¿Cómo puede la tecnología ayudar a diagnosticar el embolismo pulmonar agudo de manera más precisa?
El embolismo pulmonar agudo (EPA) es una enfermedad cardiovascular grave que ocupa el tercer lugar en prevalencia a nivel mundial, después de la enfermedad cardíaca isquémica y el accidente cerebrovascular. A pesar de su gravedad, el EPA a menudo se pasa por alto o se diagnostica incorrectamente debido a síntomas que pueden confundirse con otras afecciones. Un diagnóstico temprano y preciso es crucial para un tratamiento efectivo, pero las estrategias actuales son complejas y no siempre prácticas en la vida real. ¿Podría la tecnología, específicamente el aprendizaje automático, ofrecer una solución más eficiente?
El problema del diagnóstico del EPA
El EPA ocurre cuando un coágulo de sangre bloquea una arteria en los pulmones. Los síntomas más comunes incluyen dolor en el pecho, dificultad para respirar y tos con sangre. Sin embargo, estos síntomas también pueden aparecer en otras enfermedades, lo que dificulta su identificación. Las guías europeas recomiendan el uso de herramientas como la escala de Wells, la escala de Ginebra revisada y el algoritmo de Years para evaluar la probabilidad de EPA. Estas herramientas ayudan a los médicos a decidir si es necesario realizar pruebas adicionales, como una angiografía por tomografía computarizada (CTPA, por sus siglas en inglés). Sin embargo, estas escalas tienen limitaciones. Por ejemplo, la escala de Wells no es aplicable a pacientes hospitalizados, y la escala de Ginebra revisada puede no ser adecuada para pacientes críticamente enfermos. Además, su uso es complicado y consume tiempo, lo que las hace menos prácticas en la atención diaria.
El papel del aprendizaje automático en la medicina
El aprendizaje automático (ML, por sus siglas en inglés) es una rama de la inteligencia artificial que permite a las computadoras aprender de grandes cantidades de datos y hacer predicciones o decisiones basadas en ellos. En el campo de la salud, el ML ha demostrado ser útil para diagnosticar y predecir enfermedades cardiovasculares. Estudios anteriores han mostrado su potencial en la predicción de tromboembolismo venoso (TEV) y otras afecciones. En este estudio, los investigadores buscaron desarrollar un modelo de ML para diagnosticar el EPA y comparar su rendimiento con las herramientas tradicionales.
Cómo se realizó el estudio
Este estudio se llevó a cabo en el Hospital de la Amistad China-Japón en Beijing, China. Se incluyeron pacientes sospechosos de EPA que se sometieron a una CTPA entre enero de 2019 y diciembre de 2019. Se excluyeron aquellos con enfermedades como la arteritis de Takayasu o datos clínicos incompletos. En total, se analizaron 454 pacientes, divididos en dos grupos: uno para entrenar el modelo (340 pacientes) y otro para probarlo (114 pacientes). Además, se utilizó un grupo de validación interna con 204 pacientes sospechosos de EPA entre enero y agosto de 2018.
Se recopilaron datos como edad, género, síntomas, signos vitales y resultados de laboratorio. El diagnóstico de EPA fue confirmado por dos médicos basándose en la información clínica y los hallazgos de la CTPA. Los pacientes fueron seguidos durante tres meses para confirmar o descartar el diagnóstico.
Selección de características y desarrollo del modelo
Inicialmente, se recopilaron 27 características clínicas, como antecedentes de EPA o trombosis venosa profunda (TVP), cirugía reciente, frecuencia cardíaca, dolor en el pecho, dificultad para respirar y niveles de biomarcadores como el dímero D (una proteína que aumenta en presencia de coágulos). Para evitar que el modelo se sobreajuste a los datos, se redujo el número de características. Finalmente, se seleccionaron ocho: dímero D, troponina T cardíaca (cTnT), saturación de oxígeno en la sangre, frecuencia cardíaca, dolor en el pecho, dolor en las piernas, tos con sangre y insuficiencia cardíaca crónica.
Se evaluaron ocho algoritmos de ML, incluyendo el bosque aleatorio (RF, por sus siglas en inglés), la regresión logística y el árbol de decisiones. El rendimiento de los modelos se evaluó utilizando la curva ROC (característica operativa del receptor) y el área bajo la curva (AUC).
Resultados del estudio
El modelo de bosque aleatorio (RF) mostró el mejor rendimiento, con un AUC de 0.813 en el grupo de prueba. Este resultado superó a la escala de Wells combinada con el dímero D (AUC = 0.709) y fue comparable a la escala de Ginebra revisada con dímero D (AUC = 0.713) y el algoritmo de Years (AUC = 0.719). Además, el modelo RF tuvo el valor predictivo negativo (VPN) más alto (0.953), lo que significa que es muy efectivo para descartar el EPA.
En el grupo de validación interna, el modelo RF logró un AUC de 0.726, confirmando su estabilidad y precisión. Entre las características seleccionadas, el dímero D fue la más importante, con un peso de 0.35, seguido de la cTnT, la saturación de oxígeno y la frecuencia cardíaca.
¿Por qué es importante este modelo?
El modelo de RF, basado en datos clínicos y de laboratorio, supera a las herramientas tradicionales en el diagnóstico del EPA. Su capacidad para manejar interacciones complejas entre características y su alto VPN lo convierten en una herramienta valiosa para los médicos. Además, su enfoque automatizado y objetivo podría reducir la necesidad de pruebas innecesarias, como la CTPA, que conllevan riesgos y costos adicionales.
Limitaciones del estudio
Este estudio tiene algunas limitaciones. Es un análisis retrospectivo de un solo centro, lo que puede introducir sesgos. Además, no se puede comparar directamente con otros modelos de ML debido a diferencias en los datos y metodologías. Finalmente, la extracción manual de datos puede limitar su escalabilidad. Futuras investigaciones podrían integrar el procesamiento del lenguaje natural para automatizar la extracción de datos y mejorar aún más la precisión del modelo.
Conclusión
El modelo de bosque aleatorio, basado en datos clínicos como el dímero D, la cTnT y la saturación de oxígeno, muestra un rendimiento superior en el diagnóstico del EPA en comparación con las herramientas tradicionales. Este enfoque tiene el potencial de mejorar el diagnóstico temprano y preciso del EPA, reducir pruebas innecesarias y mejorar los resultados para los pacientes. Futuros estudios deberían validar el modelo en múltiples centros e integrar datos adicionales, como imágenes, para aumentar su precisión.
For educational purposes only.
doi.org/10.1097/CM9.0000000000002837