Inteligencia artificial en Cardiología: pasado, presente y futuro
Investigadores de India abordaron en un extenso Editorial publicado en la edición del 30 de julio de 2022 del Indian Heart Journal el tema de la importancia y utilidad de la inteligencia artificial (IA) en el campo de la Cardiología.
La inteligencia artificial pertenece a la disciplina de la informática que se centra en el desarrollo de programas para permitir que las máquinas entiendan e imiten el comportamiento y el pensamiento humanos.
A menudo se refiere a «la capacidad de una máquina para generalizar el aprendizaje con el fin de lograr tareas complejas de manera eficiente y autónoma».
Este amplio concepto fue propuesto por primera vez en 1956 por John McCarthy e incluye dos dominios principales, a saber. aprendizaje automático (ML por las siglas en inglés de machine learning) y aprendizaje profundo.
ML se refiere al dominio especializado de la IA en el que, utilizando algoritmos estadísticos y de computación complejos, las computadoras analizan conjuntos de datos de una manera rápida y eficiente.
El aprendizaje automático se puede dividir en tres tipos diferentes según la forma en que los algoritmos predictivos aprenden y se entrenan para analizar conjuntos de datos complejos.
Estos incluyen:
– aprendizaje supervisado que se basa en el análisis de conjuntos de datos previamente etiquetados por humanos para desarrollar modelos para la predicción de eventos futuros,
– aprendizaje no supervisado en el que el conjunto de datos de entrenamiento no se ha categorizado previamente y los modelos buscan determinar relaciones ocultas en el conjunto de datos y
– aprendizaje por refuerzo, que es un sistema basado en recompensas en el que las interacciones con el entorno del sistema conducen a la generación de un refuerzo positivo o negativo.
Basado en las interacciones repetitivas con refuerzos positivos, el modelo de IA aprende a funcionar mejor en un entorno determinado a través de prueba y error.
En los últimos tiempos, es en realidad el dominio de aprendizaje profundo de la IA el que ha atraído la máxima atención.
El aprendizaje profundo es similar al cerebro humano y utiliza redes neuronales para extraer patrones significativos de conjuntos de datos complejos.
Las redes neuronales, similares a los circuitos neuronales humanos, forman el núcleo del aprendizaje profundo y lo convierten en un sistema basado en el reconocimiento de alto rendimiento.
La red neuronal convolucional (CNN por sus siglas en inglés), el sistema de aprendizaje profundo más popular, a menudo se considera el estándar para el reconocimiento de imágenes y utiliza la extracción de características para construir redes que respondan a entradas visuales similares a la corteza visual en humanos.
Aunque el concepto de IA se propuso por primera vez en la década de 1950, su aplicación en el sector de la salud se ha expandido solo en los últimos tiempos.
Su utilidad se deriva del hecho de que es capaz de procesar un volumen significativo de datos y ha encontrado su aplicación en cardiología para la predicción del riesgo, la imagen cardiovascular y la electrofisiología.
La IA tendrá un tremendo impacto que conducirá a un cambio de paradigma en el diagnóstico y manejo de las enfermedades CV en un futuro cercano.
Una de las áreas interesantes en las que tiene un papel potencial es en el campo de la cardiología preventiva, en el que se pueden utilizar modelos basados en aprendizaje automático para la estratificación del riesgo.
Este enfoque basado en datos puede identificar a los pacientes con alto riesgo de complicaciones, fortaleciendo así la cardiología preventiva.
Dado que los algoritmos de ML pueden usar una cantidad mucho mayor de variables, no requieren la preselección de variables importantes y evitan suposiciones previas, son los más adecuados para el desarrollo de modelos de predicción de riesgos clínicos.
Los modelos ML pueden incorporar factores de riesgo tanto tradicionales como no tradicionales y desconocidos para una estratificación de riesgo adecuada.
Múltiples modelos de ML como Naïve Bayes, k-vecinos más cercanos (KNN), árbol de decisión, bosque aleatorio y XGBoost se han utilizado anteriormente para la predicción del riesgo de eventos cardíacos adversos después de STEMI.
El modelo MERC propuesto recientemente entre pacientes con IAMCEST en países de ingresos bajos y medianos tuvo una mejor predicción de la mortalidad a los 30 días en comparación con los modelos tradicionales basados en la regresión logística.
La IA ha desempeñado un papel importante en las imágenes CV al integrar una gran cantidad de datos.
Tiene un gran impacto en las imágenes CV, desde la selección correcta del paciente para identificar al paciente que se beneficiaría más hasta aprender varias características de imágenes asociadas con un diagnóstico en particular.
El dominio de aprendizaje profundo de la IA puede ayudar en el análisis de ecocardiogramas, tomografías computarizadas (TC) cardíacas e imágenes de resonancia magnética cardíaca (RMC).
La aplicación actual en imágenes CV incluye la identificación y segmentación de varias estructuras cardíacas, la identificación de lesiones y la clasificación de imágenes asociadas con diferentes afecciones.
La IA ha encontrado su utilidad en todas las modalidades de imágenes CV, incluidas la ecocardiografía, la tomografía computarizada cardíaca y la resonancia magnética, así como las imágenes nucleares.
La ecocardiografía es la modalidad de imagen CV más utilizada con aplicaciones tanto de diagnóstico como de punto de atención.
Dado que la adquisición e interpretación de imágenes ecocardiográficas dependen en gran medida del operador, se produce una variación considerable en la calidad, así como en la interpretabilidad diagnóstica de las imágenes.
Esto lleva a que la IA desempeñe un papel importante en la mejora de las capacidades de diagnóstico por imagen de la ecocardiografía.
La IA ayuda en la cuantificación automatizada de las dimensiones y los volúmenes de las cámaras cardíacas, la detección de anomalías regionales del movimiento de la pared, las anomalías valvulares y las imágenes de tensión.
Además, ha encontrado una utilidad significativa en el punto de atención, diagnósticos ecocardiográficos, especialmente en países en desarrollo como India, donde la mano de obra capacitada y calificada podría no estar disponible.
La interpretación ecocardiográfica basada en IA es más reproducible con mayor confianza diagnóstica, mayor reproducibilidad y menor tiempo de procesamiento requerido que los métodos tradicionales.
Esto se ha demostrado con el uso del software automatizado Heart Model AI (Philips, Andover, MA) en el que el tiempo total ahorrado para la adquisición y el análisis de imágenes fue del 82 % en comparación con las mediciones 3D manuales con QLAB.
La TC cardíaca se usa a menudo para determinar la ubicación y extensión de las placas de ateroma en la vasculatura coronaria, así como para la puntuación de calcio.
Los modelos de IA que utilizan la estimación basada en CNN de las unidades Hounsfield en la vasculatura coronaria se han utilizado para la puntuación del calcio coronario.
Lessman y sus colegas desarrollaron un modelo CNN para la detección y detección de individuos de alto riesgo basado en la estimación de las puntuaciones de calcio coronario.
Recientemente, un estudio multicéntrico desarrolló y validó un sistema de aprendizaje profundo para medidas de volumen de placa y gravedad de estenosis derivadas de CCTA.
Del mismo modo, la CNN también se ha utilizado para la estimación automática de la reserva fraccional de flujo (FFR) basada en la angiografía coronaria por TC con una buena concordancia entre los valores derivados de ML y los que se midieron de forma invasiva.
En los últimos tiempos, la RMC se ha convertido en una modalidad de imagen CV prometedora con una amplia variedad de aplicaciones clínicas.
Se han utilizado modelos de IA basados en CNN para la segmentación automatizada de cámaras cardíacas para la estimación del volumen cardíaco.
Además, la evaluación automática de la función ventricular basada en CNN ha mostrado una buena correlación con las funciones ventriculares izquierda y derecha obtenidas manualmente.
En el campo de la imaginología nuclear, la imaginología de perfusión miocárdica (MPI por siglas en inglés) usando TC de emisión de fotón único (SPECT) ayuda en la evaluación de la perfusión coronaria y la detección de enfermedad coronaria.
Los modelos ML que utilizan algoritmos de aprendizaje profundo se han utilizado para la predicción de riesgos para coronariopatía basados en MPI.
Los modelos ML también han incorporado datos clínicos y de imágenes para una mejor predicción del riesgo después de la perfusión.
Esto permite una mejor predicción del riesgo de EAC, la necesidad de revascularización y el desarrollo de eventos cardiovasculares adversos mayores (MACE).
El ECG, una de las pruebas simples no invasivas, constituye el núcleo de la práctica cardiovascular.
Los estudios han demostrado previamente que los modelos de aprendizaje automático tienden a funcionar mejor que los humanos en la identificación de varias condiciones basadas en ECG, como QT largo y fibrilación auricular.
El análisis de ECG automatizado mediante IA facilita el diagnóstico temprano de diversas arritmias y anomalías del segmento ST.
La IA a través del análisis de ECG automatizado basado en algoritmos de ML permitiría a los médicos de atención primaria, así como a los no cardiólogos, tomar decisiones seguras y rápidas con respecto a la necesidad de atención cardíaca especializada.
Estos algoritmos de ECG basados en ML no solo pueden distinguir entre un ECG normal y anormal, sino que también pueden hacer un diagnóstico confiable de FA, TV e IAM.
Los estudios que utilizan IA para la detección de FA basada en ECG han mostrado una buena sensibilidad (79 %) y especificidad (79,5 %).
Además, se han utilizado modelos basados en IA para la detección de la fracción de eyección disminuida basados en los análisis de ECG con una buena sensibilidad (86,3 %) y especificidad (85,7 %).
Recientemente, el modelo de IA basado en ECG también encontró su aplicación en el monitoreo de la variabilidad de la frecuencia cardíaca (VFC) entre pacientes recuperados de COVID-19.
Además, la IA encuentra una mayor aplicación en dispositivos portátiles inteligentes, como el reloj inteligente de Apple, para el monitoreo rutinario de ECG y la detección de arritmias en la población general.
No es necesario aclarar que la insuficiencia cardíaca (IC) es un trastorno cardiovascular importante con una morbilidad y mortalidad significativas.
Su reconocimiento temprano y su tratamiento oportuno siguen siendo la piedra angular de las estrategias de manejo de la IC.
La IA desempeña un papel importante tanto en la prevención de la IC, la reducción de los reingresos y el tratamiento.
Los nuevos algoritmos de ML han demostrado una capacidad predictiva superior de futuros eventos de IC.
La incorporación de estos algoritmos en el sistema de registro médico electrónico puede proporcionar automáticamente información de riesgo al médico y la necesidad de una mayor intervención.
La IA se puede integrar perfectamente en el Sistema de soporte de decisiones clínicas (CDSS), que es una tecnología de información de salud que permite a los médicos tomar decisiones clínicas adecuadas.
Un estudio reciente entre pacientes que acudieron al departamento de pacientes ambulatorios con disnea informó que el Sistema de apoyo a la decisión clínica basado en inteligencia artificial (AI-CDSS) tenía una precisión diagnóstica notablemente alta para la insuficiencia cardíaca en comparación con los especialistas que no lo son en insuficiencia cardíaca y una precisión diagnóstica similar en comparación con los especialistas en insuficiencia cardíaca.
AI-CDSS podría ser útil para hacer un diagnóstico de insuficiencia cardíaca en estos subgrupos de pacientes, especialmente en países de ingresos bajos y medianos con recursos limitados.
Además, las modalidades basadas en IA pueden servir como una herramienta de detección en el punto de atención económica y no invasiva para un diagnóstico más temprano de la insuficiencia cardíaca.
Esto fue evidente en el estudio AI-ECG en el que un algoritmo basado en IA aplicado a un ECG de una sola derivación registrado durante el examen con estetoscopio habilitado para ECG informó una buena precisión diagnóstica para la detección de FEVI <40 %.
Además de la identificación de pacientes en riesgo, el sistema basado en IA también puede desempeñar un papel en la prevención de hospitalizaciones.
Los modelos estadísticos tradicionales para la predicción de la readmisión tienen marcadas limitaciones y los algoritmos de ML tienden a identificar mejor a las personas con riesgo de readmisión por insuficiencia cardíaca.
Además, los modelos basados en IA pueden identificar a los pacientes que necesitan una terapia particular, como pacientes con FEVI baja y QRS prolongado que requieren terapia de resincronización cardíaca.
Los modelos basados en IA pueden ayudar a identificar a los respondedores y no respondedores a las terapias de CRT, como quedó de manifiesto en dos estudios recientes.
En el campo de la cardiología intervencionista últimamente se ha estado a la vanguardia de muchos avances tecnológicos, especialmente en los dominios de imágenes intravasculares, hemodinámica y robótica.
La IA también ha encontrado aplicaciones novedosas en este campo.
Su papel en las herramientas de toma de decisiones clínicas se ha explorado recientemente con sistemas de autoaprendizaje basados en IA que utilizan algoritmos ML y el reconocimiento de patrones tiende a imitar los procesos de pensamiento humano.
Esto se ha demostrado en el ensayo CEREBRIA-1 (Machine Learning vs Expert Human Opinion to Determine Physiologically Optimized Coronary Revascularization Strategies) en el que se comparó un algoritmo de aprendizaje automático basado en la interpretación computacional de los trazos instantáneos de la relación libre de ondas (IFR) con la interpretación humana en pacientes con enfermedad coronaria estable.
Los hallazgos del estudio mostraron que los algoritmos de ML no fueron inferiores a la opinión consensuada de expertos para determinar tanto la idoneidad de la PCI como la estrategia óptima de angioplastia.
De manera similar, un estudio reciente que utilizó FFR basado en IA (Autocath FFR) para la predicción de lesiones hemodinámicamente significativas informó una precisión excelente.
Otros aspectos para la aplicación de la IA en el laboratorio de cateterismo es en el campo de la imagen intravascular.
Los algoritmos de ML se han utilizado para el cálculo automático del área luminal vascular y la carga de placa en las imágenes de ultrasonido intravascular.
La aplicación de IA en cardiología aún está en pañales y la tecnología actual enfrenta obstáculos con respecto a la validación clínica, la implementación y la regulación.
Definitivamente se ve como un cambio de juego, especialmente en los campos de la cardiología preventiva con una mejor estratificación del riesgo.
Su ventaja es que está aprendiendo y mejorando constantemente los datos existentes, creando así un ciclo de retroalimentación positiva que tiende a hacer que los modelos de predicción basados en la IA sean cada vez más precisos con un mayor uso.
Las mejoras en la tecnología en el campo de la IA conducirían al desarrollo de biomarcadores digitales y computacionales para la predicción de riesgos e intervenciones tempranas específicas para la prevención de enfermedades o para detener el progreso de la enfermedad.
En el futuro, las herramientas basadas en su aplicación reducirían la redundancia en la toma de decisiones clínicas, reduciendo así la carga de trabajo del médico y mejorando la eficiencia del trabajo.
La IA con su rápido progreso puede replicar algunas cualidades del cerebro humano, sin embargo, nunca puede superarlo.
Incluso en el campo de diagnóstico por imágenes CV en el que la IA ha dado pasos de gigante, su reproducibilidad no ha sido mejor que la observación humana experta.
Debe entenderse claramente que tanto AI como ML deben actuar para apoyar y no reemplazar al médico y sus habilidades clínicas.
Los algoritmos de ML pueden identificar patrones en función del gran volumen de datos y, a menudo, tienden a identificar las características promedio de un paciente y, a menudo, ignoran los valores atípicos.
Sin embargo, en medicina, cada caso individual es diferente y la IA puede ser propensa a errores en estos casos, especialmente si son valores atípicos.
Como herramienta en cardiología debería actuar como una ayuda en la toma de decisiones y no tomar esas decisiones.
Sin embargo, una combinación adecuada de inteligencia humana e IA puede reducir la cantidad de errores clínicos.
Además, ningún algoritmo es una prueba completa y puede fallar si el algoritmo de ML no se ha entrenado adecuadamente.
A menudo se ha visto que los algoritmos de IA tienen una mayor sensibilidad pero una baja especificidad, lo que aumenta el riesgo de sobrediagnóstico y evaluación adicional.
Otro problema que surge con el uso de IA y ML son las preocupaciones legales y éticas cuando se procesan grandes volúmenes de datos.
Hay un problema especial cuando se evalúan grandes volúmenes de datos. Esto exige una mayor transparencia sobre los tipos de datos que se comparten y con quién, y aclarar el propósito de compartirlos.
Además, existe la necesidad de introducir regulaciones estrictas como el Reglamento General de Protección de Datos (GDPR) en Europa para la seguridad y privacidad adecuadas de los datos que se comparten y acceden.
La IA y su amplio espectro de análisis han encontrado una gran aplicación en la medicina moderna, especialmente en el campo de la cardiología.
Tiende a mejorar la eficiencia del trabajo, detectar patrones detrás de los datos observados y desempeñar un papel en la predicción de eventos futuros.
En la carrera entre el cerebro humano y las máquinas, se debe tener en cuenta que la IA es solo una de las herramientas complementarias para mejorar el juicio clínico, proporcionar un diagnóstico preciso, sin embargo, no puede reemplazar el papel de un médico.
Existe la necesidad de una mayor conciencia entre los médicos sobre el papel y su aplicación en la medicina moderna.
* Gupta MD, Kunal S, Girish MP, Gupta A, Yadav R. Artificial intelligence in Cardiology: the past, present and future. Indian Heart J. 2022 Jul 30:S0019-4832(22)00107-9. doi: 10.1016/j.ihj.2022.07.004. Epub ahead of print. PMID: 35917970.
