{"id":39650,"date":"2023-07-05T08:59:06","date_gmt":"2023-07-05T14:59:06","guid":{"rendered":"https:\/\/saluddigital.com\/?p=39650"},"modified":"2025-10-19T22:36:24","modified_gmt":"2025-10-20T04:36:24","slug":"herramienta-de-ia-supero-estandares-para-deteccion-de-ataques-cardiacos","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/herramienta-de-ia-supero-estandares-para-deteccion-de-ataques-cardiacos\/","title":{"rendered":"Herramienta de IA super\u00f3 est\u00e1ndares para detecci\u00f3n de ataques card\u00edacos"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Esta herramienta logr\u00f3 resultados alentadores que podr\u00edan mejorar la toma de decisiones en entornos de servicios m\u00e9dicos de emergencias.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Un novedoso modelo de aprendizaje autom\u00e1tico desarrollado investigadores de la Universidad de Pittsburgh, utiliza lecturas de electrocardiograma (ECG) para diagnosticar y clasificar ataques card\u00edacos de manera m\u00e1s r\u00e1pida y precisa que los enfoques actuales. Los resultados de este modelo de inteligencia artificial (IA) fueron detallados en un estudio publicado en Nature<\/a>.<\/p>

\u201cCuando un paciente llega al hospital con dolor en el pecho, la primera pregunta que hacemos es si el paciente est\u00e1 teniendo un infarto o no. Parece que deber\u00eda ser sencillo, pero cuando no est\u00e1 claro en el ECG, puede tomar hasta 24 horas completar pruebas adicionales\u201d, explic\u00f3 el Dr. Salah Al-Zaiti, autor principal del estudio. Este modelo permite abordar ese desaf\u00edo que describe el Dr. Al Zaiti, ya que mejora la evaluaci\u00f3n de riesgos para que los pacientes puedan obtener la atenci\u00f3n adecuada y sin demora.<\/p>

Los m\u00e9dicos pueden reconocer patrones distintos en los ECG, que indican el riesgo de un ataque cardiaco conocido como infarto de miocardio con elevaci\u00f3n del segmento ST (STEMI, en ingl\u00e9s). Este tipo de episodios son causados por un bloqueo total de una arteria coronaria y necesitan una intervenci\u00f3n inmediata para restablecer el flujo sangu\u00edneo.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

No obstante, casi dos tercios de los ataques al coraz\u00f3n son causado por un bloqueo severo de este tipo, pero no cuentan con un patr\u00f3n de ECG que revele el riesgo. Por ello esta nueva herramienta es importante, ya que permite detectar hasta las pistas m\u00e1s sutiles en el ECG, que suelen ser dif\u00edciles de detectar para los m\u00e9dicos. De esta forma se mejora la clasificaci\u00f3n de los pacientes con dolor tor\u00e1cico.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

En el estudio, este modelo fue comparado con tres est\u00e1ndares de oro para evaluar eventos cardiacos: interacci\u00f3n cl\u00ednica experimentada del ECG, algoritmos comerciales de ECG y la puntuaci\u00f3n HEART. El estudio mostr\u00f3 que el modelo super\u00f3 a los tres est\u00e1ndares, reclasificando con precisi\u00f3n a 1 de cada 3 pacientes con dolor tor\u00e1cico como de riesgo bajo, intermedio o alto.<\/p>

Los especialistas no esperaban igualar el nivel de precisi\u00f3n de HEART, ya que considera diversa informaci\u00f3n como el historial, dolor del paciente y otros s\u00edntomas, as\u00ed como la edad y factores de riesgo como colesterol, tabaquismo o diabetes.<\/p>

\u201cEsta informaci\u00f3n puede ayudar a guiar las decisiones m\u00e9dicas de EMS, como iniciar ciertos tratamientos en el campo o alertar a los hospitales sobre la llegada de un paciente de alto riesgo\u201d, explic\u00f3 el coautor Christian Martin-Gill. Adem\u00e1s, resalt\u00f3 que es tambi\u00e9n importante que pueda ayudar a identificar pacientes de bajo riesgo que no requieran ir al hospital, lo que mejorar\u00eda el triaje prehospitalario.<\/p>

Luego del \u00e9xito logrado, los autores ahora se encuentran optimizando c\u00f3mo se puede implementar este modelo en servicios m\u00e9dico de emergencia. Para ello buscan integrar un sistema basado en la nube que comparta informaci\u00f3n de lecturas de ECG con los hospitales. De esta forma el modelo analizar\u00eda el ECG y enviar\u00eda una evaluaci\u00f3n de riesgo del paciente, mejorando la toma de decisiones m\u00e9dicas en tiempo real.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

UPCM<\/strong><\/p>

https:\/\/www.upmc.com\/media\/news\/062923-ecg-model-heart-attacks<\/a> \u00a0<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Esta herramienta logr\u00f3 resultados alentadores que podr\u00edan mejorar la toma de decisiones en entornos de servicios m\u00e9dicos de emergencias. Un novedoso modelo de aprendizaje autom\u00e1tico desarrollado investigadores de la Universidad de Pittsburgh, utiliza lecturas de electrocardiograma (ECG) para diagnosticar y clasificar ataques card\u00edacos de manera m\u00e1s r\u00e1pida y precisa que los enfoques actuales. Los resultados de este modelo de inteligencia artificial (IA) fueron detallados en un estudio publicado en Nature. \u201cCuando un paciente llega al hospital con dolor en el pecho, la primera pregunta que hacemos es si el paciente est\u00e1 teniendo un infarto o no. Parece que deber\u00eda ser sencillo, pero cuando no est\u00e1 claro en el ECG, puede tomar hasta 24 horas completar pruebas adicionales\u201d, explic\u00f3 el Dr. Salah Al-Zaiti, autor principal del estudio. Este modelo permite abordar ese desaf\u00edo que describe el Dr. Al Zaiti, ya que mejora la evaluaci\u00f3n de riesgos para que los pacientes puedan obtener la atenci\u00f3n adecuada y sin demora. Los m\u00e9dicos pueden reconocer patrones distintos en los ECG, que indican el riesgo de un ataque cardiaco conocido como infarto de miocardio con elevaci\u00f3n del segmento ST (STEMI, en ingl\u00e9s). Este tipo de episodios son causados por un bloqueo total de una arteria coronaria y necesitan una intervenci\u00f3n inmediata para restablecer el flujo sangu\u00edneo. No obstante, casi dos tercios de los ataques al coraz\u00f3n son causado por un bloqueo severo de este tipo, pero no cuentan con un patr\u00f3n de ECG que revele el riesgo. Por ello esta nueva herramienta es importante, ya que permite detectar hasta las pistas m\u00e1s sutiles en el ECG, que suelen ser dif\u00edciles de detectar para los m\u00e9dicos. De esta forma se mejora la clasificaci\u00f3n de los pacientes con dolor tor\u00e1cico. En el estudio, este modelo fue comparado con tres est\u00e1ndares de oro para evaluar eventos cardiacos: interacci\u00f3n cl\u00ednica experimentada del ECG, algoritmos comerciales de ECG y la puntuaci\u00f3n HEART. El estudio mostr\u00f3 que el modelo super\u00f3 a los tres est\u00e1ndares, reclasificando con precisi\u00f3n a 1 de cada 3 pacientes con dolor tor\u00e1cico como de riesgo bajo, intermedio o alto. Los especialistas no esperaban igualar el nivel de precisi\u00f3n de HEART, ya que considera diversa informaci\u00f3n como el historial, dolor del paciente y otros s\u00edntomas, as\u00ed como la edad y factores de riesgo como colesterol, tabaquismo o diabetes. \u201cEsta informaci\u00f3n puede ayudar a guiar las decisiones m\u00e9dicas de EMS, como iniciar ciertos tratamientos en el campo o alertar a los hospitales sobre la llegada de un paciente de alto riesgo\u201d, explic\u00f3 el coautor Christian Martin-Gill. Adem\u00e1s, resalt\u00f3 que es tambi\u00e9n importante que pueda ayudar a identificar pacientes de bajo riesgo que no requieran ir al hospital, lo que mejorar\u00eda el triaje prehospitalario. Luego del \u00e9xito logrado, los autores ahora se encuentran optimizando c\u00f3mo se puede implementar este modelo en servicios m\u00e9dico de emergencia. Para ello buscan integrar un sistema basado en la nube que comparta informaci\u00f3n de lecturas de ECG con los hospitales. De esta forma el modelo analizar\u00eda el ECG y enviar\u00eda una evaluaci\u00f3n de riesgo del paciente, mejorando la toma de decisiones m\u00e9dicas en tiempo real. BIBLIOGRAF\u00cdA UPCM https:\/\/www.upmc.com\/media\/news\/062923-ecg-model-heart-attacks  <\/p>","protected":false},"author":1,"featured_media":39652,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-39650","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/39650","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=39650"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/39650\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/39652"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=39650"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=39650"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=39650"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}