Esta herramienta logró resultados alentadores que podrían mejorar la toma de decisiones en entornos de servicios médicos de emergencias.
Un novedoso modelo de aprendizaje automático desarrollado investigadores de la Universidad de Pittsburgh, utiliza lecturas de electrocardiograma (ECG) para diagnosticar y clasificar ataques cardíacos de manera más rápida y precisa que los enfoques actuales. Los resultados de este modelo de inteligencia artificial (IA) fueron detallados en un estudio publicado en Nature.
“Cuando un paciente llega al hospital con dolor en el pecho, la primera pregunta que hacemos es si el paciente está teniendo un infarto o no. Parece que debería ser sencillo, pero cuando no está claro en el ECG, puede tomar hasta 24 horas completar pruebas adicionales”, explicó el Dr. Salah Al-Zaiti, autor principal del estudio. Este modelo permite abordar ese desafío que describe el Dr. Al Zaiti, ya que mejora la evaluación de riesgos para que los pacientes puedan obtener la atención adecuada y sin demora.
Los médicos pueden reconocer patrones distintos en los ECG, que indican el riesgo de un ataque cardiaco conocido como infarto de miocardio con elevación del segmento ST (STEMI, en inglés). Este tipo de episodios son causados por un bloqueo total de una arteria coronaria y necesitan una intervención inmediata para restablecer el flujo sanguíneo.
No obstante, casi dos tercios de los ataques al corazón son causado por un bloqueo severo de este tipo, pero no cuentan con un patrón de ECG que revele el riesgo. Por ello esta nueva herramienta es importante, ya que permite detectar hasta las pistas más sutiles en el ECG, que suelen ser difíciles de detectar para los médicos. De esta forma se mejora la clasificación de los pacientes con dolor torácico.
En el estudio, este modelo fue comparado con tres estándares de oro para evaluar eventos cardiacos: interacción clínica experimentada del ECG, algoritmos comerciales de ECG y la puntuación HEART. El estudio mostró que el modelo superó a los tres estándares, reclasificando con precisión a 1 de cada 3 pacientes con dolor torácico como de riesgo bajo, intermedio o alto.
Los especialistas no esperaban igualar el nivel de precisión de HEART, ya que considera diversa información como el historial, dolor del paciente y otros síntomas, así como la edad y factores de riesgo como colesterol, tabaquismo o diabetes.
“Esta información puede ayudar a guiar las decisiones médicas de EMS, como iniciar ciertos tratamientos en el campo o alertar a los hospitales sobre la llegada de un paciente de alto riesgo”, explicó el coautor Christian Martin-Gill. Además, resaltó que es también importante que pueda ayudar a identificar pacientes de bajo riesgo que no requieran ir al hospital, lo que mejoraría el triaje prehospitalario.
Luego del éxito logrado, los autores ahora se encuentran optimizando cómo se puede implementar este modelo en servicios médico de emergencia. Para ello buscan integrar un sistema basado en la nube que comparta información de lecturas de ECG con los hospitales. De esta forma el modelo analizaría el ECG y enviaría una evaluación de riesgo del paciente, mejorando la toma de decisiones médicas en tiempo real.
