La IA Identifica Enfermedades Cardíacas Ocultas Usando Escaneos Previos en Registros de Pacientes
La IA detecta enfermedades cardíacas ocultas utilizando escaneos existentes almacenados en los registros de pacientes
editado por Gaby Clark, revisado por Robert Egan
Investigadores de Mass General Brigham han desarrollado una nueva herramienta de inteligencia artificial (IA) en colaboración con el Departamento de Asuntos de Veteranos de los Estados Unidos (VA) para analizar escaneos de tomografía computarizada (CT) previamente recopilados e identificar individuos con altos niveles de calcio en las arterias coronarias (CAC) que los colocan en un mayor riesgo de eventos cardiovasculares. Su investigación, publicada en NEJM AI, mostró que la herramienta llamada AI-CAC tenía una alta precisión y valor predictivo para futuros ataques cardíacos y mortalidad a 10 años. Sus hallazgos sugieren que implementar tal herramienta de manera amplia puede ayudar a los clínicos a evaluar el riesgo cardiovascular de sus pacientes.
"Millones de escaneos de CT del tórax se realizan cada año, a menudo en personas sanas, por ejemplo, para detectar cáncer de pulmón. Nuestro estudio muestra que información importante sobre el riesgo cardiovascular está pasando desapercibida en estos escaneos", dijo el autor principal Hugo Aerts, Ph.D., director del Programa de Inteligencia Artificial en Medicina (AIM) en Mass General Brigham.
"Nuestro estudio demuestra que la IA tiene el potencial de cambiar la práctica médica y permitir que los médicos se involucren con los pacientes más temprano, antes de que su enfermedad cardíaca avance a un evento cardíaco."
Los escaneos de CT del tórax pueden detectar depósitos de calcio en el corazón y las arterias que aumentan el riesgo de un ataque cardíaco. El estándar de oro para cuantificar el CAC utiliza escaneos de CT "gated", que se sincronizan con el latido del corazón para reducir el movimiento durante el escaneo. Sin embargo, la mayoría de los escaneos de CT del tórax obtenidos para propósitos clínicos rutinarios son "nongated".
Los investigadores reconocieron que el CAC aún podría detectarse en estos escaneos nongated, lo que los llevó a desarrollar AI-CAC, un algoritmo de aprendizaje profundo para analizar los escaneos nongated y cuantificar el CAC para ayudar a predecir el riesgo de eventos cardiovasculares. Entrenaron el modelo con escaneos de CT del tórax recopilados como parte de la atención habitual de veteranos a través de 98 centros médicos de VA y luego probaron el rendimiento de AI-CAC en 8,052 escaneos de CT para simular la detección de CAC en pruebas de imágenes de rutina.
Los investigadores encontraron que el modelo AI-CAC tenía un 89.4% de precisión al determinar si un escaneo contenía o no CAC. Para aquellos con CAC presente, el modelo tenía un 87.3% de precisión al determinar si la puntuación era mayor o menor que 100, indicando un riesgo cardiovascular moderado.
AI-CAC también fue predictivo de la mortalidad por todas las causas en 10 años; aquellos con una puntuación de CAC de más de 400 tenían un riesgo 3.49 veces mayor de muerte en un periodo de 10 años que los pacientes con una puntuación de cero. De los pacientes que el modelo identificó como teniendo puntuaciones de CAC muy altas (superiores a 400), cuatro cardiólogos verificaron que casi todos ellos (99.2%) se beneficiarían de la terapia de reducción de lípidos.
"Actualmente, los sistemas de imagen de VA contienen millones de escaneos de CT del tórax nongated que pueden haberse tomado con otro propósito, alrededor de 50,000 estudios gated. Esto presenta una oportunidad para que AI-CAC aproveche los escaneos nongated recopilados de rutina para fines de evaluación del riesgo cardiovascular y mejorar la atención", dijo el primer autor Raffi Hagopian, MD, un cardiólogo e investigador del grupo de Innovaciones Aplicadas e Informática Médica en el Sistema de Salud VA Long Beach.
"Utilizar IA para tareas como la detección de CAC puede ayudar a trasladar la medicina de un enfoque reactivo a la prevención proactiva de enfermedades, reduciendo la morbilidad, mortalidad y costos de atención médica a largo plazo."
Las limitaciones del estudio incluyen el hecho de que el algoritmo se desarrolló en una población exclusivamente de veteranos. El equipo espera realizar estudios futuros en la población general y probar si la herramienta puede evaluar el impacto de los medicamentos que reducen lípidos en las puntuaciones de CAC.
Comments ()