Una rama de la inteligencia artificial (IA), llamada aprendizaje automático, puede predecir con precisión el riesgo de un paro cardíaco fuera del hospital, cuando el corazón deja de latir repentinamente, utilizando una combinación de datos de tiempo y clima, según una investigación publicada en línea en la revista Heart.

El aprendizaje automático es el estudio de algoritmos informáticos y se basa en la idea de que los sistemas pueden aprender de los datos e identificar patrones para informar decisiones con una intervención mínima.

El riesgo de un paro cardíaco era más alto los domingos, lunes, días festivos y cuando las temperaturas bajaban bruscamente dentro o entre días, muestran los hallazgos.

Esta información podría usarse como un sistema de alerta temprana para los ciudadanos, para reducir su riesgo y mejorar sus posibilidades de supervivencia, y para mejorar la preparación de los servicios médicos de emergencia, sugieren los investigadores.

El paro cardíaco extrahospitalario es común en todo el mundo, pero generalmente se asocia con bajas tasas de supervivencia. El riesgo se ve afectado por las condiciones climáticas predominantes.

Pero los datos meteorológicos son extensos y complejos, y el aprendizaje automático tiene el potencial de captar asociaciones no identificadas por los enfoques estadísticos unidimensionales convencionales, dicen los investigadores japoneses.

Para explorar esto más a fondo, los autores evaluaron la capacidad del aprendizaje automático para predecir un paro cardíaco diario fuera del hospital, utilizando el clima diario (temperatura, humedad relativa, lluvia, nevadas, nubosidad, lecturas de la velocidad del viento y la presión atmosférica) y el tiempo (año, temporada, día de la semana, hora del día y festivos).

De 1.299.784 casos que ocurrieron entre 2005 y 2013, el aprendizaje automático se aplicó a 525.374, utilizando datos meteorológicos o de tiempo, o ambos (conjunto de datos de entrenamiento).

Luego, los resultados se compararon con 135.678 casos que ocurrieron en 2014 y 2015 para probar la precisión del modelo en orden a predecir el número de paros cardíacos diarios en otros años (conjunto de datos de prueba).

Y para ver qué tan preciso podría ser el enfoque a nivel local, los investigadores llevaron a cabo un ‘análisis de mapa de calor’, utilizando otro conjunto de datos extraído de la ubicación de los paros cardíacos fuera del hospital en la ciudad de Kobe entre enero de 2016 y diciembre de 2018.

La combinación de datos meteorológicos y de tiempo predijo con mayor precisión un paro cardíaco fuera del hospital en los conjuntos de datos de entrenamiento y prueba.

Predijo que los domingos, lunes, días festivos, invierno, bajas temperaturas y fuertes caídas de temperatura dentro y entre días estaban más fuertemente asociados con el paro cardíaco que los datos meteorológicos o de tiempo por sí solos.

Los investigadores reconocen que no tenían información detallada sobre la ubicación de los paros cardíacos, excepto en la ciudad de Kobe, ni tenían datos sobre condiciones médicas preexistentes, las cuales pueden haber influido en los resultados.

Pero sugieren: «Nuestro modelo predictivo para la incidencia diaria de [paro cardíaco fuera del hospital] es ampliamente generalizable para la población general en los países desarrollados, porque este estudio tuvo un tamaño de muestra grande y utilizó datos meteorológicos completos».

Según los autores, los métodos desarrollados en este estudio sirven como “ejemplo de un nuevo modelo de análisis predictivo que podría aplicarse a otros resultados clínicos de interés relacionados con la enfermedad cardiovascular aguda potencialmente mortal».

En un editorial vinculado, el Dr. David Foster Gaieski, del Sidney Kimmel Medical College de la Universidad Thomas Jefferson, destacó el trabajo señalando que “saber cuál será el clima más probable en la próxima semana puede generar ‘advertencias de emergencia cardiovascular’ para las personas en riesgo, notificando a las personas mayores y a otras personas sobre los próximos períodos de mayor peligro de manera similar a cómo se utilizan los datos meteorológicos para notificar a las personas sobre la próxima carretera peligrosa condiciones durante las tormentas invernales”.

“Estas predicciones se pueden utilizar para el despliegue de recursos, la programación y la planificación, de modo que los sistemas de servicios médicos de emergencia, los recursos de reanimación del departamento de emergencias y el personal del laboratorio de cateterismo cardíaco conozcan y estén preparados para la cantidad de [casos] esperados durante los próximos días”, agregó.