Aprendizaje automático para estimar el riesgo de muerte cardiovascular
Los seres humanos son inherentemente reacios al riesgo: pasamos nuestros días calculando rutas y rutinas, tomando medidas de precaución para evitar enfermedades, peligros y desesperación.
Aún así, nuestras medidas para controlar el funcionamiento interno de nuestra biología pueden ser un poco más rebeldes.
Con eso en mente, un equipo del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT ideó un nuevo sistema para predecir mejor los resultados de salud: un modelo de aprendizaje automático que puede estimar, a partir de la actividad eléctrica de su corazón, el riesgo de un paciente de muerte cardiovascular
El sistema, llamado “RiskCardio”, se enfoca en pacientes que han sobrevivido a un síndrome coronario agudo (SCA), que se refiere a una variedad de afecciones en las que hay una reducción o bloqueo de la sangre al corazón. Utilizando solo los primeros 15 minutos de la señal de electrocardiograma bruto (ECG) de un paciente, la herramienta produce una puntuación que ubica a los pacientes en diferentes categorías de riesgo.
Riesgo Los pacientes de alto riesgo de Cardio, pacientes en el cuartil superior, tenían casi siete veces más probabilidades de morir de muerte cardiovascular en comparación con el grupo de bajo riesgo en el cuartil inferior. En comparación, los pacientes identificados como de alto riesgo por las métricas de riesgo existentes más comunes tenían solo tres veces más probabilidades de sufrir un evento adverso en comparación con sus contrapartes de bajo riesgo.
“Estamos analizando el problema de los datos de cómo podemos incorporar series de tiempo muy largas en los puntajes de riesgo, y el problema clínico de cómo podemos ayudar a los médicos a identificar pacientes con alto riesgo después de un evento coronario agudo”, dice Divya Shanmugam, autora principal en un nuevo artículo sobre RiskCardio: “La intersección del aprendizaje automático y la asistencia sanitaria está repleta de combinaciones como esta: un problema informático convincente con un impacto potencial en el mundo real”.
Negocio riesgoso
Los modelos anteriores de aprendizaje automático han intentado controlar el riesgo mediante el uso de información externa del paciente, como la edad o el peso, o utilizando el conocimiento y la experiencia específicos del sistema, más ampliamente conocidos como conocimiento específico del dominio, para ayudar a su modelo a seleccionar diferentes caracteristicas.
Sin embargo, RiskCardio utiliza solo la señal de ECG sin procesar de los pacientes, sin información adicional.
Digamos que un paciente ingresa al hospital después de un SCA. Después de la ingesta, un médico primero estimaría el riesgo de muerte cardiovascular o ataque cardíaco utilizando datos médicos y pruebas prolongadas, y luego elegiría un curso de tratamiento.
RiskCardio tiene como objetivo mejorar ese primer paso para estimar el riesgo. Para hacer esto, el sistema separa la señal de un paciente en series de latidos consecutivos, con la idea de que la variabilidad entre latidos adyacentes indica el riesgo aguas abajo. El sistema fue entrenado utilizando datos de un estudio de pacientes anteriores.
Para poner en marcha el modelo, el equipo primero separó la señal de cada paciente en una colección de latidos cardíacos adyacentes. Luego asignaron una etiqueta, es decir, si el paciente murió o no de muerte cardiovascular, a cada conjunto de latidos cardíacos adyacentes. Los investigadores entrenaron el modelo para clasificar cada par de latidos adyacentes según el resultado del paciente: los latidos de los pacientes que murieron fueron etiquetados como “riesgosos”, mientras que los latidos de los pacientes que sobrevivieron fueron etiquetados como “normales”.
Dado un nuevo paciente, el equipo creó un puntaje de riesgo promediando la predicción del paciente de cada conjunto de latidos cardíacos adyacentes.
Dentro de los primeros 15 minutos de un paciente con un SCA, había suficiente información para estimar si sufrirían o no una muerte cardiovascular dentro de los 30, 60, 90 o 365 días.
Aún así, calcular una puntuación de riesgo solo con la señal de ECG no es una tarea sencilla. Las señales son muy largas y, a medida que aumenta el número de entradas a un modelo, se hace más difícil aprender la relación entre esas entradas.
El equipo probó el modelo produciendo puntajes de riesgo para un conjunto de pacientes. Luego, midieron la probabilidad de que un paciente sufriera una muerte cardiovascular como paciente de alto riesgo en comparación con un conjunto de pacientes de bajo riesgo. Descubrieron que en aproximadamente 1,250 pacientes post-ACS, 28 morirían de muerte cardiovascular dentro de un año. Utilizando la puntuación de riesgo propuesta, 19 de esos 28 pacientes fueron clasificados como de alto riesgo.
En el futuro, el equipo espera hacer que el conjunto de datos sea más inclusivo para tener en cuenta las diferentes edades, etnias y géneros. También planean examinar escenarios médicos donde hay muchos datos mal etiquetados o sin etiquetar, y evaluar cómo su sistema procesa y maneja esa información para dar cuenta de casos más ambiguos.
“El aprendizaje automático es particularmente bueno para identificar patrones, lo cual es profundamente relevante para evaluar el riesgo del paciente”, dice Shanmugam. “Los puntajes de riesgo son útiles para comunicar el estado del paciente, lo cual es valioso para tomar decisiones de atención eficientes”.
Fuente: MIT News
