Un nuevo enfoque basado en inteligencia artificial puede predecir, significativamente con más precisión que un médico, si un paciente podría morir de un paro cardíaco y cuándo. La tecnología, basada en imágenes sin procesar de los corazones enfermos y los antecedentes de los pacientes, puede revolucionar la decisión clínica.hacer y aumentar la supervivencia de arritmias cardíacas repentinas y letales, una de las condiciones más mortales y desconcertantes de la medicina.
El trabajo, dirigido por investigadores de la Universidad Johns Hopkins, se detalla hoy en Nature Cardiovascular Research.
"La muerte cardíaca súbita causada por arritmia representa hasta el 20 por ciento de todas las muertes en todo el mundo y sabemos poco sobre por qué está sucediendo o cómo saber quién está en riesgo", dijo la autora principal Natalia Trayanova, profesora de Murray B. Sachs deIngeniería Biomédica y Medicina: "Hay pacientes que pueden tener un bajo riesgo de muerte súbita cardíaca que reciben desfibriladores que tal vez no necesiten y luego hay pacientes de alto riesgo que no reciben el tratamiento que necesitan y podrían morir en la flor de la vida".su vida. Lo que nuestro algoritmo puede hacer es determinar quién está en riesgo de muerte cardíaca y cuándo ocurrirá, lo que permite a los médicos decidir exactamente qué se debe hacer".
El equipo es el primero en usar redes neuronales para crear una evaluación de supervivencia personalizada para cada paciente con enfermedad cardíaca. Estas medidas de riesgo brindan con alta precisión la posibilidad de una muerte cardíaca súbita durante 10 años, y cuándo es más probable que suceda.
La tecnología de aprendizaje profundo se llama Estudio de supervivencia del riesgo de arritmia cardíaca SSCAR. El nombre alude a la cicatrización cardíaca causada por una enfermedad cardíaca que a menudo resulta en arritmias letales y la clave para las predicciones del algoritmo.
El equipo usó imágenes cardíacas mejoradas con contraste que visualizan la distribución de cicatrices de cientos de pacientes reales en el Hospital Johns Hopkins con cicatrices cardíacas para entrenar un algoritmo para detectar patrones y relaciones que no son visibles a simple vista. El análisis clínico actual de imágenes cardíacas extrae solo cicatrices simplescaracterísticas como el volumen y la masa, subutilizando gravemente lo que se demuestra en este trabajo como datos críticos.
"Las imágenes contienen información crítica a la que los médicos no han podido acceder", dijo el primer autor Dan Popescu, exestudiante de doctorado de Johns Hopkins. "Esta cicatrización se puede distribuir de diferentes maneras y dice algo sobre la posibilidad de que un pacientesupervivencia. Hay información escondida en él."
El equipo entrenó una segunda red neuronal para aprender de 10 años de datos clínicos estándar de pacientes, 22 factores como la edad, el peso, la raza y el uso de medicamentos recetados de los pacientes.
Las predicciones de los algoritmos no solo fueron significativamente más precisas en cada medida que los médicos, sino que se validaron en pruebas con una cohorte de pacientes independientes de 60 centros de salud en los Estados Unidos, con diferentes antecedentes cardíacos y diferentes datos de imágenes, lo que sugiere que la plataforma podríaser adoptado en cualquier lugar.
"Esto tiene el potencial de dar forma significativa a la toma de decisiones clínicas con respecto al riesgo de arritmia y representa un paso esencial para llevar el pronóstico de la trayectoria del paciente a la era de la inteligencia artificial", dijo Trayanova, codirector de Alliance for Cardiovascular Diagnostic and Treatment Innovation. "Representa la tendencia de fusionar la inteligencia artificial, la ingeniería y la medicina como el futuro de la atención médica".
El equipo ahora está trabajando para construir algoritmos para detectar otras enfermedades cardíacas. Según Trayanova, el concepto de aprendizaje profundo podría desarrollarse para otros campos de la medicina que se basan en el diagnóstico visual.
El equipo de Johns Hopkins también incluyó: Profesor Distinguido de Bloomberg de Cómputo Intensivo de Datos Mauro Maggioni; Julie Shade; Changxin Lai; Konstantino Aronis; y Katherine Wu. Otros autores incluyen: M. Vinayaga Moorthy y Nancy Cook de Brigham and Women's Hospital; Daniel Lee de la Universidad Northwester; Alan Kadish de Touro College and University System; David Oyyang y Christine Albert del Centro Médico Cedar-Sinai.
El trabajo fue apoyado por las subvenciones de los Institutos Nacionales de Salud R01HL142496, R01HL126802, R01HL103812; Lowenstein Foundation, National Science Foundation Graduate Research Fellowship DGE-1746891, Simons Fellowship for 2020-2021, National Science Foundation grant IIS-1837991, Abbott Laboratories research grantEl estudio PRE-DETERMINE y el Registro DETERMINE recibieron el apoyo de la subvención de investigación R01HL091069 del Instituto Nacional del Corazón, los Pulmones y la Sangre, St Jude Medical Inc y St. Jude Medical Foundation.
Fuente de la historia:
Materiales proporcionado por Universidad Johns Hopkins. Original escrito por Jill Rosen. Nota: el contenido se puede editar por estilo y longitud.
referencia de diario:
Citar esta página:
Visita Nuevo científico for more global science stories >>>