El 4 de noviembre pasado, la revista Médica Heart publicó el trabajo donde un grupo de cardiólogos utiliza las técnicas de Inteligencia Artificial (IA) para estudiar el funcionamiento del Corazón utilizando machine learning. El algoritmo analiza determinados parámetros y elabora una escala de riesgo. Para poder utilizarse, debe actualizarse el software del electrocardiógrafo. Así, mediante esta tecnología, se pueden reconocer más de 500 marcadores, mientras que un cardiólogo podría ver entre 50 y 60. Los marcadores se obtienen en unos 10 segundos que dura el electrocardiograma. Esta ventaja posibilitaría la detección de un posible ICTUS en el futuro de una persona aparentemente sana.

Figura 1. Imágen tomada del trabajo original

Figura 2. Imágen tomada del trabajo original

Lo asombroso es que para realizar la predicción se requiere el electrocardiógrafo clásico, lo que es significativamente útil para cualquier centro de salud al momento de obtener este software. Adicionalmente, los investigadores dicen que podría desarrollarse incluso en una aplicación móvil, por ejemplo, en un reloj inteligente.

El uso de la automatización permite al médico detectar elementos que de otra forma pasarían inadvertidos ante sus ojos. El grupo de investigadores comenzó con el ensayo clínico de su estudio, estiman que los resultados del nuevo estudio podrían obtenerse en aproximadamente un año y medio.

En la actualidad, la mayoría de los centros de salud almacenan ElectroCardioGramas (ECG) cuantificados e interpretados, los ECG podrían utilizarse para investigar biomarcadores y predecir la aparición de Fibrilación Auricular (FA). El trabajo establece un modelo de predicción general y una escala de riesgo para una futura FA. Se utiliza biomarcadores detectados automáticamente con IA a partir de un grupo de Electrocardiogramas de la persona. Los pacientes con varios ECG a lo largo del tiempo se clasificaron en dos grupos: pacientes con un ECG que mostraba FA posterior al Ritmo Sinusal (RS, latido del corazón normal) y pacientes con RS en todos sus ECG. La comparación entre estos dos grupos permitió desarrollar un modelo global y un puntaje de riesgo de la Evaluación Automática de Fibrilación Auricular (AFAA).

Figura 3. Imágen tomada del trabajo original