Miguel Bernardo Giraldo Serna Internista, Fellow de cardiología Clínica UdeA
Alejandro Hernández-Arango Internista Msc(a)
Desde mediados del siglo pasado se ha ido desarrollando una nueva área de las ciencias de la computación y la informática, la inteligencia artificial, de la cual se ha discutido de manera amplia en este blog, esta tecnología que ha tomado mucha fuerza en los últimos años y que promete un futuro increíble permea innumerables aspectos de la vida humana. Muchos podríamos verla como una amenaza para nuestra estabilidad laboral, e incluso en un sentido más dramático, de nuestra propia existencia; sin embargo, cuando se logra un acercamiento a estas tecnologías y cierta comprensión de la misma, nos podemos dar cuenta de que en realidad es una excelente herramienta, que bien utilizada, nos puede ampliar los horizontes del conocimiento y nos puede llevar a lograr nuevos avances como especie en constante evolución.
La medicina ha evolucionado a lo largo de la historia con grandes avances tecnológicos que nos han permitido un diagnóstico y tratamiento más oportunos de las condiciones patológicas que afectan a los humanos, todos esos avances, que, como la inteligencia artificial, debieron romper paradigmas, favorecen el desarrollo de la práctica médica y, como mencionábamos en el párrafo anterior, nos abre nuevos caminos y horizontes hacia nuevos desarrollos, antes impensados.
En la cardiología, sí que hemos tenido avances tecnológicos asombrosos, quizá esto favorecido por la importante prevalencia que tiene la enfermedad cardiovascular y sus grandes implicaciones en cuanto a morbilidad y mortalidad, pero siempre con un impacto positivo en el progreso de la especialidad. La electrocardiografía, que desde su invención es una tecnología impresionante, es una de esas áreas de la cardiología en la que hemos tenido un gran impacto de la inteligencia artificial, en los próximos párrafos, hablaremos un poco de estos avances y las nuevas posibilidades que nos ofrece la integración de ambas en el desarrollo futuro del diagnóstico en cardiología.
Lo primero que debemos mencionar es el largo tiempo que la electrocardiografía se ha mantenido en el tiempo, siendo una herramienta fundamental para el cardiólogo y para el clínico en general a la hora de enfrentar alteraciones o patologías cardiovasculares. Sigue siendo, a pesar de los grandes avances en ecocardiografía, tomografía, resonancia magnética, entre otras, la manera de tener un acercamiento inicial al paciente y a su enfermedad, abriendo la posibilidad de realizar un buen diagnóstico inicial y con esto tomar decisiones acertadas en cuanto al tratamiento y seguimiento de los pacientes.
Desde aproximadamente la década de los 60, se han desarrollado códigos de computación, que en términos simples funcionan como inteligencia artificial, los cuales ofrecen mediante la interpretación de los trazados electrocardiográficos, opciones diagnósticas, que luego pueden ser valoradas por el clínico, quien finalmente decide si está o no de acuerdo con esas propuestas diagnósticas. Estos códigos como el Minnesota y el Glasgow, han sido parte de los software de electrocardiografía por múltiples años, se han ido perfeccionando con el tiempo y hoy nos sirven como referencia para comparar el rendimiento con el clínico y los programas de inteligencia artificial que se vienen desarrollando en los últimos años.
Esta integración que se puede lograr entre la electrocardiografía y los programas de computación y programación, hacen que tengamos grandes posibilidades de investigación y para el desarrollo de nuevos avances tecnológicos y conviertan a la combinación de inteligencia artificial y diagnóstico electrocardiográfico en un nicho de aprendizaje muy llamativo y prometedor.
Ese nuevo nicho de investigación y aprendizaje ha tenido gran productividad científica y tecnológica en los últimos años, con varias publicaciones centradas en el aprendizaje automático (machine learning), campo en el cual, se logra entrenar un sotfware determinado, exponiéndolo a una serie muy grande de datos, que le permiten reconocer patrones específicos, para luego, con elementos propios, ofrecer un diagnóstico específico, que el sistema aprendió de manera autodidacta.
Una de las últimas publicaciones que tenemos en este sentido, se realizó en la revista Nature (Al-Zaiti et al. 2023), el 29 de julio del presente año, en ella se logra entrenar un sistema de inteligencia artificial, mediante ese aprendizaje automático previamente descrito, con el fin de hacer un diagnóstico más preciso del infarto de miocardio con oclusión total, un diagnóstico muchas veces difícil para el clínico y que tiene unas implicaciones importantes en los desenlaces del paciente que lo presenta.
los autores del artículo al que se hace referencia han desarrollado a lo largo de los años métodos para entrenar programas informáticos con el potencial de identificar patrones en los datos de ECG y proporcionar sistemas de soporte a la decisión clínica que potencialmente puedan superar incluso a los clínicos experimentados. Los investigadores recopilaron ECG de más de 4.000 pacientes de EE.UU. que llamaron a los servicios de urgencias por dolor torácico agudo. Utilizaron estos datos para desarrollar un modelo de aprendizaje automático, seleccionando 73 características específicas del ECG que podían clasificar con precisión a los pacientes con infarto de miocardio oclusivo o no.
Luego de realizar el proceso de entrenamiento del sistema, se lograron unos excelentes resultados en cuanto a validación interna y externa del rendimiento diagnóstico, superando de manera significativa el diagnóstico clínico y el que hacían los softwares clásicos de electrocardiografía. Varios estudios previos habían tenido resultados similares, con una mejoría significativa del rendimiento de estos nuevos sistemas de machine learning.
También desarrollaron un sistema de puntuación, denominado puntuación ECG Smart, para clasificar a los pacientes en grupos de riesgo bajo, intermedio y alto. Cuando se validó externamente con más de 3200 pacientes, el modelo siguió demostrando un rendimiento superior al de los métodos tradicionales. En general, el modelo de aprendizaje automático demostró un gran potencial para identificar con precisión eventos cardiacos en pacientes que presentaban dolor torácico.
El estudio tiene limitaciones, que demuestran la necesidad de volver a entrenar el algoritmo en distintas poblaciones. No obstante, el modelo mostró resultados coherentes en los distintos conjuntos de validación también se menciona que el algoritmo tuvo un rendimiento deficiente para otros tipos de síndrome coronario agudo, lo que no se discutió específicamente en la publicación.
Como personal de Salud tenemos varios retos, el primero tratar el aprendizaje automático como una herramienta de soporte al razonamiento clínico y no como “algo lejano” a lo que temer. Siempre debemos evaluar estos modelos de diagnóstico y pronóstico basándonos en criterios utilizados en medicina, como la validez interna y externa, y la importancia de los estudios experimentales de intervención (RCT) no se puede dejar atrás. No debemos olvidar la importancia de tener un patrón oro bien definido para la comparación contra el modelo de IA al evaluar los estudios de forma crítica. Para evaluar estos estudios podemos utilizar recursos como la equator-network.org y las directrices de la OMS (“Generating Evidence for Artificial Intelligence Based Medical Devices: A Framework for Training Validation and Evaluation” n.d.) para evaluar las intervenciones basadas en IA para adoptar un enfoque prudente y minucioso a la hora de utilizar modelos de aprendizaje automático en la atención en salud. Además, debe evaluarse la relevancia clínica y la representatividad de nuestra población de pacientes para garantizar que las predicciones del modelo sean válidas en nuestro contexto específico. Tuvimos la fortuna de contar con una internista que nos habló de su experiencia trabajando con el autor principal del artículo y el jefe de división de cardiología. Explica que el autor principal es un experto y un líder en cuidados cardiovasculares críticos. Ella, aprecia el tema de la representatividad de la población para validar el modelo en diferentes poblaciones antes de ser usado en un medio especifico, lo que considera importante dada la falta de diversidad en la población de Pittsburgh que hubo en el estudio.
En este sentido queda la pregunta sobre si es mejor comprar estos modelos extranjeros o montar una división de IA en nuestros hospitales para crear nuestros propios modelos sobre nuestra población. El debate también aborda la importancia de integrar la tecnología y la atención en salud para evitar que los profesionales de la salud se desvinculen de los avances tecnológicos como en los últimos 50 años. Hoy esta dada la importancia de que médicos e ingenieros trabajen juntos en el campo de la inteligencia artificial (IA) y el aprendizaje automático. Para esto existe la necesidad de que los médicos tengan un conocimiento básico de la terminología y los conceptos de la IA, y de que los ingenieros comprendan de forma correcta las necesidades y perspectivas de los médicos. El objetivo es crear equipos de colaboración en los que tanto médicos como ingenieros contribuyan al desarrollo de soluciones vitales para los pacientes, que acuden cada vez más con datos de dispositivos como wearables y buscan orientación basada en datos, lo que pone de relieve la necesidad de que los médicos sean capaces de interpretar y educar adecuadamente a sus pacientes.
Definitivamente nuestra especie, se encuentra en un avance y crecimiento continuo, vamos resolviendo día a día problemas y vamos descubriendo otros que nos retan a superarnos. La inteligencia artificial, juega un papel importante en este momento de la evolución y se nos presenta como una herramienta increíble, que, apropiada y usada de manera juiciosa, nos puede permitir mejores resultados en múltiples campos de la ciencia, incluidas la medicina, la cardiología y específicamente la electrocardiografía. Siendo conscientes de la integración de estas ayudas en el manejo integral del paciente y nunca dejando de lado el enfoque integral de nuestros pacientes.
Bibliografía
Al-Zaiti, Salah S., Christian Martin-Gill, Jessica K. Zègre-Hemsey, Zeineb Bouzid, Ziad Faramand, Mohammad O. Alrawashdeh, Richard E. Gregg, et al. 2023. “Machine Learning for ECG Diagnosis and Risk Stratification of Occlusion Myocardial Infarction.” Nature Medicine, June. https://doi.org/10.1038/s41591-023-02396-3.
“Generating Evidence for Artificial Intelligence Based Medical Devices: A Framework for Training Validation and Evaluation.” n.d. Accessed July 16, 2023. https://www.who.int/publications-detail-redirect/9789240038462.
aipocrates.blog 