Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

MedImaging

Deascargar La Aplicación Móvil
Noticias Recientes Radiografía RM Ultrasonido Medicina Nuclear Imaginología General TI en Imaginología Industria

Aprendizaje automático puede predecir la enfermedad cardíaca mejor que los otros modelos de riesgo

Por el equipo editorial de MedImaging en español
Actualizado el 24 Jul 2019
Un estudio realizado por investigadores de la facultad de medicina de Yale (Nueva Haven, CT, EUA) demostró que el aprendizaje automático (AA), un tipo de inteligencia artificial, funciona mejor que los modelos de riesgo convencionales para predecir ataques cardíacos y otros eventos cardíacos cuando se usan junto con un examen cardiaco común.

La evaluación exacta del riesgo es crucial para las intervenciones tempranas en el caso de las enfermedades cardíacas, aunque la determinación del riesgo es una ciencia imperfecta, y los modelos populares existentes, como el puntaje de riesgo de Framingham, tienen limitaciones, ya que no consideran directamente el estado de las arterias coronarias. La arteriografía por tomografía computarizada coronaria (CCTA, por sus siglas en inglés), un tipo de TC que proporciona imágenes altamente detalladas de los vasos del corazón, se ha convertido en una herramienta prometedora para refinar la evaluación de riesgos. De hecho, ha demostrado ser tan prometedora que un grupo de trabajo multidisciplinario introdujo recientemente un sistema de puntuación para resumir los resultados de la CCTA. La herramienta de toma de decisiones, conocida como el sistema de información y datos de enfermedades de las arterias coronarias (CAD-RADS), hace énfasis sobre las estenosis o bloqueos y el estrechamiento de las arterias coronarias. Según los investigadores, el CAD-RADS es un desarrollo importante y útil en el manejo de pacientes cardíacos, aunque su enfoque en las estenosis podría dejar de lado información importante sobre las arterias.

Imagen: La investigación muestra que el aprendizaje automático es más eficaz para predecir enfermedades cardíacas cuando se compara con los modelos de riesgo convencionales (Fotografía cortesía de Health Imaging).
Imagen: La investigación muestra que el aprendizaje automático es más eficaz para predecir enfermedades cardíacas cuando se compara con los modelos de riesgo convencionales (Fotografía cortesía de Health Imaging).

Observando que la CCTA muestra más que simples estenosis, los investigadores buscaron un sistema de AA capaz de minar los innumerables detalles en estas imágenes para obtener un panorama de pronóstico más completo. Para el estudio, el equipo de investigación comparó el enfoque AA con CAD-RADS y otros sistemas de puntuación de vasos en 6.892 pacientes. Los investigadores siguieron a los pacientes durante un promedio de nueve años después de la CCTA. Hubo 380 muertes por todas las causas, incluyendo 70 por enfermedad coronaria. Además, 43 pacientes reportaron ataques al corazón.

En comparación con el CAD-RADS y otras puntuaciones, el enfoque de AA discriminó mejor qué pacientes tendrían posibilidad de hacer un evento cardíaco de aquellos que no lo harían. Al decidir si comenzar con las estatinas, la puntuación de AA aseguró que el 93% de los pacientes con eventos recibirían el medicamento, en comparación con solo el 69% si se confiaba en el CAD-RADS.

Si el aprendizaje automático puede mejorar la puntuación de los vasos, aumentaría la contribución de las imágenes no invasivas a la evaluación del riesgo cardiovascular. Además, si los puntajes de los vasos derivados del AA se pudieran combinar con los factores de riesgo sin imágenes, como la edad, el sexo, la hipertensión y el tabaquismo, para desarrollar modelos de riesgo más completos, se beneficiarían tanto a los médicos como a los pacientes.

“La estimación de riesgo que se obtiene al hacer la versión de aprendizaje automático del modelo es más exacta que la estimación de riesgo que se obtendría si se confía en CAD-RADS. Ambos métodos funcionan mejor que solo usando la estimación de riesgo de Framingham. Esto muestra el valor de observar las arterias coronarias para calcular mejor el riesgo de las personas”, dijo el autor principal del estudio, Kevin M. Johnson, M.D, profesor asociado de radiología e imágenes biomédicas en la facultad de medicina de Yale.

Enlace relacionado:
Facultad de Medicina de Yale


Miembro Oro
Solid State Kv/Dose Multi-Sensor
AGMS-DM+
Oncology Information System
RayCare
New
Self-Driving Mobile C-arm
CIARTIC Move
New
Wireless Handheld Ultrasound System
TE Air

Últimas Industria noticias

IBA adquiere Radcal para ampliar oferta de garantía de calidad de imágenes médicas

Sociedades internacionales sugieren consideraciones clave para herramientas IA para radiología

Dispositivos de rayos X de Samsung funcionarán con soluciones de IA de Lunit para exámenes avanzados de tórax