienda que los departamentos pertinentes brinden apoyo adicional a las instituciones de investigación clave, promuevan la integración de recursos y faciliten la innovación colaborativa para mejorar la competitividad internacional y la influencia en este ámbito.
Las investigaciones sobre el volumen de publicaciones en revistas y las revistas cocitadas son cruciales para identificar revistas clave, comprender la difusión del conocimiento, revelar las fronteras de investigación y orientar la asignación de recursos.
Los resultados indican que Frontiers in Cardiovascular Medicine y ESC Heart Failure son revistas clave en este ámbito, con un alto número de publicaciones y una significativa influencia académica.
Además, las revistas cocitadas Circulation y Journal of the American College of Cardiology son referencias fundamentales en el campo, lo que destaca la concentración de resultados de investigación destacados en ellas.
El estado de publicación de la revista interdisciplinaria IEEE Access revela la importancia de las colaboraciones interdisciplinarias en la IA y la investigación cardiovascular.
Este estudio identificó áreas de investigación clave de IA en el campo de la IC a partir de las investigaciones de coocurrencia de la literatura citada y las palabras clave.
Estas áreas se dividieron en tres aspectos principales:
diagnóstico basado en IA y predicción del riesgo de IC,
exploración de los mecanismos de la IC y
gestión personalizada basada en IA, como la monitorización remota y la fusión de datos multiómicos.
La IA permite la clasificación, el diagnóstico y la predicción del riesgo de insuficiencia cardíaca.
La IC representa una enfermedad cardiovascular global con afecciones complejas y diversas clasificaciones.
Los métodos de diagnóstico tradicionales, como la ecocardiografía y el electrocardiograma (ECG), son herramientas esenciales para evaluar las ECV, y los indicadores asociados se utilizan a menudo en el diagnóstico de la IC.
Sin embargo, obstáculos como los posibles errores de diagnóstico por parte de los médicos y la asignación insuficiente de recursos médicos a menudo dificultan el diagnóstico oportuno de la IC, en particular en el análisis de los datos de diagnóstico.
En consecuencia, existe una necesidad apremiante de establecer un sistema de diagnóstico de ECG automatizado con alta eficacia que incorpore tecnología de aprendizaje automático para facilitar la clasificación precisa de las enfermedades cardíacas.
El diagnóstico de IC se clasifica en ICA e ICC según la gravedad de la enfermedad.
La investigación de Youngjin Cho et al. desarrolló un algoritmo de análisis de electrocardiograma (ECG) basado en IA, denominado electrocardiograma cuantitativo (ECC).
El estudio verificó la eficacia del ECC para predecir el riesgo de muerte cardíaca durante la hospitalización y a largo plazo mediante los datos de pacientes con ICA hospitalizados, lo que indica que la puntuación del ECC podría convertirse en un nuevo marcador para evaluar el riesgo de los pacientes con IC.
Yineng Zheng et al. desarrollaron un sistema de diagnóstico asistido por computadora para la insuficiencia cardíaca crónica, que logró una detección de alta precisión de la ICC mediante la extracción del índice de reserva cardíaca y las características del sonido cardíaco, integrado con un modelo de diagnóstico de IA.
Con base en la fracción de eyección, la IC se puede dividir en insuficiencia cardíaca con fracción de eyección preservada (ICFEp), insuficiencia cardíaca con fracción de eyección reducida (ICFEr), insuficiencia cardíaca con fracción de eyección intermedia (ICFEmr) e insuficiencia cardíaca con fracción de eyección mejorada (ICFEimp); los primeros tres tipos de IC son los más estudiados.
Matthew W Segar utilizó un análisis de conglomerados no supervisado en aprendizaje automático para identificar tres subgrupos fenotípicos que exhibían rasgos clínicos y resultados a largo plazo variables en la población de pacientes con ICFEp y reveló que los pacientes del subgrupo fenotípico 1 tenían un alto riesgo de resultados adversos.
El análisis de conglomerados es una técnica exploratoria de análisis de datos que se utiliza para agrupar puntos de datos similares dentro de un conjunto de datos.
Este método es ideal para identificar patrones y detectar valores atípicos entre datos sin etiquetar
Este estudio corroboró la eficacia del análisis de conglomerados de aprendizaje automático para identificar fenotipos de pacientes con ICFEp caracterizados por rasgos clínicos y resultados a largo plazo distintivos.
Mon Myat Oo et al utilizaron algoritmos de aprendizaje profundo para combinar datos de registros médicos electrónicos e imágenes ecocardiográficas para lograr una detección automatizada y un diagnóstico de clasificación preciso de pacientes con ICFEr.
El estudio identificó eficazmente a pacientes con ICFEr mediante la interpretación automática de imágenes ecocardiográficas, extrayendo las funciones clave de los parámetros cardíacos mediante la combinación de información clínica y revelando diferencias significativas en sus características y parámetros ecocardiográficos.
Marta Afonso Nogueira et al. utilizaron redes neuronales mejoradas por el conocimiento para procesar electrocardiogramas y nuevas bioseñales (fonocardiogramas y bioseñales de fuerza mecánica) con el fin de identificar anomalías cardíacas estructurales y funcionales asociadas con la ICFEm.
Los pacientes con IC presentan un riesgo considerable de mortalidad y reingreso, lo que sobrecarga considerablemente a los pacientes y al sistema sanitario.
En este contexto, la aplicación de modelos predictivos es crucial.
Muhammad Shahzeb Khan cree que los modelos de predicción de riesgos basados en IA tienen capacidades predictivas más sólidas que los métodos tradicionales y que pueden resolver los principales desafíos en el manejo de la IC, como optimizar la asignación de tratamiento para pacientes de alto riesgo, predecir resultados adversos y detectar casos subclínicos tempranos o que empeoran, desempeñando así un papel vital en la atención de la IC.
Suveen Angraal empleó cinco métodos distintos de aprendizaje automático para construir un modelo destinado a predecir el riesgo de hospitalización y muerte atribuida a la IC en pacientes con IC-FEp, validando la eficacia del modelo mediante validación cruzada.
Valeria Visco desarrolló un innovador modelo de diagnóstico basado en programación genética para pronosticar la progresión de la IC, junto con una representación gráfica 3D fácilmente interpretable.
Al validar los datos clínicos, este modelo puede facilitar el diagnóstico rápido y el tratamiento dirigido de la IC para reducir las tasas de hospitalización.
El uso de IA en la IC ha mejorado significativamente el diagnóstico, la clasificación y la predicción del riesgo de IC.
La integración de conjuntos de datos más amplios y algoritmos de IA más precisos optimizará el manejo de la IC, lo que podría resultar en una mayor precisión en el diagnóstico y la gestión del riesgo.
La IC se caracteriza frecuentemente por fases inestables a lo largo de su progresión.
Incluso con una monitorización presencial diligente, la incidencia de eventos adversos sigue siendo alta.
La implementación de la monitorización remota puede mejorar los resultados clínicos.
La llegada de dispositivos cardíacos portátiles e implantables introdujo un diagnóstico y tratamiento cardiovascular innovador.
Estas tecnologías facilitan la observación remota de la progresión de la enfermedad por parte de los profesionales sanitarios, creando así oportunidades para intervenciones oportunas y eficaces que pueden evitar hospitalizaciones atribuidas a la inestabilidad hemodinámica y complicaciones cardíacas adversas.
Nitesh Gautam señaló que, a pesar de los avances sustanciales en el diagnóstico y tratamiento de la IC que conducen a una reducción de la tasa de mortalidad, se ha producido un aumento paradójico de las hospitalizaciones relacionadas con la IC.
A medida que la digitalización de datos se expande progresivamente y mejora la accesibilidad, se prevé que la monitorización remota mediante dispositivos portátiles e implantables transformará significativamente el flujo de trabajo ambulatorio, en particular al minimizar las hospitalizaciones atribuidas a la IC.
La tecnología de teledetección dieléctrica (ReDS por sus siglas en inglés de Remote dielectric sensing, -detección dieléctrica remota) presenta un enfoque cuantitativo y no intrusivo capaz de medir el volumen total de líquido en los pulmones.
La congestión pulmonar es una de las principales causas de hospitalización por IC exacerbada, lo que influye en la monitorización remota para impactar positivamente en el tratamiento óptimo para minimizar la probabilidad de rehospitalización.
La investigación realizada por Offer Amir et al indicó que el manejo guiado por ReDS podría reducir significativamente las tasas de rehospitalización entre los pacientes recientemente dados de alta después de una IC descompensada.
La investigación LINK-HF de monitorización remota no intrusiva multisensor para predecir la IC exacerbada puede apuntar a evaluar la eficacia de una plataforma analítica personalizada que utiliza flujos de datos continuos para pronosticar la rehospitalización después del ingreso por IC.
Además, Josef Stehlik inventó un algoritmo de pronóstico que emplea técnicas de aprendizaje automático para identificar exacerbaciones de IC utilizando un parche multisensor desechable que se usa en el pecho para registrar datos fisiológicos de forma continua durante 3 meses.
La investigación demostró finalmente que la telemetría fisiológica multivariable de sensores portátiles puede detectar con precisión el riesgo de rehospitalización inminente en una etapa temprana.
Numerosos dispositivos portátiles se utilizan externamente y de manera constante para recopilar datos funcionales o fisiológicos que mejoran la salud cardíaca de los pacientes.
Los autores descubrieron que los dispositivos portátiles tienen un potencial sustancial en la detección remota de la IC; los datos existentes se limitan principalmente a estudios observacionales y pequeños ensayos controlados aleatorizados.
Esta limitación impide que la comunidad médica de la IC acumule datos extensos de eficacia en el mundo real.
Por lo tanto, se deben promover modelos de detección de alta calidad; se debe invertir en la infraestructura; y se deben realizar colaboraciones multidisciplinarias para facilitar las modificaciones del sistema para mejorar la aplicación de tecnologías innovadoras.
Como enfermedad compleja, el desarrollo y avance de la IC se ven afectados por la influencia integral de múltiples niveles ómicos, incluyendo el genoma, el transcriptoma y el proteoma.
Los continuos avances en IA, en particular en aprendizaje automático, bioinformática y análisis de big data, permitieron a los investigadores integrar y analizar eficazmente estos diversos conjuntos de datos multiómicos.
Esta integración facilita la identificación de características críticas, revelando así los mecanismos patológicos ocultos tras la IC y proporcionando nuevas perspectivas y estrategias para el tratamiento preciso de la enfermedad.
Wouter Ouwerkerk empleó técnicas de aprendizaje automático y métodos de biología de sistemas para integrar datos genéticos, transcriptómicos y proteómicos en pacientes con IC.
Mediante este análisis, descubrió cuatro vías biológicas principales significativamente asociadas con la mortalidad por cualquier causa (MAPK -proteínas quinasas, específicamente Ser/Thr quinasas, que juegan un papel crucial en la transducción de señales celulares-; PI3K/Akt -vía de señalización intracelular crucial que juega un papel importante en la regulación de procesos celulares como el crecimiento, la proliferación, la supervivencia, el metabolismo y el ciclo celular; señalización de Ras -vía de transducción de señales crucial para el crecimiento, proliferación y supervivencia celular-; y vía de resistencia al inhibidor de la tirosina quinasa del receptor del factor de crecimiento epidérmico -se produce a través de varios mecanismos, incluyendo la activación de vías de señalización alternativas, como HER3-PI3K/AKT.
También se han identificado mutaciones en el propio EGFR que permiten a la célula continuar creciendo a pesar del inhibidor.
Estas vías se asocian con una modulación reducida del receptor cardioprotector ERBB2, y estos hallazgos se validaron en una cohorte independiente de pacientes, lo que proporciona nuevas dianas potenciales para el tratamiento de la IC.
Además, Jing Wu et al. integraron datos multiómicos recientes y conocimiento de diversas fuentes públicas para crear la Plataforma Integrada de Insuficiencia Cardíaca (HFIP) para la IC.
Esta plataforma proporciona exploración de datos, funciones de análisis de fusión y visualización, incluyendo amplios conjuntos de datos, procesos analíticos y herramientas independientes.
Además, se estableció un reconocimiento basado en la IC y módulos de recuperación bibliográfica para brindar un apoyo integral a la investigación básica y clínica en la disciplina de la IC.
A través de la investigación sobre las vías moleculares de la IC, Xiwei Deng analizó datos de expresión génica relacionados con métodos bioinformáticos para la IC.
Identificó 15 genes relacionados con la autofagia con expresión diferencial e identificó TPCN1, MAP2K1, S100A9 y CD38 mediante análisis de enriquecimiento funcional y cribado con aprendizaje automático.
Vijayakrishna Kolur utilizó análisis bioinformático para explorar a fondo los indicadores candidatos y los agentes de tratamiento para la IC.
Los investigadores emplearon datos de secuenciación de alto rendimiento y herramientas bioinformáticas para analizar 881 genes con expresión diferencial en múltiples muestras.
Este análisis identificó los genes primarios, incluyendo TK1, PPP2R2B, LCK, PYHIN1, PCLAF, TP63, ESR1, ECT2, CFTR y FKBP5.
Mediante diversas metodologías analíticas, como el enriquecimiento de ontología génica, la construcción de redes de interacción proteína-proteína y el análisis de módulos, estos cromosomas están relacionados con el avance de la IC y podrían funcionar como biomarcadores de pronóstico y diagnóstico, así como dianas terapéuticas.
La IA es esencial para el cribado de indicadores diagnósticos de la IC y puede examinar las enfermedades asociadas a ella.
Chuanjing Zhang realizó un exhaustivo análisis bioinformático en combinación con técnicas de aprendizaje automático para identificar las proteínas secretoras que conectan el trastorno depresivo mayor (TDM) con la IC, destacando los genes esenciales y desarrollando un nomograma diagnóstico.
Simultáneamente, estudios en animales verificaron la correlación inversa entre estos genes clave y la función cardíaca.
En resumen, mediante la integración de datos multiómicos y el uso de técnicas avanzadas de aprendizaje automático y métodos bioinformáticos, los investigadores pueden explorar las características clave y los mecanismos moleculares subyacentes de la IC, proporcionando nuevas dianas y estrategias para un tratamiento preciso.
Simultáneamente, la IA puede ayudar a los investigadores a comprender la relación entre la IC y otras enfermedades relacionadas.
Esto ofrecerá estrategias innovadoras para el diagnóstico y el tratamiento de enfermedades.
La IA ayuda a predecir con precisión el manejo de la insuficiencia cardíaca en la UCI.
Las unidades de cuidados intensivos (UCI) son vitales en el tratamiento de la IC, en particular en pacientes con insuficiencia cardíaca crítica.
La monitorización constante y las intervenciones inmediatas disponibles en las UCI mitigan significativamente el riesgo de complicaciones y mejoran las tasas de supervivencia de los pacientes.
La tecnología de la IA ha permitido la extracción de información valiosa de los datos. Investigaciones recientes han utilizado la IA para pronosticar la mortalidad y los resultados del alta de los pacientes con IC en las UCI.
Zijun Chen et al. desarrollaron una herramienta de estratificación de riesgos basada en el aprendizaje automático que emplea el algoritmo XGBoost para evaluar eficazmente el riesgo de mortalidad por todas las causas intrahospitalaria entre los pacientes con IC congestiva en la UCI.
El modelo superó las técnicas convencionales de predicción de riesgos, demostrando una discriminación y calibración superiores en la validación externa.
Chih-Chou Chiu utilizó los datos de la base de datos MIMIC-III para implementar un modelo de conjunto de apilamiento mejorado que predecirá con precisión la tasa de mortalidad en pacientes con IC en la UCI.
El modelo construyó un conjunto optimizado de clasificadores secundarios mediante la integración de las decisiones de múltiples clasificadores primarios, logrando una precisión del 95,25 % y un AUROC del 82,55 %.
Al predecir el alta de pacientes de la UCI, Kaouter Karboub utilizó la base de datos MIMIC III para realizar modelos de regresión múltiple para asignar eficazmente los recursos médicos en la unidad de cuidados intensivos (UCI).
Al evaluar el residuo medio y el tiempo de procesamiento, el modelo más eficaz alcanzó una precisión media del 98 % e identificó el área del diagnóstico inicial y el alta, las terapias farmacológicas, la estancia hospitalaria y la derivación interna como factores clave que afectan la preparación del paciente para el alta.
Además, Tadashi Kamio utilizó una técnica de modelo de aprendizaje automático para pronosticar los resultados clínicos de los pacientes con IC aguda que reciben tratamiento con furosemida.
Esto indica que la IA analiza eficazmente datos complejos y predice con precisión el efecto del tratamiento basándose en las diferencias individuales de los pacientes, lo que ayuda a la toma de decisiones clínicas, lo que indica las altas expectativas de que la IA personalice planes médicos personalizados eficientes.
La IA promueve la asignación y optimización eficientes de recursos médicos en el marco de la atención médica inteligente.
Desde las UCI hasta la atención médica comunitaria y la telemedicina, la IA ha logrado una gestión precisa desde el diagnóstico hasta la programación de recursos a través de tecnologías de aprendizaje profundo y aprendizaje automático.
Loucia Karatzia afirma que el objetivo principal de incorporar la tecnología de aprendizaje automático en la investigación de la IC es la detección oportuna de pacientes de alto riesgo; clasificarlos con precisión según sus condiciones de riesgo; e implementar estrategias de intervención oportunas.
Esto reducirá la tasa de mortalidad al implementar un diagnóstico y tratamiento tempranos.
Por lo tanto, los riesgos de hospitalización se suprimirán a través de estos tratamientos y un seguimiento constante en la comunidad.
En la atención médica comunitaria y domiciliaria, la IA puede realizar una detección temprana de pacientes de alto riesgo e identificar problemas importantes, como diferencias significativas en los indicadores de equidad en varios subgrupos de pacientes.
Anahita Davoudi et al estudiaron la equidad de los modelos de aprendizaje automático utilizados para predecir el riesgo de hospitalización y visitas al departamento de emergencias para pacientes con IC que reciben atención domiciliaria.
Al analizar 12.189 datos de atención domiciliaria, descubrieron que el rendimiento del modelo variaba significativamente entre diferentes subgrupos demográficos, lo que enfatiza la importancia del monitoreo continuo y la mejora de los indicadores de equidad para mitigar el sesgo.
Aunque la IA ha mejorado significativamente la eficacia de la asignación de recursos médicos, en aplicaciones prácticas, la protección ética de la privacidad y las cuestiones de equidad del modelo deben considerarse para confirmar los beneficios reales de esta tecnología para todos los pacientes.
La atención médica inteligente combinará aún más la tecnología de big data e IA para mejorar integralmente la calidad de la atención al paciente a través de la asignación precisa de recursos y el ajuste dinámico en el campo médico.
La predicción de la progresión de la IC basada en datos multimodales es una trayectoria crucial de la IA en el manejo de la IC.
Este enfoque tiene como objetivo lograr una predicción dinámica de la clasificación y progresión de la enfermedad mediante la integración de datos multidimensionales y multitipo de pacientes y proporcionando una base más confiable para la medicina de precisión.
Los datos multimodales incluyen electrocardiograma (ECG), imágenes médicas como ecocardiografía y resonancia magnética cardíaca, biomarcadores como genoma, proteoma, metaboloma y datos clínicos, registros médicos electrónicos, registros de hospitalización y tratamiento farmacológico.
A través del marco de aprendizaje profundo multimodal, la tecnología de IA puede extraer y fusionar las características clave de diferentes datos modales, capturar ampliamente los cambios esenciales en la progresión de la enfermedad y proporcionar predicción de riesgos basada en el análisis de series de tiempo.
A través del análisis de agrupamiento y el modelo de tipificación de la IA, se pueden descubrir subfenotipos potenciales fuera del sistema de clasificación existente, revelando la heterogeneidad de la enfermedad y facilitando el manejo individualizado y estratificado.
En términos de predicción de progresión, los modelos de análisis de series de tiempo (LSTM y Transformer) y los métodos tradicionales de aprendizaje automático (XGBoost y bosques aleatorios) pueden predecir la exacerbación aguda y el deterioro funcional de la enfermedad y optimizar el tiempo y las estrategias de tratamiento.
Además, la IA identifica la respuesta de los pacientes a los planes de tratamiento a través del análisis de datos multimodales, adapta los planes de tratamiento para pacientes de alto riesgo y proporciona una base de datos para sistemas de soporte de decisiones clínicas para promover ajustes de tratamiento en tiempo real y mejorar la calidad de vida de los pacientes.
Sin embargo, la aplicación extensiva de esta tecnología tiene algunos desafíos con respecto a la estandarización de datos, la interpretabilidad del modelo, la privacidad y las cuestiones éticas.
Las futuras mejoras en los conjuntos de datos de código abierto, la optimización de algoritmos, la colaboración multidisciplinaria y la predicción de la progresión de la IC basada en datos multimodales conducirán a un mayor desarrollo.
Los autores admitieron limitaciones de este estudio: utilizó un método bibliométrico para realizar un análisis exhaustivo de la literatura sobre la intersección de las Altas Frecuencias (HF) y la IA en la base de datos Web of Science Core Collection (WoSCC) con el fin de dilucidar el panorama actual de las tendencias emergentes y los problemas fundamentales de esta disciplina.
En primer lugar, la fuente de datos se limitó principalmente a WoSCC, lo que podría pasar por alto literatura significativa de otras bases de datos.
Además, este estudio se centró exclusivamente en la literatura publicada en inglés, excluyendo materiales significativos disponibles en otros idiomas.
Asimismo, este estudio incluyó artículos de investigación original y de revisión para el análisis, omitiendo otros tipos de documentos pertinentes, como ponencias en congresos, capítulos de libros y comunicaciones.
Finalmente, el período de investigación se delimitó de 2004 a 2024, lo que podría haber pasado por alto hallazgos críticos de investigaciones anteriores.
Estudios futuros pueden ampliar aún más la búsqueda bibliográfica para reflejar las tendencias de investigación y los avances en la disciplina.
No obstante, este estudio proporciona una visión general relativa de la aplicación de la IA en la disciplina de las Altas Frecuencias (HF).
Concluyendo, en general, esta investigación revisó y analizó sistemáticamente la literatura sobre la aplicación de la IA en la IC, procedente de la base de datos Web of Science, durante las últimas dos décadas mediante técnicas bibliométricas.
Además, reveló las trayectorias emergentes en la investigación actual y previa, y exploró las principales preocupaciones en esta disciplina.
Este estudio reveló que, en el contexto del diagnóstico de la insuficiencia cardíaca, los algoritmos de aprendizaje automático y los modelos de aprendizaje profundo mejoraron sustancialmente la precisión diagnóstica y la capacidad de predicción de riesgos.
En cuanto al tratamiento y la gestión personalizada, la tecnología de IA facilitó la monitorización remota y el desarrollo de estrategias terapéuticas a medida.
En cuanto a la exploración de mecanismos, la integración de datos multiómicos y el análisis de IA reveló posibles vías biológicas asociadas con la insuficiencia cardíaca.
Además, es probable que la investigación futura se centre en la gestión de la UCI, la asignación inteligente de recursos médicos y la predicción de datos multimodales.
Simultáneamente, es imperativo priorizar la aplicación de las herramientas de IA correspondientes en las diversas facetas del tratamiento de la insuficiencia cardíaca, a la vez que se exploran y optimizan continuamente para impulsar los avances en este campo.
Estados Unidos y China están a la vanguardia de esta disciplina de investigación.
Los países y los investigadores institucionales necesitan fortalecer la colaboración interregional e interdisciplinaria para avanzar en este campo, beneficiando en última instancia a la mayoría de los pacientes con IC.
Palabras clave: Insuficiencia cardíaca, inteligencia artificial, bibliometría, aprendizaje automático, temas de actualidad
* Meng L, Lian K, Zhang J, Li L, Hu Z. Evolution of Research on Artificial Intelligence for Heart Failure: A Bibliometric and Visual Analysis. J Multidiscip Healthc. 2025 May 26;18:2941-2956. doi: 10.2147/JMDH.S525739. PMID: 40453814; PMCID: PMC12124312.