Investigadores del MIT introdujeron el sistema RiskCardio de ML para predecir la muerte cardiovascular

Investigadores del MIT introdujeron el sistema RiskCardio de ML para predecir la muerte cardiovascular

Un equipo del Laboratorio de Ciencias de la Computación y de la IA del MIT introdujo un nuevo sistema para una mejor predicción de la salud. El sistema se basa en un modelo de aprendizaje de la máquina, capaz de estimar el riesgo de muerte cardiovascular del paciente, a partir de la actividad eléctrica de su corazón. El sistema se ha denominado RiskCardio, que se centra en pacientes que han sobrevivido a un síndrome coronario agudo (SCA). El SCA se refiere a una serie de condiciones médicas en las que hay una reducción o bloqueo de la sangre al corazón. La herramienta produce una puntuación usando sólo los primeros 15 minutos de las señales crudas de ECG del paciente y luego lo coloca en diferentes categorías de riesgo de acuerdo a ello.

Los pacientes etiquetados en el cuartil superior de alto riesgo por RiskCardio tenían casi 7 veces más probabilidades de morir debido a muerte cardiovascular en comparación con otros cuartiles.

Divya Shanmugam, autor principal de un nuevo artículo sobre RiskCardio, dijo: «Estamos analizando el problema de los datos de cómo podemos incorporar series temporales muy largas en las puntuaciones de riesgo, y el problema clínico de cómo podemos ayudar a los médicos a identificar a los pacientes de alto riesgo después de un evento coronario agudo». La intersección del aprendizaje automático y la atención médica está repleta de combinaciones como esta – un problema informático convincente con un potencial impacto en el mundo real».

Los modelos de ML anteriores utilizaban conocimientos específicos del área como – información externa del paciente como la edad o el peso, o utilizando conocimientos y experiencia específicos del sistema mientras que RiskCardio utiliza sólo la señal de ECG en bruto del paciente, sin información adicional.

Por lo general, cuando un paciente visita un hospital en busca de tratamiento para el SCA, tarda mucho tiempo, ya que al principio el médico estima el riesgo de muerte cardiovascular o de ataque cardíaco utilizando datos médicos y largas pruebas seguidas de un curso de tratamiento. Sin embargo, RiskCardio tiene objetivos para mejorar ese primer paso de la estimación del riesgo. Para simplificar el paso inicial, el sistema separa la señal de un paciente en conjuntos de latidos consecutivos, con la idea de que la variabilidad entre los latidos adyacentes está indicando el riesgo posterior. Cabe destacar que el sistema ha sido desarrollado y entrenado utilizando datos del estudio de pacientes anteriores.

Mientras entrenaba el modelo, el equipo separó inicialmente las señales de cada paciente en la colección de latidos adyacentes y luego les asignó una etiqueta -si el paciente murió de muerte cardiovascular o no- a cada conjunto de latidos. Los investigadores entrenaron el modelo para etiquetar a los pacientes como «riesgosos» o «normales» según los resultados.

En el caso de un nuevo paciente, el equipo de investigadores generó una puntuación de riesgo promediando el pronóstico del paciente de cada conjunto de latidos adyacentes. Curiosamente, los primeros 15 minutos de las señales de ECG de un paciente son suficientes para estimar si morirá debido a un riesgo cardiovascular dentro de 30, 60, 90 o 365 días.

Sin embargo, puede parecer simple, pero calcular la puntuación de riesgo de las señales de ECG no es una tarea fácil. De hecho, las señales generadas son muy largas y con el aumento del número de entradas, interpretar la relación entre ellas se hace más difícil.

Los investigadores del MIT esperan crear un conjunto de datos que incluya las diferentes edades, etnias y géneros. Además, tienen previsto examinar las circunstancias médicas en las que hay un conjunto de datos mal etiquetados o no etiquetados y evaluar la forma en que el sistema de ML procesa y maneja esa información para dar cuenta de los casos poco claros.

Shanmugam dijo además: «El aprendizaje automático es particularmente bueno para identificar patrones, lo que es profundamente relevante para evaluar el riesgo del paciente. Las puntuaciones de riesgo son útiles para comunicar el estado del paciente, lo que es valioso para tomar decisiones eficientes de atención».

 

Leave a Comment!