Un nuevo modelo de aprendizaje automático utiliza las lecturas del electrocardiograma (ECG) para diagnosticar y clasificar los infartos de miocardio con mayor rapidez y precisión que los métodos actuales, según un estudio dirigido por investigadores de la Universidad de Pittsburgh (Estados Unidos) publicada en la revista ‘Nature Medicine’.

“Cuando un paciente llega al hospital con dolor torácico, la primera pregunta que nos hacemos es si está sufriendo un infarto o no. Parece que eso debería ser sencillo, pero cuando no está claro a partir del ECG, puede llevar hasta 24 horas completar pruebas adicionales”, señala el autor principal Salah Al-Zaiti, profesor asociado en la Escuela de Enfermería de Pitt y de medicina de urgencias y cardiología en la Escuela de Medicina.

“Nuestro modelo ayuda a abordar este importante reto mejorando la evaluación del riesgo para que los pacientes puedan recibir la atención adecuada sin demora”, resalta.

Entre los picos y valles de un electrocardiograma, los clínicos pueden reconocer fácilmente un patrón distintivo que indica el peor tipo de infarto, denominado IAMCEST. Estos graves episodios están causados por la obstrucción total de una arteria coronaria y requieren una intervención inmediata para restablecer el flujo sanguíneo.

El problema es que casi dos tercios de los infartos están causados por una obstrucción grave, pero no presentan el patrón de ECG revelador. La nueva herramienta ayuda a detectar pistas sutiles en el ECG que son difíciles de detectar para los médicos y mejora la clasificación de los pacientes con dolor torácico.

El modelo fue desarrollado por el coautor Ervin Sejdic, doctor y profesor asociado del Departamento de Ingeniería Eléctrica e Informática Edward S. Rogers de la Universidad de Toronto y titular de la Cátedra de Investigación en Inteligencia Artificial para Resultados Sanitarios del Hospital General North York de Toronto (Canadá), con ECG de 4.026 pacientes con dolor torácico de tres hospitales de Pittsburgh. A continuación, el modelo se validó externamente con 3.287 pacientes de otro sistema hospitalario.

Los investigadores compararon su modelo con tres patrones de referencia para evaluar los eventos cardiacos: la interpretación del ECG por un clínico experimentado, los algoritmos comerciales de ECG y la puntuación HEART, que tiene en cuenta los antecedentes en el momento de la presentación –incluidos el dolor y otros síntomas–, la interpretación del ECG, la edad, los factores de riesgo –como el tabaquismo, la diabetes o el colesterol alto– y los niveles en sangre de una proteína llamada troponina.

El modelo superó a los tres, reclasificando con precisión a 1 de cada 3 pacientes con dolor torácico como de riesgo bajo, intermedio o alto.

“En nuestros sueños más locos, esperábamos igualar la precisión de HEART, pero nos sorprendió comprobar que nuestro modelo de aprendizaje automático basado únicamente en el ECG superaba esta puntuación”, afirma Al-Zaiti.

Según el coautor Christian Martin-Gill, jefe de la división de Servicios Médicos de Emergencia (SEM) del UPMC, el algoritmo ayudará al personal de los SEM y a los proveedores de los servicios de urgencias a identificar a las personas que sufren un infarto y a las que tienen reducido el flujo sanguíneo al corazón de una forma mucho más sólida en comparación con el análisis tradicional del ECG.

“Esta información puede ayudar a orientar las decisiones médicas del SME, como iniciar determinados tratamientos sobre el terreno o alertar a los hospitales de la llegada de un paciente de alto riesgo –añade Martin-Gill–. Por otro lado, también es emocionante que pueda ayudar a identificar a los pacientes de bajo riesgo que no necesitan ir a un hospital con una instalación cardiaca especializada, lo que podría mejorar el triaje prehospitalario”.

En la siguiente fase de esta investigación, el equipo está optimizando la forma de implantar el modelo en colaboración con la Oficina de Servicios Médicos de Urgencia de la ciudad de Pittsburgh. Al-Zaiti apunta que están desarrollando un sistema basado en la nube que se integra con los centros de mando de los hospitales que reciben lecturas de ECG de los SME. El modelo analizará el ECG y enviará una evaluación del riesgo del paciente, orientando las decisiones médicas en tiempo real.

Fuente: infosalus.com