El aprendizaje automático detecta enfermedades cardiovasculares antes de que aparezcan los síntomas

Las enfermedades cardiovasculares se encuentran entre las principales causas de mortalidad a nivel mundial y, a menudo, pasan desapercibidas hasta que se manifiestan los síntomas y la enfermedad se vuelve avanzada, lo que hace necesaria una intervención quirúrgica en lugar de medicación. Los investigadores han ideado un método para mejorar la detección temprana de estas enfermedades, evitando diagnósticos costosos como la resonancia magnética o la tomografía computarizada, mediante el uso de un gemelo digital del paciente, lo que también permite una investigación más profunda de la enfermedad. Esta innovación promete aliviar la carga tanto para los pacientes como para los médicos y las instalaciones médicas.

Desarrollado por el equipo de la Universidad Tecnológica de Graz (TU Graz; Estiria, Austria), este nuevo enfoque aprovecha el principio de que cualquier enfermedad que altere la mecánica cardiovascular también modifica el campo eléctrico aplicado externamente de maneras específicas, afectando condiciones como la arteriosclerosis, la disección aórtica, los aneurismas y los defectos de las válvulas cardíacas. Los investigadores pueden utilizar señales eléctricas estándar, de bioimpedancia u ópticas (provenientes de ECGs, PPGs o relojes inteligentes) que son analizadas a través de un modelo de aprendizaje automático desarrollado internamente. Este modelo detecta posibles enfermedades a partir de las señales y evalúa la probabilidad de su presencia, permitiendo una intervención más temprana cuando el tratamiento con medicación aún podría ser viable en lugar de la cirugía.

El entrenamiento del modelo de aprendizaje automático incorporó datos clínicos reales de bioimpedancia y valores de simulación de modelos del sistema cardiovascular. Con numerosos parámetros cardiovasculares y la necesidad de amplias simulaciones para obtener resultados estadísticamente significativos, el aprendizaje automático permite lograr resultados con más del 90 % de precisión de manera rápida. Otro beneficio de este análisis de aprendizaje automático es su capacidad para identificar cambios en los datos del ECG que no son fácilmente visibles ni siquiera para los médicos experimentados.

Por ejemplo, esta tecnología puede evaluar el grado de endurecimiento arterial, a menudo precursor de la disección aórtica, lo que sirve como señal de alerta temprana. Una vez que se detecta un cambio significativo, los datos de diagnóstico se pueden utilizar para construir un modelo de simulación multifísica o un gemelo digital. Este modelo no solo predice la progresión de la enfermedad, sino que también facilita un análisis más profundo por parte de los profesionales médicos. Los investigadores están refinando activamente esta tecnología en colaboración con socios de la industria de la salud para mejorar la precisión de sus algoritmos y adaptarlos aún más para su aplicación clínica.

“Se puede obtener mucha información del exterior del cuerpo con poco esfuerzo”, afirma Vahid Badeli, del Instituto de Fundamentos y Teoría de Ingeniería Eléctrica de la Universidad Técnica de Graz. “Hasta ahora ha sido difícil averiguar exactamente qué significa esta información. Pero con nuestros modelos informáticos y la ayuda del aprendizaje automático, podemos comprenderla mejor y encontrar correlaciones”.

Enlaces relacionados:
Universidad Técnica de Graz

Visitar la expo >

Miembro Oro

Analizador de gases en sangre POC

Stat Profile Prime Plus

Flocked Fiber Swabs
Puritan® patented HydraFlock®

New

AI-Enabled EEG Analysis Software

autoSCORE

New

Air/Oxygen Blender

MicroMax