¿Pueden las computadoras superar a las enfermedades cardíacas? Cómo el aprendizaje automático está revolucionando los chequeos de salud cardíaca
Cada año, millones de personas en todo el mundo mueren a causa de la enfermedad de las arterias coronarias (EAC), una condición en la que las arterias obstruidas privan al corazón de sangre. Diagnosticar la EAC es complicado. Las pruebas pueden pasar por alto signos tempranos, ser demasiado costosas o requerir procedimientos invasivos. ¿Y si las computadoras pudieran detectar riesgos ocultos de manera más rápida y económica? Aquí entra en juego el aprendizaje automático (ML, por sus siglas en inglés), un tipo de inteligencia artificial que aprende patrones a partir de datos. Desde los latidos del corazón hasta las imágenes médicas, el ML está cambiando la forma en que los médicos detectan la EAC. Aquí te explicamos cómo.
El rompecabezas del diagnóstico cardíaco: por qué la EAC es difícil de detectar
La EAC no siempre se manifiesta de manera evidente. Síntomas como el dolor en el pecho pueden ser vagos o estar ausentes. Las pruebas tradicionales, como los electrocardiogramas (ECG, que registran la actividad eléctrica del corazón) o las angiografías (imágenes invasivas), tienen limitaciones. Los ECG pueden pasar por alto cambios sutiles, mientras que las angiografías conllevan riesgos y costos elevados. Incluso los expertos pueden discrepar al interpretar los resultados. Aquí es donde el ML marca la diferencia. Al analizar grandes cantidades de datos, los modelos de ML ayudan a los médicos a ver lo que el ojo humano podría pasar por alto.
Escuchando los latidos del corazón: ¿puede el ML decodificar tu ECG?
Un ECG es una prueba rápida e indolora. Sin embargo, pequeños cambios eléctricos en el corazón, que podrían indicar arterias obstruidas, son fáciles de pasar por alto. Errores humanos o ruido en el equipo pueden enturbiar los resultados.
El ML cambia las reglas del juego. Imagina un software que desglosa cada latido del corazón, estudia su forma y señala patrones extraños. Estudios recientes muestran que el ML puede analizar ECG con una precisión de hasta el 99% para detectar EAC. Por ejemplo, una herramienta de ML podría detectar una caída en una onda específica que indica un flujo sanguíneo deficiente. Esto no reemplaza a los médicos, pero les brinda herramientas más precisas.
Escuchando soplos cardíacos: ¿puede un micrófono detectar la EAC?
Un fonocardiograma (PCG) registra los sonidos del corazón utilizando un micrófono. Golpes o silbidos en estos sonidos pueden indicar problemas. La EAC a menudo produce soplos leves durante la fase de relajación del corazón. Los humanos podrían pasarlos por alto, pero el ML no.
Un estudio encontró que las grabaciones de PCG de pacientes con EAC tenían un aumento de 5 decibelios en los sonidos de baja frecuencia. Los modelos de ML entrenados con miles de sonidos cardíacos pueden señalar estas pistas. Algunos sistemas ya predicen la EAC con un 82% de precisión utilizando solo el sonido. Es más económico que las imágenes médicas y funciona en minutos.
Escaneando arterias sin cirugía: el papel del ML en las imágenes de TC
Las tomografías computarizadas coronarias (CCTA) crean imágenes en 3D de las arterias del corazón. Son excelentes para detectar obstrucciones, pero no son perfectas. Diferentes médicos pueden interpretar la misma imagen de manera distinta. Además, las tomografías producen cientos de imágenes, lo que lleva tiempo revisarlas.
El ML acelera este proceso. El software puede escanear imágenes, medir el estrechamiento de las arterias e incluso detectar la acumulación de placa. En un ensayo, un sistema de ML llamado XGBoost diagnosticó arterias bloqueadas (con un estrechamiento superior al 50%) con una precisión del 88%. Esto reduce el tiempo de revisión y minimiza el sesgo humano.
El estándar de oro se vuelve más inteligente: el ML se encuentra con la angiografía
La angiografía, un procedimiento en el que se inyecta un tinte en las arterias del corazón, es la prueba más confiable para la EAC. Sin embargo, es invasiva, costosa y conlleva riesgos como sangrado o reacciones alérgicas. Además, depende en gran medida de la habilidad del médico.
El ML también ayuda aquí. Un estudio utilizó un programa llamado Máquina de Vectores de Soporte (SVM) para analizar angiografías de 303 pacientes. El sistema identificó bloqueos en arterias clave con una precisión del 83-86%. Aunque no es perfecto, ofrece una segunda opinión, reduciendo las posibilidades de errores.
¿Por qué el ML no está en todas partes aún? Los obstáculos por delante
El ML suena mágico, pero tiene límites. Primero, necesita grandes cantidades de datos para aprender. Muchos estudios utilizan muestras pequeñas, como 100 pacientes, que pueden no representar a toda la población. Un modelo entrenado con datos de adultos mayores podría fallar en pacientes más jóvenes.
En segundo lugar, combinar datos de ECG, tomografías y síntomas es complejo. Un diagnóstico holístico requiere conectar puntos entre diferentes pruebas. Los modelos de ML actuales a menudo se centran en un tipo de dato. Las herramientas futuras podrían combinarlos, imitando la forma en que piensan los médicos.
Por último, el ruido es un problema. Las grabaciones cardíacas pueden captar sonidos de fondo. Las tomografías pueden verse afectadas por el movimiento. El ML debe aprender a ignorar estas distracciones, lo que requiere algoritmos más inteligentes.
El futuro: ¿tu chequeo cardíaco en 2030?
Imagina un mundo donde tu reloj inteligente detecta un ritmo cardíaco riesgoso. Visitas una clínica, donde una tomografía de 10 minutos y un micrófono revisan tus arterias. El ML analiza todo, resaltando las preocupaciones para tu médico. El tratamiento comienza temprano, evitando una crisis.
Aún no estamos allí, pero el progreso es rápido. Los investigadores están construyendo bases de datos más grandes y probando el ML en clínicas reales. El objetivo no es reemplazar a los médicos, sino equiparlos con herramientas sobrehumanas.
Solo para fines educativos.
doi.org/10.1097/CM9.0000000000001202