El modelo fundacional desarrollado en la Universidad de Michigan permite a los médicos identificar disfunción microvascular coronaria a través de una tira de ECG de diez segundos.
Investigadores de la Universidad de Michigan publicaron un estudio en NEJM AI, sobre un modelo de artificial intelligence (AI), entrenado para detectar una condición compleja del corazón llamada disfunción microvascular coronaria, que requiere técnicas de imagen avanzadas para su diagnóstico. El estudio aborda una limitación importante en el uso de la IA aplicada al electrocardiograma (ECG). Aunque existen grandes avances en modelos de AI capaces de detectar alteraciones estructurales y funcionales del corazón a partir del ECG, muchas aplicaciones clínicas de alto valor siguen poco desarrolladas. Esto ocurre especialmente en el caso de la isquemia miocárdica y las disfunciones microvasculares y vasomotoras coronarias, condiciones relevantes pero difíciles de estudiar porque requieren pruebas avanzadas y costosas, como estudios de imagen especializados, que generan pocos datos etiquetados para entrenar modelos de AI.
Para superar esta limitación, los investigadores desarrollaron un modelo fundacional de ECG basado en aprendizaje autosupervisado. Este enfoque permite que el modelo aprenda patrones directamente de grandes volúmenes de datos sin necesidad de etiquetas clínicas. En este caso, el modelo fue preentrenado utilizando más de 800 mil electrocardiogramas sin etiquetar de la base de datos MIMIC-IV-ECG, lo que le permitió captar características generales de la señal eléctrica del corazón antes de ser entrenado para tareas clínicas específicas.
Posteriormente, el modelo fue ajustado con conjuntos de datos mucho más pequeños pero con información clínica de alta calidad. Estas etiquetas provinieron tanto de estudios de tomografía por emisión de positrones como de reportes clínicos, y se utilizaron para entrenar al modelo en 12 tareas distintas, que incluyeron predicciones clínicas, demográficas y parámetros tradicionales del ECG. Este proceso permitió evaluar si un modelo entrenado inicialmente sin etiquetas podía adaptarse eficazmente a problemas clínicos complejos con pocos datos bien caracterizados.
“Nuestro modelo permite a los médicos identificar con precisión una afección que es muy difícil de diagnosticar, y que a menudo se pasa por alto en las visitas a urgencias, utilizando una tira de ECG de 10 segundos” afirmó el autor principal, el Dr. Venkatesh L. Murthy, jefe adjunto de cardiología para la investigación traslacional y la innovación en el Centro Cardiovascular Frankel de la Universidad de Michigan.
Los resultados mostraron que el desempeño diagnóstico del modelo fue alto, aunque variable según la tarea. Sin embargo, la precisión fue menor para la detección de reserva de flujo miocárdico reducida, una medida relacionada con la circulación coronaria, y mayor para la identificación de fracción de eyección ventricular izquierda gravemente disminuida, un indicador clave de la función cardíaca. Además, en casi todas las tareas evaluadas, el preentrenamiento con aprendizaje autosupervisado mejoró de forma significativa la precisión del modelo en comparación con modelos entrenados únicamente con datos etiquetados desde cero. “Básicamente, enseñamos al modelo a “comprender” el lenguaje eléctrico del corazón sin supervisión humana”, explicó el Dr. Murthy.
Un aspecto relevante del estudio es que el modelo mantuvo un buen desempeño cuando se evaluó en múltiples cohortes externas e internas, incluyendo bases de datos ampliamente utilizadas como PTB-XL y UK Biobank, así como etiquetas obtenidas mediante diferentes modalidades de imagen cardíaca. Esto sugiere que el modelo no solo es preciso, sino también generalizable, es decir, capaz de funcionar adecuadamente en poblaciones y contextos clínicos distintos a aquellos en los que fue entrenado.
“Las personas que acuden a urgencias por dolor torácico pueden padecer disfunción microvascular coronaria, pero su angiograma aparecerá como limpio”, explicó el Dr. Sascha N. Goonewardena, profesor asociado de Medicina Interna-Cardiología en la Universidad de Michigan y coautor del estudio.
“En hospitales con recursos limitados o centros no especializados, el uso de nuestro modelo de AI para ECG para predecir la reserva de flujo miocárdico será una forma fácil, rentable y no invasiva de identificar cuándo un paciente se beneficiaría de pruebas avanzadas para una afección grave”.
En conclusión, el estudio demuestra que los modelos fundacionales de ECG entrenados con aprendizaje autosupervisado pueden mejorar tanto la precisión diagnóstica como la capacidad de generalización de la inteligencia artificial en cardiología. Este enfoque resulta especialmente valioso para aplicaciones clínicas complejas donde los datos etiquetados son escasos y costosos de obtener, como la detección de isquemia miocárdica y disfunción microvascular coronaria, abriendo la puerta a herramientas de diagnóstico más accesibles basadas en una prueba simple, no invasiva y ampliamente disponible como el electrocardiograma.
