Investigadores del laboratorio de ciencia de datos cardiovasculares (CarDS) de la Universidad de Yale han desarrollado un modelo basado en inteligencia artificial (IA) para el diagnóstico clínico que puede usar imágenes de electrocardiograma (ECG), independientemente del formato o diseño, para diagnosticar múltiples trastornos del ritmo cardíaco y de la conducción.

El equipo dirigido por el Dr. Rohan Khera, profesor asistente de medicina cardiovascular, desarrolló un nuevo modelo de diagnóstico automatizado multietiquetado a partir de imágenes de ECG. El denominado ECG Dx es la última herramienta de CarDS Lab diseñada para hacer que la interpretación de ECG basada en IA sea accesible en entornos remotos.

Los investigadores esperan que la nueva tecnología proporcione un método mejorado para diagnosticar trastornos cardíacos clave. Los hallazgos fueron publicados en Nature Communications el 24 de marzo.

«Nuestro estudio sugiere que los modelos de imagen y señal se desempeñaron de manera comparable para las etiquetas clínicas en múltiples conjuntos de datos. Nuestro enfoque podría expandir las aplicaciones de la inteligencia artificial a la atención clínica para enfrentar desafíos cada vez más complejos», señaló Veer Sangha, primer autor del estudio.

A medida que mejora la tecnología móvil, los pacientes tienen cada vez más acceso a imágenes de ECG, lo que plantea nuevas preguntas sobre cómo incorporar estos dispositivos en la atención al paciente. Bajo la tutela de Khera, la investigación de Sangha en CarDS Lab analiza entradas multimodales de registros médicos electrónicos para diseñar posibles soluciones.

El modelo se basa en datos recopilados de más de 2 millones de ECG de más de 1,5 millones de pacientes que recibieron atención en Brasil entre 2010 y 2017. Uno de cada seis pacientes fue diagnosticado con trastornos del ritmo. La herramienta fue validada de forma independiente a través de múltiples fuentes de datos internacionales, con alta precisión para el diagnóstico clínico a partir de ECG.

Los enfoques de aprendizaje automático (ML), específicamente aquellos que usan aprendizaje profundo , han transformado la toma de decisiones de diagnóstico automatizada. Para los ECG, han llevado al desarrollo de herramientas que permiten a los médicos encontrar patrones ocultos o complejos. Sin embargo, las herramientas de aprendizaje profundo utilizan modelos basados ??en señales que, según Khera, no se han optimizado para entornos de atención médica remotos. Los modelos basados ??en imágenes pueden ofrecer mejoras en el diagnóstico automatizado de los ECG.

Hay una serie de desafíos clínicos y técnicos cuando se utilizan aplicaciones basadas en IA.

«Las herramientas de IA actuales se basan en señales electrocardiográficas sin procesar en lugar de imágenes almacenadas, que son mucho más comunes ya que los ECG a menudo se imprimen y escanean como imágenes. Además, muchas herramientas de diagnóstico basadas en IA están diseñadas para trastornos clínicos individuales y, por lo tanto, pueden tener limitaciones. utilidad en un entorno clínico donde coexisten múltiples anormalidades en el ECG», dijo Khera.

«Un avance clave es que la tecnología está diseñada para ser inteligente: no depende de diseños de ECG específicos y puede adaptarse a variaciones existentes y nuevos diseños. En ese sentido, puede funcionar como lectores humanos expertos, identificando múltiples diagnósticos clínicos en diferentes formatos de ECG impresos que varían entre hospitales y países», afirmó.