Un análisis reciente identifica avances, limitaciones y oportunidades para mejorar el diagnóstico y pronóstico de infartos y accidentes cerebrovasculares.
El uso de técnicas de machine learning or machine learning, en el ámbito de la salud cardiovascular está transformando la forma en que se diagnostican y pronostican enfermedades como el infarto de miocardio y el accidente cerebrovascular (ACV). Una revisión publicada en BioMedical Engineering OnLine examina estudios realizados entre 2014 y 2024, evaluando metodologías, fuentes de datos y métricas de desempeño, y señala áreas de mejora para maximizar el impacto clínico de estas herramientas.
El artículo, realizado por investigadores de Florida Atlantic University, revisa la aplicación de modelos de machine learning en tres áreas clave: predicción del diagnóstico de ACV, pronóstico tras un evento cerebrovascular y predicción de infartos, incluyendo casos en pacientes con antecedentes de ACV.
Entre las técnicas más utilizadas destacan algoritmos como Random Forest, máquinas de vectores de soporte (SVM, en inglés) y redes neuronales, aplicados a datos clínicos, imágenes médicas y registros electrónicos de salud. Los estudios muestran que el machine learning puede mejorar la detección temprana y apoyar la toma de decisiones médicas, por ejemplo, en la clasificación de subtipos de ACV, la estimación del riesgo de mortalidad o la predicción de secuelas motoras.
Sin embargo, la revisión también detecta desafíos recurrentes: el desequilibrio de clases en los datos, el uso limitado de información multimodal, la escasa validación externa y la dependencia de pocas métricas para evaluar el rendimiento. Esto último es relevante porque, en medicina, errores de clasificación pueden tener consecuencias graves, y la evaluación debe considerar múltiples indicadores como sensibilidad, especificidad, precisión, F1 y área bajo la curva (AUC, en inglés).
Los autores proponen mejoras como la adopción de técnicas avanzadas de muestreo, la integración de diferentes tipos de datos, como datos clínicos, de imagen y de sensores y el uso de metodologías más robustas de preprocesamiento y selección de características. También sugieren ampliar los estudios a poblaciones más diversas y aumentar el tamaño de las bases de datos para evitar sobreajuste y mejorar la generalización de los modelos.
La revisión concluye que, aunque el machine learning ha demostrado un gran potencial en el cuidado de la salud cardiovascular, su implementación clínica todavía enfrenta retos técnicos y metodológicos. Superar estos obstáculos permitirá que estas herramientas se conviertan en aliadas efectivas para salvar vidas y optimizar los recursos en el diagnóstico y tratamiento de enfermedades cardíacas y cerebrovasculares.
