Nueva herramienta usa IA para diagnosticar y clasificar ataques cardíacos con mayor rapidez y precisión
El diagnóstico rápido y preciso es fundamental cuando se trata de ataques cardíacos. Un emocionante avance médico ha surgido con un nuevo modelo de aprendizaje automático basado en lecturas ECG, que permite una diagnosticar y clasificar ataques cardíacos con mayor rapidez y precisión. Esta innovadora herramienta tiene el potencial de marcar una gran diferencia en la atención médica cardiovascular, proporcionando evaluaciones de riesgo más precisas a los pacientes y garantizando una atención adecuada sin demoras innecesarias.
En resumen
Investigadores de la Universidad de Pittsburgh han desarrollado un nuevo modelo de aprendizaje automático basado en lecturas ECG. El modelo puede diagnosticar y clasificar ataques cardíacos con mayor rapidez y precisión que los enfoques actuales. Este se basa en pistas sutiles extraídas de las lecturas de ECG. Lo que resulta especialmente beneficioso para los casos en los que no se presenta el patrón distintivo conocido como STEMI.
Los resultados obtenidos superaron a los estándares clínicos reconocidos, permitiendo una reclasificación precisa de pacientes con dolor torácico en categorías de: bajo, mediano o alto riesgo. Este avance podría tener implicaciones significativas para mejorar la atención médica cardiovascular y optimizar el proceso de triaje prehospitalario.
Puntos a destacar
- Nuevo modelo de aprendizaje automático utiliza lecturas ECG para diagnosticar y clasificar ataques cardíacos con mayor rapidez y precisión.
- Dos tercios de los ataques cardíacos son causados por bloqueos severos pero no presentan el patrón STEMI en el ECG.
- Resultados del modelo superaron a estándares clínicos reconocidos: interpretación experta del ECG, algoritmos comerciales y puntuación HEART.
- El modelo permite una reclasificación precisa de pacientes con dolor torácico en categorías de bajo, mediano o alto riesgo.
- Mejora la precisión en el diagnóstico temprano dentro del campo de medicina prehospitalaria y ayuda a decisiones más informadas por parte del personal médico.
- Identifica pacientes que no requieren ser trasladados a centros cardíacos especializados, optimizando el proceso de triaje prehospitalario.
- Se está trabajando en implementar el modelo en asociación con la Oficina de Servicios Médicos de Emergencia para una evaluación de riesgo del paciente en tiempo real.
Nueva herramienta basada en ECG para diagnosticar y clasificar ataques cardíacos con mayor rapidez y precisión
En un emocionante avance médico, investigadores de la Universidad de Pittsburgh han desarrollado un nuevo modelo de aprendizaje automático que utiliza lecturas de electrocardiograma (ECG) para diagnosticar y clasificar ataques cardíacos con mayor rapidez y precisión que los enfoques actuales. El estudio, publicado recientemente en Nature Medicine, revela cómo esta innovadora herramienta puede marcar una gran diferencia en la atención médica cardiovascular.
Nuevo modelo de aprendizaje automático revoluciona capacidad de diagnosticar y clasificar ataques cardíacos con mayor rapidez y precisión
“Cuando un paciente llega al hospital con dolor en el pecho, la primera pregunta que hacemos es si el paciente está teniendo un infarto o no. Parece que debería ser sencillo, pero cuando no está claro en el ECG, puede tomar hasta 24 horas completar pruebas adicionales”, mencioa el autor principal del estudio Salah Al-Zaiti, Ph.D., R.N., profesor asociado en el la Escuela de Enfermería y de Medicina de Urgencias y Cardiología en la Facultad de Medicina. “Nuestro modelo ayuda a abordar este gran desafío al mejorar la evaluación de riesgos para que los pacientes puedan recibir la atención adecuada sin demora”.
El modelo se basa en pistas sutiles extraídas del ECG que son difíciles de detectar para los médicos. Esto resulta especialmente benefico porque casi dos tercios de los ataques al corazón son causados por bloqueos severos pero no presentan el patrón distintivo en el ECG conocido como STEMI. Estos episodios graves ocurren cuando una arteria coronaria se bloquea por completo y requieren una intervención inmediata para restablecer el flujo sanguíneo adecuado.
Metodología
Para desarrollar y validar el modelo el equipo liderado por investigadores de la Universidad de Pittsburgh y la Universidad de Toronto recolectó ECG de 4,026 pacientes en 3 hospitales de Pittsburgh. Posteriormente se compararon los resultados obtenidos con 3 estándares clínicos reconocidos:
- la interpretación experta del ECG
- algoritmos comerciales
- la puntuación HEART, que considera diversos factores.
Cómo el análisis de lecturas ECG puede mejorar la detección temprana de ataques cardíacos
Los resultados fueron sorprendentes. El modelo superó a los 3 estándares establecidos, permitiendo una reclasificación precisa de un tercio de los pacientes con dolor torácico en categorías de: bajo, mediano o alto riesgo.
“En nuestros sueños más descabellados, esperábamos igualar la precisión de HEART, pero nos sorprendió descubrir que nuestro modelo de aprendizaje automático basado únicamente en ECG superó este puntaje”, afirmó Al-Zaiti.
Mejorando el diagnóstico y optimizando el triaje prehospitalario al diagnosticar y clasificar ataques cardíacos con mayor rapidez y precisión
Esto representa un gran paso adelante en la atención médica cardiovascular. Las implicaciones son significativas tanto para los profesionales médicos como para las pacientes. Por un lado, el modelo podría mejorar la precisión en el diagnóstico temprano dentro del campo de medicina prehospitalaria y permitirá decisiones más informadas por parte del personal médico en situaciones críticas.
Por otro lado, también ayudará a identificar a aquellos pacientes que no requieren ser trasladadas a centros cardíacos especializados. Esto optimizaría el proceso de triaje prehospitalario y garantizará una atención adecuada para cada paciente.
“Esta información puede ayudar a guiar las decisiones médicas de EMS, como iniciar ciertos tratamientos en el campo o alertar a los hospitales sobre la llegada de un paciente de alto riesgo”, agregó 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 un centro cardíaco especializado, lo que podría mejorar el triaje prehospitalario“.
Siguientes pasos
En la próxima fase de esta investigación, el equipo está optimizando cómo se implementará el modelo en asociación con la Oficina de Servicios Médicos de Emergencia de la Ciudad de Pittsburgh. Al-Zaiti explicó que están desarrollando un sistema basado en la nube que se integra con los centros de comando del hospital que reciben lecturas de ECG de EMS. El modelo analizará el ECG y enviará una evaluación de riesgo del paciente, orientando las decisiones médicas en tiempo real.
La detección y clasificación más rápida y precisa de ataques cardíacos brinda la oportunidad de recibir una atención médica adecuada sin demoras innecesarias. Con esta nueva herramienta innovadora basada en lecturas ECG, se están trabaja en lograr hacia la mejora continua de la salud cardiovascular.
Financiamiento
Esta investigación fue apoyada a través de subvenciones R01HL137761, UL1TR001857, K23NR017896 y KL2TR002490 por:
- Instituto Nacional del Corazón, los Pulmones y la Sangre de los Estados Unidos
- Centro Nacional para el Avance de las Ciencias Traslacionales
- Instituto Nacional de Investigación en Enfermería de los Estados Unidos
Glosario
- Electrocardiograma (ECG): Prueba médica que registra la actividad eléctrica del corazón.
- Reclasificación: Acción de volver a clasificar o categorizar según nuevos criterios o resultados.
- STEMI: Patrón distintivo en el ECG que indica un bloqueo completo de una arteria coronaria.
- Triaje: Proceso de priorizar pacientes para recibir atención médica de acuerdo a la gravedad de su condición.
- Prehospitalario: Relativo a los cuidados y procedimientos médicos realizados antes de llegar al hospital.
Referencias
- Salah S. Al-Zaiti, Christian Martin-Gill, Jessica K. Zègre-Hemsey, Zeineb Bouzid, Ziad Faramand, Mohammad O. Alrawashdeh, Richard E. Gregg, Stephanie Helman, Nathan T. Riek, Karina Kraevsky-Phillips, Gilles Clermont, Murat Akcakaya, Susan M. Sereika, Peter Van Dam, Stephen W. Smith, Yochai Birnbaum, Samir Saba, Ervin Sejdic & Clifton W. Callaway ; Machine learning for ECG diagnosis and risk stratification of occlusion myocardial infarction; Nature Medicine; Fecha de publicación 29/06/2023; DOI: 10.1038/s41591-023-02396-3; Disponible en el URL : https://www.nature.com/articles/s41591-023-02396-3; Consultado el 30/06/2023
facebookLinkedIntwitterPin ItWhatsAppBuffer