{"id":50931,"date":"2025-01-06T14:01:23","date_gmt":"2025-01-06T20:01:23","guid":{"rendered":"https:\/\/saluddigital.com\/?p=50931"},"modified":"2025-10-17T20:36:25","modified_gmt":"2025-10-18T02:36:25","slug":"desarrollan-ia-para-predecir-eventos-cardiovasculares-adversos","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/desarrollan-ia-para-predecir-eventos-cardiovasculares-adversos\/","title":{"rendered":"Desarrollan IA para predecir eventos cardiovasculares adversos"},"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

ECG-MACE es una herramienta basada en deep learning que utiliza informaci\u00f3n de electrocardiogramas para predecir eventos cardiovasculares adversos.<\/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

An investigation published in npj Digital Medicine journal<\/em><\/a> presenta un modelo de deep learning<\/em> o aprendizaje profundo multitarea denominado ECG-MACE, dise\u00f1ado para predecir eventos cardiovasculares adversos importantes (MACE, en ingl\u00e9s) utilizando electrocardiogramas (ECG) de 12 derivaciones. Estos eventos incluyen insuficiencia card\u00edaca, infarto de miocardio, accidente cerebrovascular isqu\u00e9mico y mortalidad por cualquier causa.<\/p>

El objetivo principal de esta herramienta es la predicci\u00f3n a corto plazo, es decir identificar la probabilidad de eventos cardiovasculares dentro de un a\u00f1o. De igual forma se busca la validaci\u00f3n externa de del modelo, es decir probar su eficacia en datos provenientes de diferentes centros m\u00e9dicos. Asimismo, el estudio compar\u00f3 ECG-MACE con herramientas tradicionales como el Framingham Risk Score (FRS), una herramienta convencional de evaluaci\u00f3n de riesgos.<\/p>

Los principales hallazgos de la investigaci\u00f3n est\u00e1n relacionados con la precisi\u00f3n en las predicciones. El modelo alcanz\u00f3 altos niveles de precisi\u00f3n: Insuficiencia card\u00edaca: AUROC (Area Under the Reciever Operating Characteristic Curve) de 0.90; infarto de miocardio: AUROC de 0.85; mortalidad: AUROC de 0.89; y accidente cerebrovascular isqu\u00e9mico: AUROC de 0.76.<\/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\"IA\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

Cabe destacar que ECG-MACE super\u00f3 a FRS en la predicci\u00f3n de eventos a 1 y 5 a\u00f1os, adem\u00e1s de mostrar un rendimiento comparable para predicciones a 10 a\u00f1os. Adem\u00e1s, en la validaci\u00f3n externa robusta tambi\u00e9n obtuvo resultados importantes pues, en un segundo centro m\u00e9dico, el modelo mantuvo una AUROC de 0.83 para la predicci\u00f3n de mortalidad.<\/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

El estudio tambi\u00e9n comprob\u00f3 las capacidades a largo plazo del modelo. Incluso en un seguimiento de diez a\u00f1os, el grupo clasificado como de “alto riesgo” mostr\u00f3 tasas de incidencia significativamente mayores para los eventos evaluados.<\/p>

Los autores definieron las aplicaciones potenciales de ECG-MACE:<\/p>