El modelo de aprendizaje profundo automatiza la detección de enfermedades graves de las válvulas cardíacas

Fuente: Getty Images

Por Shania Kennedy

30 de agosto de 2023: investigadores de la Facultad de Medicina de Yale han desarrollado un enfoque de aprendizaje profundo (DL) que puede detectar con precisión la estenosis aórtica mediante el análisis de ecografías cardíacas, según un estudio publicado la semana pasada en el European Heart Journal.

El equipo de investigación indicó que la estenosis aórtica, una enfermedad cardíaca común causada por el estrechamiento de la válvula aórtica, es un factor importante de mortalidad y morbilidad. La detección temprana de la enfermedad es fundamental para prevenir estos resultados, pero requiere imágenes de ultrasonido especializadas del corazón, conocidas como ecocardiografía Doppler.

La ecocardiografía Doppler es la principal prueba utilizada para detectar la estenosis aórtica, pero la naturaleza especializada de las imágenes la hace ineficiente e inaccesible para su uso en los esfuerzos de detección temprana.

“Nuestro desafío es que la evaluación precisa de [la estenosis aórtica] es crucial para el manejo del paciente y la reducción del riesgo. Si bien las pruebas especializadas siguen siendo el estándar de oro, confiar en aquellos que llegan a nuestros laboratorios ecocardiográficos probablemente pasa por alto a las personas en las primeras etapas de su enfermedad”, dijo el autor principal Rohan Khera, MD, MS, profesor asistente de medicina cardiovascular e informática de la salud en Yale y director. de su Laboratorio de Ciencia de Datos Cardiovasculares (CarDS), en un comunicado de prensa que detalla el estudio.

El objetivo del equipo de investigación era desarrollar un modelo que pudiera permitir la detección ecográfica en el lugar de atención para facilitar la detección temprana de la enfermedad.

Para ello, los investigadores desarrollaron el modelo de aprendizaje profundo utilizando 5.257 estudios de exámenes de ecocardiografía transtorácica (ETT) que incluyeron 17.570 videos entre 2016 y 2020 en el Hospital Yale New Haven.

Luego, la herramienta se validó externamente utilizando 2.040 estudios consecutivos del Hospital Yale New Haven, además de dos cohortes geográficamente distintas de 4.226 y 3.072 estudios de California y otros hospitales de Nueva Inglaterra.

El modelo logró un alto rendimiento en todas las cohortes, alcanzando un área bajo la curva característica operativa del receptor de 0,978 en el conjunto de prueba. Además, el DL alcanzó un área bajo la curva característica operativa del receptor de 0,952 en la cohorte de California y de 0,942 en la cohorte de Nueva Inglaterra.

Estos hallazgos llevaron a los investigadores a concluir que el modelo tiene utilidad potencial para la detección temprana de la estenosis aórtica.

“Nuestro trabajo puede permitir una detección comunitaria más amplia de [la estenosis aórtica], ya que los ultrasonidos portátiles se pueden utilizar cada vez más sin la necesidad de equipos más especializados. Ya se utilizan con frecuencia en los departamentos de emergencia y en muchos otros entornos de atención”, afirmó Khera.

Sin embargo, se necesita más investigación antes de que la herramienta pueda implementarse en entornos clínicos.

Investigaciones anteriores también han tenido como objetivo mejorar la detección de estenosis aórtica utilizando inteligencia artificial (IA).

En 2021, los investigadores de Kaiser Permanente demostraron que el procesamiento del lenguaje natural (PNL) podría ayudar a los médicos a identificar la estenosis aórtica.

El modelo fue entrenado para examinar informes de ecocardiogramas y datos de EMR para señalar abreviaturas, palabras y frases asociadas con la afección.

Luego, la herramienta identificó rápidamente a casi 54.000 pacientes que cumplían los criterios de estenosis aórtica, un proceso que, según observó el equipo de investigación, podría haber llevado años si se hubiera realizado manualmente.