El aprendizaje automático puede evaluar mejor los riesgos de un ataque al corazón, explotando la miríada de detalles

El aprendizaje automático puede evaluar mejor los riesgos de un ataque al corazón, explotando la miríada de detalles

Según un estudio publicado en la revista Radiology, cuando el aprendizaje por máquina se combina con un escáner de corazón común, puede predecir ataques cardíacos y otros eventos cardíacos mejor que los modelos de riesgo tradicionales. Observando los datos mundiales, las enfermedades cardíacas son la causa más común y principal de muerte tanto en hombres como en mujeres, especialmente en los Estados Unidos. Por consiguiente, la precisión en la evaluación del riesgo es obligatoria para la intervención temprana, por ejemplo, en la dieta, el ejercicio, las drogas, incluidas las estatinas que reducen el colesterol.

En este contexto, la CCTA (arteriografía de tomografía computarizada coronaria) proporciona un conjunto muy detallado de imágenes de los vasos cardíacos y resulta ser una herramienta de evaluación de riesgos de refinamiento.

El autor principal del estudio, el Dr. Kevin M. Johnson, CCTA, recientemente investigó un sistema de aprendizaje automático que puede extraer la miríada de detalles de las imágenes obtenidas por el CCTA para obtener un mejor y más completo cuadro de pronóstico. Johnson es profesor asociado de radiología e imágenes biomédicas en la Escuela de Medicina de Yale en New Haven, Connecticut.

Johnson citó que, «Empezando desde cero, tomé los rasgos de imagen de la tomografía coronaria… Cada paciente tenía 64 de estos rasgos y los introduje en un algoritmo de aprendizaje de máquina. El algoritmo puede sacar los patrones en los datos y predecir que los pacientes con ciertos patrones son más propensos a tener un evento adverso como un ataque al corazón que los pacientes con otros patrones».

Para redactar este estudio, Johnson y sus hábiles colegas compararon el enfoque de la ML con tecnologías que incluían CAD-RADS y otros sistemas de puntuación de vasos en unos 6892 pacientes. El equipo dio seguimiento a los pacientes durante casi 9 años después de la ATC y encontró que hubo 380 muertes por todas las causas, de las cuales 70 fueron por enfermedad arterial. Además, 43 pacientes informaron de un ataque al corazón.

De todos los resultados, el enfoque ML detectó mejor qué paciente tendría un evento cardíaco en comparación con otros. En cuanto al problema del colesterol y cuándo empezar a tomar estatinas, la puntuación de ML aseguró el 93 por ciento de los pacientes que tienen la probabilidad de recibir la droga mientras que el CAD-RADS predijo sólo el 69 por ciento del evento.

Hablando sobre el enfoque ML, Kevin dijo, «La estimación de riesgo que se obtiene al hacer la versión de aprendizaje automático del modelo es más precisa que las estimaciones de riesgo que se obtendrán si se confía en CAD-RADS. Ambos métodos funcionan mejor que el simple uso de la estimación de riesgo de Framingham». Esto muestra el valor de mirar las arterias coronarias para estimar mejor el riesgo de las personas».

Según la contribución de los enfoques de la ML a la puntuación de los vasos, se puede predecir que aumentaría la participación de las imágenes no invasivas en la evaluación de los riesgos cardiovasculares. Además, la puntuación de los vasos derivada del aprendizaje por máquina podría combinarse con factores de riesgo no relacionados con la imagen, como la edad, el sexo, la hipertensión y el tabaquismo, para elaborar modelos de riesgo más completos.

Johnson describió además el enfoque de la ML y dijo: «Una vez que se utiliza una herramienta como esta para ayudar a ver que alguien está en riesgo, entonces se puede hacer que la persona tome estatinas o que controle su glucosa, que deje de fumar, que controle su hipertensión, porque esos son los grandes factores de riesgo modificables».

Actualmente, Kevin Johnson está trabajando en un documento que toma los resultados de la puntuación de los buques derivados del ML y los combina con el factor de riesgo no relacionado con la imagen para obtener un panorama y una perspectiva más amplios. Según él, si se añaden las edades de las personas y los detalles como el tabaquismo, la diabetes y la hipertensión, aumentaría el poder general del método y mejoraría los resultados generales.

Leave a Comment!