Nuevos avances de investigadores de Cedars-Sinai, muestran el entrenamiento de un algoritmo de IA para detectar patrones de electrocardiogramas que han sufrido un paro cardíaco repentino.
Investigadores de Cedars-Sinai, presentaron dos nuevos estudios que respaldan el uso de inteligencia artificial (IA), para predecir paros cardíacos repentinos, una emergencia médica letal, ya que en la mayoría de los casos provoca la muerte en unos minutos. Prevenir este tipo de emergencias podría tener un impacto sumamente positivo, sin embargo, para ello es necesario desarrollar nuevas herramientas clínicas.
Según el Dr. Sumeet Chugh, director de la División de IA en Medicina en Cedars-Sinai, y autor principal de los dos nuevos estudios, el uso de algoritmos de IA para mejorar la predicción de paros cardíacos súbitos es clave para que los médicos puedan identificar los pacientes con mayor riesgo de sufrir esta afección.
Los paros cardíacos repentinos, ocurren cuando existen camios en la actividad eléctrica del corazón, lo que provoca que este deje de latir de manera súbita. Los pacientes con cardiopatías suelen tener mayores posibilidades de sufrir un accidente de este tipo, sin embargo, también puede ocurrir en pacientes sin cardiopatías conocidas.
En este sentido, uno de los estudios publicado en Communications Medicine, detalla el entrenamiento de un algoritmo de deep learning, para estudiar patrones en electrocardiogramas (ECG).
El modelo estudió 1,827 ECG de 1,796 pacientes previo a que sufrieran un paro cardíaco repentino, asimismo incluyó 1,342 ECG tomados a 1,325 personas que no experimentaron un paro cardíaco repentino. “La señal digital completa del electrocardiograma funcionó significativamente mejor que algunos de sus componentes”, según explicó el Dr. Chugh. Sin embargo, reconoció la importancia de continuar estudiando este modelo para poder determinar cómo utilizarlo en un entorno clínico.
Por otro lado, en otro estudio, publicado en Circulation: Arrhythmia and Electrophysiology, los investigadores entrenaron un modelo de IA para diferenciar entre dos causas subyacentes de los paros cardíacos repentinos: la actividad eléctrica sin pulso y la fibrilación ventricular.
“La actividad eléctrica sin pulso significa que las señales eléctricas del corazón son demasiado débiles para producir un latido. No puede tratarse con un desfibrilador y a menudo conduce a la muerte. La fibrilación ventricular es un tipo de latido irregular que puede hacer que el corazón deje de latir, pero una descarga eléctrica de un desfibrilador puede desencadenar de nuevos latidos”, explica el estudio.
El modelo revisó los patrones de las lecturas de los ECG, así como las características de los pacientes, y de esta forma los investigadores lograron determinar los factores de riesgo de ambos tipos de paro cardíaco súbito.
El estudio mostró que las personas que sufrieron un paro cardíaco súbito por actividad eléctrica sin pulso, tenían más probabilidades de ser adultos mayores, tener sobrepeso, padecer anemia o experimentar dificultad respiratoria como síntoma de alerta. Y, por otra parte, los pacientes que sufrieron fibrilación ventricular tenían más probabilidades de ser más jóvenes, haber padecido una enfermedad coronaria o haber experimentado dolor torácico como síntoma de alerta.
“Tenemos formas de prevenir el paro cardíaco súbito mediante tecnologías como el desfibrilador, pero el reto es saber quién tiene más probabilidades de beneficiarse de esta intervención” explicó el Dr. Lauri Holmstrom, primer autor de ambos estudios. “Estos hallazgos podrían ayudar a los cardiólogos a identificar qué pacientes tienen más probabilidades de sufrir un paro cardíaco súbito por actividad eléctrica sin pulso o un paro cardíaco súbito por fibrilación ventricular, y ayudarles a prevenir que se produzcan estos eventos”, agregó.
En resumen, estos estudios muestran un potencial significativo de la IA para detectar patrones en el organismo y así evitar emergencias médicas que pueden llegar a ser letales. No obstante, como apuntan los autores, es importante continuar estudiando el uso de estos modelos para alcanzar su aplicación clínica.
