Inteligencia artificial y aprendizaje automático en la predicción y tratamiento de paros cardíacos súbitos
Investigadores provenientes de Qatar y Jordania, publicaron en la edición de noviembre de 2023 de Current Cardiology Reports, un artículo de revisión que analizó las aplicaciones de inteligencia artificial y aprendizaje automático en la predicción y el tratamiento de paros cardíacos súbitos*.
Esta revisión sistemática será el tema que comentará hoy la NOTICIA DEL DÍA.
Los autores se introducen en el tema señalando que el paro cardíaco súbito (PCS) sigue siendo una importante causa mundial de mortalidad, que comprende entre el 15% y el 20% de todas las muertes en todo el mundo y representa entre 50 y 100 casos por cada 100.000 personas.
La administración de reanimación cardiopulmonar (RCP) y el uso de desfibrilación eléctrica son intervenciones cruciales para lograr una reanimación eficaz en pacientes que experimentan ritmos de fibrilación ventricular (FV) y paro cardíaco.
A pesar de la existencia de sistemas avanzados de primeros auxilios para la reanimación de un paro cardíaco, un análisis reciente realizado en América del Norte reveló una escasa tasa de supervivencia general del 4,6%.
Desafortunadamente, una parte importante de las descargas administradas siguen sin lograr el retorno de la circulación espontánea.
Varios factores demográficos, clínicos, ambientales y genéticos afectan las tasas de incidencia y supervivencia de las víctimas de SCA.
En cuanto a los adultos, las tasas de incidencia del paro cardíaco súbito están relacionadas con el aumento de la edad, mientras que las tasas de supervivencia tienden a ser peores y se observan tasas de mortalidad más altas entre los grupos de edad más jóvenes.
La predicción y prevención de SCA constituyen desafíos importantes que obstaculizan la efectividad y el costo-beneficio de las metodologías existentes.
La utilización de herramientas de inteligencia artificial (IA) está aumentando para abordar cuestiones complejas y están bien posicionadas para abordar los importantes requisitos no satisfechos en el campo de la electrofisiología clínica.
En consecuencia, las herramientas de inteligencia artificial se han vuelto cruciales para diferenciar el subgrupo de paro cardíaco súbito (SCA) susceptible de descarga.
Existe una demanda urgente para descubrir nuevos predictores de SCA en individuos.
Por lo tanto, aquí el objetivo fue revisar los avances recientes en los modelos de predicción y el despliegue de la IA y el aprendizaje automático (ML por sus siglas en inglés) en la predicción del éxito de la RCP.
Esta revisión de la literatura tuvo como objetivo proporcionar una descripción general completa de los avances recientes en los modelos de predicción y el despliegue de la IA y el ML en el vaticinio del éxito de la reanimación cardiopulmonar (RCP).
Los objetivos fueron comprender el papel de la IA y el aprendizaje automático en la atención sanitaria, específicamente en el diagnóstico médico, la estadística y la medicina de precisión, y explorar sus aplicaciones para predecir y gestionar los resultados de un paro cardíaco repentino, especialmente en el contexto de la atención de emergencia prehospitalaria.
El papel de la IA y el aprendizaje automático en la atención sanitaria se está ampliando, con aplicaciones evidentes en el diagnóstico médico, la estadística y la medicina de precisión.
El aprendizaje profundo está ganando importancia en la radiómica (método que extrae un gran número de características de las imágenes médicas utilizando algoritmos de caracterización de datos) y la salud de la población para la predicción del riesgo de enfermedades.
Hay un enfoque importante en la integración de la IA y el ML en la atención de emergencia prehospitalaria, particularmente en el uso de algoritmos de ML para predecir resultados en pacientes con COVID-19 y mejorar el reconocimiento del paro cardíaco extrahospitalario (OHCA).
Además, la combinación de IA con desfibriladores externos automáticos (DEA) muestra potencial para detectar mejor los ritmos susceptibles de descarga durante incidentes de paro cardíaco.
La IA y el aprendizaje automático son inmensamente prometedores a la hora de revolucionar la predicción y el tratamiento del paro cardíaco repentino, lo que sugiere mejores tasas de supervivencia e intervenciones sanitarias más eficientes en el futuro.
El paro cardíaco súbito (PCS) sigue siendo una de las principales causas de muerte a nivel mundial, y las tasas de supervivencia siguen siendo bajas a pesar de los avanzados sistemas de primeros auxilios.
El desafío actual es la predicción y prevención del SCA.
Sin embargo, con el aumento en la adopción de herramientas de inteligencia artificial y aprendizaje automático en electrofisiología clínica en los últimos tiempos, existe optimismo acerca de abordar estos desafíos de manera más efectiva.
IA es un término integral que abarca la emulación de la inteligencia humana en sistemas informáticos programados para imitar acciones humanas.
El aprendizaje automático, que cae bajo el paraguas de la IA, puede clasificarse además en aprendizaje supervisado y no supervisado y puede aplicarse a conjuntos de datos clínicos para crear modelos de riesgo sólidos y redefinir las clasificaciones de los pacientes.
Hoy en día, los algoritmos ya han demostrado capacidades superiores para detectar tumores malignos en comparación con los radiólogos y han proporcionado una valiosa orientación a los investigadores en la construcción de cohortes para costosos ensayos clínicos.
La forma más compleja de ML es el aprendizaje profundo, que abarca modelos de redes neuronales con múltiples niveles de características para predecir resultados.
Estos modelos pueden revelar miles de características ocultas, debido a las capacidades de procesamiento acelerado de las modernas unidades de procesamiento de gráficos y arquitecturas de nube.
La aplicación del aprendizaje profundo en radiómica, que implica la detección de características clínicamente relevantes en datos de imágenes más allá de las capacidades de la percepción visual humana, es cada vez más frecuente.
A pesar de las predicciones precisas, la integración de recomendaciones de tratamiento y diagnóstico basadas en IA en los flujos de trabajo clínicos y los sistemas de registros médicos electrónicos (EHR) puede presentar desafíos en ocasiones.
Las aplicaciones de aprendizaje automático e inteligencia artificial facilitaron la predicción precisa de resultados que pueden resultar difíciles de comprender para otras herramientas de predicción de riesgos.
Se han empleado redes neuronales artificiales (RNA) para estratificar el riesgo de afecciones complejas como el síncope en los departamentos de atención de emergencia (DE).
Las RNA son ventajosas en este contexto debido a su capacidad para evaluar relaciones complejas y no lineales entre predictores de características y resultados clínicos.
Hasta la fecha, solo un número limitado de estudios ha investigado el uso de algoritmos de aprendizaje automático específicos para predecir resultados como el ingreso a la UCI o la mortalidad en pacientes con COVID-19.
Teniendo en cuenta el valor potencial de las reglas de decisión basadas en ML y la naturaleza crítica de la pandemia, se está llevando a cabo un esfuerzo de colaboración para identificar las aplicaciones de ML más efectivas para diferentes conjuntos de datos y enfermedades.
Tras la implementación de iniciativas destinadas a mejorar el reconocimiento temprano, los protocolos de envío, la acción de los espectadores, la activación y la atención posterior a la reanimación, varios países han sido testigos de un aumento en las tasas de supervivencia después de un paro cardíaco extrahospitalario (OHCA). .
En agosto de 2018, se integró un modelo de aprendizaje automático en la práctica clínica de los servicios médicos de emergencia de Copenhague para mejorar el reconocimiento de OHCA.
Este modelo analizó la conversación entre el despachador y la persona que llama, ayudando al despachador en tiempo real a identificar OHCA durante la conversación.
Desde septiembre de 2018 hasta diciembre de 2019, el modelo de aprendizaje automático alertó a los despachadores cuando una llamada de emergencia indicaba una alta probabilidad de OHCA en curso.
Tener en cuenta que un desfibrilador externo automático (DEA) es un dispositivo portátil que administra descargas eléctricas al corazón en casos de SCA para recuperar el ritmo normal.
La Sociedad Europea de Cardiología (ESC) y el Consejo Europeo de Resucitación (ERC) abogan por la adopción generalizada de DEA tanto por parte de los servicios de emergencia como del personal no médico para minimizar el tiempo necesario para la desfibrilación.
La combinación de DEA e IA tiene el potencial de mejorar aún más la eficacia de los DEA y mejorar los resultados para las personas que experimentan un paro cardíaco repentino.
Una de las aplicaciones es la detección mejorada de ritmos susceptibles de descarga que pueden causar la muerte de los pacientes si no se administra una descarga eléctrica de inmediato.
Figuera et al. desarrollaron un modelo ML para la detección de ritmos desfibrilables en DEA basado en ECG de superficie y datos OHCA que imita el escenario de la vida real del uso de DEA.
La literatura anterior respalda las ventajas de emplear modelos ML en reanimación.
Específicamente, se ha desarrollado un modelo de aprendizaje profundo para lograr predicciones más precisas de paro cardíaco e insuficiencia respiratoria aguda en unidades de cuidados intensivos, superando el puntaje nacional de alerta temprana (NEWS) y el puntaje de alerta temprana modificado (MEWS).
La superioridad de este modelo de aprendizaje profundo se atribuyó a su capacidad para detectar relaciones entre los signos vitales y la capacidad de identificar características de gran importancia y contribución a la predicción de riesgos.
A pesar de que ML demostró un rendimiento superior en comparación con los sistemas de seguimiento y activación existentes, requirió la utilización de una mayor cantidad de variables para el aprendizaje de funciones.
Se ha explorado la IA para evaluar la calidad de la RCP durante los esfuerzos de reanimación.
Los algoritmos de visión por computadora pueden analizar datos de video de sesiones de entrenamiento de RCP o eventos de la vida real para proporcionar retroalimentación en tiempo real a los rescatistas, ayudándolos a mantener la profundidad, la frecuencia y el retroceso de compresión correctos.
Un estudio piloto comparó el entrenamiento de RCP con realidad aumentada (AR por sus siglas en inglés) con un maniquí de retroalimentación audiovisual (AV) estándar para proveedores de atención médica y mostró una calidad general de RCP posterior a la simulación similar en comparación con el entrenamiento de RCP con retroalimentación AV estándar en proveedores de atención médica.
Además, los algoritmos de IA han demostrado potencial para detectar automáticamente eventos de paro cardíaco en grabaciones de audio y video.
Esto puede ayudar a un reconocimiento más rápido de los incidentes de paro cardíaco y al inicio rápido de la RCP y el uso de DEA.
Sin mencionar la capacidad de la IA para identificar áreas con mayor probabilidad de incidentes de paro cardíaco.
Esta información se puede utilizar para mejorar la planificación de la respuesta a emergencias y asignar recursos de manera más efectiva y optimizar la ubicación y distribución de los DEA en espacios públicos mediante el análisis de datos históricos de paros cardíacos, la densidad de población y otros factores.
Si bien la IA se ha mostrado prometedora en varios aspectos de la atención médica, incluidos el diagnóstico y las imágenes médicas, su aplicación en la RCP y el manejo del paro cardíaco tuvo algunas lagunas y desafíos.
Uno de estos desafíos es la incapacidad de adaptarse rápidamente a los cambios en las condiciones de los pacientes y proporcionar retroalimentación en tiempo real al personal médico para ajustar y mejorar la RCP.
Además, la integración de los sistemas de IA con los DEA existentes y la infraestructura de respuesta a emergencias requiere una cuidadosa consideración de los formatos de datos, los protocolos de comunicación y el cumplimiento normativo.
Cheng et al. propusieron un modelo basado en ML para predecir la tasa de supervivencia a 30 días y la tasa de supervivencia hasta el alta después de un paro cardíaco de 1071 pacientes, mostrando la mayor precisión de 0,87 y 0,83 utilizando el modelo de aumento de gradiente extremo (XGB) en comparación con la máquina de vectores de soporte. (SVM) y regresión logística (LR).
Los modelos XGB son una forma de modelos basados en árboles de decisión, que combinan modelos de árboles de decisión, donde los árboles se incluyen incrementalmente en el conjunto y se entrenan para rectificar los errores de predicción de los modelos anteriores.
Mientras que los modelos SVM implementan un hiperplano que puede agrupar y clasificar muestras claramente.
Harford et al. utilizaron un modelo integrado de redes neuronales totalmente convolucionales (EFCN) para predecir los resultados de supervivencia de 2639 paros cardíacos extrahospitalarios con una sensibilidad de 0,83 utilizando 27 funciones.
Kawai et al. implementaron un modelo de pronóstico basado en IA para la predicción de resultados neurológicos después de 3 h de reanimación de 321 pacientes con paro cardíaco utilizando imágenes de TC, mostrando un mejor rendimiento que la relación de materia gris a blanca (GWR) anterior en términos de recuperación de precisión que representa las predicciones falsas positivas, pero comparable en términos de área bajo la curva de características operativas del receptor (AUROC).
Mansour y cols. establecieron un enfoque de aprendizaje por transferencia para detectar lesión cerebral hipóxica-isquémica (HIBI) después de paros cardíacos.
Utilizaron tomografías computarizadas de hallazgos normales para detectar el resultado en exploraciones de seguimiento, lo que sugiere que la IA puede identificar con precisión la progresión de HIBI en la exploración inicial temprana.
Con la coprevalencia de enfermedades cardiovasculares y cáncer, se espera que la cardiooncología aumente debido al envejecimiento de la población a nivel mundial, y es probable que el paro cardíaco, la segunda causa principal de muerte médica, se vea afectado.
Se espera que las disparidades en el paro cardíaco observadas en la población general probablemente persistan en el subgrupo de pacientes con cáncer activo.
Sin embargo, la escasez de investigación en esta área ha obstaculizado los esfuerzos eficaces para abordar estas disparidades actuales.
Un estudio de Monlezun et al. realizó un análisis exhaustivo de los paros cardíacos en cardiooncología, combinando aspectos clínicos, económicos y éticos para mejorar la eficacia y la rentabilidad de los sistemas sanitarios.
Desarrollaron una puntuación de predicción del riesgo de paro cardíaco para pacientes con cáncer e introdujeron un nuevo modelo predictivo clínico llamado The Cardiac Arrest Cardio-Oncology Score (CACOS), que puede ayudar en la predicción temprana y mejorar la asignación de recursos y los resultados de salud.
La utilización de IA para analizar datos cardiovasculares obtenidos de diversas pruebas de diagnóstico ha mostrado resultados prometedores en la identificación precisa y económica del riesgo cardiovascular, lo que permite la detección temprana y la intervención en pacientes con cáncer con riesgo de complicaciones cardiovasculares.
Este enfoque tiene el potencial de brindar oportunidades preventivas y terapéuticas en cardiooncología, lo que conducirá a mejores resultados para los pacientes.
En la práctica clínica, tanto los desfibriladores externos (DE) como los desfibriladores automáticos implantables (DAI) emplean algoritmos de asesoramiento de descargas para determinar si un trazado de electrocardiograma (ECG) representa un ritmo que requiere descargas o no.
Recientemente, se ha evaluado el uso de algoritmos de aprendizaje automático para la clasificación de decisiones impactantes, lo que demuestra un nivel creciente de precisión en esta importante tarea.
Los CDI se utilizan en personas con alto riesgo de muerte cardíaca súbita.
El factor crucial para administrar una descarga adecuada y potencialmente salvadora desde el DAI o el DEA radica en identificar un ritmo susceptible de descarga, como la fibrilación ventricular (FV) y la taquicardia ventricular (TV).
La IA tiene el potencial de tener un impacto significativo al reducir el tiempo que lleva aplicar una descarga y mejorar la eficiencia de identificar ritmos que pueden provocar una descarga. Esto podría permitir salvar más vidas al garantizar intervenciones oportunas y adecuadas en casos de fibrilación ventricular y taquicardia ventricular.
La investigación sobre algoritmos de decisión de shock se ha enmarcado tradicionalmente como un problema de detección de FV.
Posteriormente, los algoritmos de ML, como las máquinas de vectores de soporte o los métodos de conjunto, fusionaron de manera efectiva la extracción sistemática y completa de las características del ECG con la selección de los subconjuntos de características más adecuados para la detección de fibrilación ventricular (FV).
Una de las limitaciones de las soluciones de IA es que necesitan grandes conjuntos de datos anotados para ajustar los numerosos parámetros de red entrenables, que a menudo ascienden a miles o incluso millones.
Desafortunadamente, hay escasez de anotaciones de ritmo con control de calidad en los datos de paro cardíaco extrahospitalario (OHCA).
Además, el uso de IA en dispositivos médicos, incluidos los desfibriladores, está sujeto a una supervisión regulatoria rigurosa para garantizar la seguridad y la eficacia.
Cumplir con estas regulaciones puede consumir mucho tiempo y recursos.
Además, los modelos de IA pueden ser vulnerables a ataques adversarios, donde las entradas diseñadas con fines malintencionados pueden conducir a decisiones incorrectas o dañinas.
Proteger los algoritmos de IA en los desfibriladores frente a posibles ataques es esencial para mantener la seguridad del paciente.
En conclusión, los SCA siguen siendo una importante causa mundial de mortalidad, lo que destaca la necesidad crítica de intervenciones efectivas como la reanimación cardiopulmonar (RCP) y la desfibrilación eléctrica.
A pesar de los avances en los sistemas de primeros auxilios, las tasas de supervivencia después de un paro cardíaco extrahospitalario (OHCA) siguen siendo bajas y un número sustancial de descargas administradas no logran los resultados deseados.
Esto requiere enfoques innovadores para mejorar las tasas de éxito de la reanimación y la desfibrilación.
La aplicación de la IA en la atención de emergencia prehospitalaria se ha mostrado prometedora a la hora de detectar ritmos desfibrilables, predecir el éxito de la reanimación y mejorar la calidad de la RCP mediante retroalimentación en tiempo real.
El potencial de la IA se extiende a la predicción de resultados neurológicos después de la reanimación e incluso al tratamiento de paros cardíacos cardiooncológicos, mejorando la predicción de riesgos y la asignación de recursos.
Sin embargo, la IA en los desfibriladores también enfrenta limitaciones, incluida la necesidad de grandes conjuntos de datos anotados, escasas anotaciones de ritmo con control de calidad, desafíos regulatorios y vulnerabilidad a ataques adversarios.
Se necesitan estudios futuros para abordar la calidad y los sesgos de los datos, mejorar la interpretabilidad de los modelos de IA y garantizar medidas de seguridad sólidas.
Además, se necesita más investigación para validar e integrar de manera efectiva modelos basados en IA en flujos de trabajo clínicos y dispositivos médicos.
La colaboración entre investigadores, proveedores de atención médica y organismos reguladores es esencial para aprovechar plenamente el potencial de la IA e impulsar mejoras continuas en el manejo del paro cardíaco, lo que en última instancia conduce a mejores resultados para los pacientes y mayores tasas de supervivencia.
* Aqel S, Syaj S, Al-Bzour A, Abuzanouneh F, Al-Bzour N, Ahmad J. Artificial Intelligence and Machine Learning Applications in Sudden Cardiac Arrest Prediction and Management: A Comprehensive Review. Curr Cardiol Rep. 2023 Nov;25(11):1391-1396. doi: 10.1007/s11886-023-01964-w. Epub 2023 Oct 4. PMID: 37792134; PMCID: PMC10682172.
