Modelo de aprendizaje profundo logra detectar con precisión la estenosis aórtica grave a través de análisis de ecocardiografías.
Investigadores del Laboratorio de Ciencia de Datos Cardiovasculares (CarDS, en inglés) de la Universidad de Yale, desarrollaron un modelo de inteligencia artificial (IA) para la detección de estenosis aórtica grave (EA), una enfermedad valvular cardiaca. El diagnóstico temprano de la EA es fundamental para prevenir la morbilidad y la mortalidad, sin embargo, requiere un examen especializado con imágenes Doppler.
En un estudio publicado en European Health Journal, los investigadores del CarDS explican el proceso del desarrollo de un modelo de IA basado en aprendizaje profundo o Deep learning para detectar EA a partir de imágenes de ecocardiografía. La EA como se mencionó anteriormente, es una afección seria que puede llevar a problemas de salud importantes, y detectarla temprano es crucial.
En este sentido el modelo fue entrenado utilizando 5,257 estudios de ecocardiografía en 2D que incluyeron más de 17 mil videos. Los estudios corresponden a datos del Yale-New Haven Hospital (YNHH) en Connecticut recopilados de 2016 a 2020. De esta forma, el modelo de aprendizaje profundo fue entrenado para reconocer patrones específicos que indican EA grave en estas imágenes.
Asimismo, el modelo fue validado con un conjunto de datos de 2,40 estudios consecutivos realizados em 2021 en YNHH, y con otros dos conjuntos de 3,072 y 4,226 estudios realizados en la región de Nueva Inglaterra y en California respectivamente.
En cuanto a los resultados, el modelo obtuvo resultados de área bajo la curva de características operativas del receptor (AUROC) de 0.978 en el conjunto de prueba, 0.952 en el conjunto de California y 0.942 en el conjunto de Nueva Inglaterra. De igual manera el modelo logró identificar diversas áreas específicas del corazón que contribuyeron a loas predicciones realizadas, como la válvula aórtica, el anillo mitral y la aurícula izquierda.
Finalmente, el modelo proporcionó información valiosa al demostrar que, incluso en casos de EA no grave, las probabilidades predichas estaban relacionadas con métricas cuantitativas que sugieren una asociación con diversas etapas de gravedad de esta afección.
