Investigadores del Brigham and Women’s Hospital, de la Universidad de Harvard desarrollaron un sistema de aprendizaje profundo capaz de medir automáticamente el calcio de las arterias coronarias a partir de tomografías computarizadas.
Algunos indicadores o predictores de problemas cardiovasculares como ataques cardiacos son la calcificación de la arteria coronaria o la acumulación de placa calcificada en las paredes de las arterias del corazón. Estos factores de riesgo pueden detectarse a través de tomografía computarizada (TC), sin embargo, medir y cuantificar las cantidades de placa requieren equipo y personal especializado, además de ser un proceso que lleva tiempo.
Ante esta problemática, Investigadores del Programa de Inteligencia Artificial en Medicina (AIM, por sus siglas en inglés), del Brigham and Women’s Hospital del Centro de Investigación de Imágenes Cardiovasculares (CIRC, por sus siglas en inglés), perteneciente al Hospital General de Massachusetts, desarrollaron un algoritmo basado en aprendizaje profundo, para detectar la cantidad de calcio coronario con mayor agilidad.
El sistema de aprendizaje automático fue validado gracias a datos de más de 20 mil pacientes. Logrando medir de forma automática el calcio de las arterias coronarias desde las TC, y así ayudar a los médicos a tomar decisiones para prevenir problemas cardiovasculares.
El coautor de la investigación, Michael Lu, director de inteligencia artificial del CIRC, explicó lo siguiente: “La puntuación de calcio de las arterias coronarias puede ayudar a los pacientes y médicos a tomar decisiones informadas y personalizadas sobre si deben tomar una estatina. Desde una perspectiva clínica, nuestro objetivo a largo plazo es implementar este sistema de aprendizaje profundo en registros médicos electrónicos, para identificar automáticamente a los pacientes con alto riesgo”.
Los resultados de la investigación y el proceso del desarrollo del sistema de aprendizaje profundo fueron publicados en la revista Nature bajo el título: “Redes neuronales convolucionales profundas para predecir el riesgo cardiovascular de la tomografía computarizada”. El cual es posible consultar en el siguiente enlace: https://www.nature.com/articles/s41467-021-20966-2
