Herramienta de IA predice el paro cardíaco intrahospitalario con minutos de anticipación

Los médicos deben analizar las señales débiles de la monitorización rutinaria, evitando al mismo tiempo la fatiga por alarmas que sobrecarga al personal, que es limitado. Una predicción más temprana y fiable permitiría una intervención oportuna y una mejor asignación de recursos. Para abordar este desafío, los investigadores han desarrollado un modelo de inteligencia artificial que predice eventos cardíacos inminentes minutos antes de que ocurran.

El sistema, denominado Modelo Autorregresivo Cardíaco para el Modelado del Lenguaje del ECG (CAMEL), fue creado por médicos de Penn Medicine (Filadelfia, PA, EE. UU.) en colaboración con informáticos de la Facultad de Ingeniería y Ciencias Aplicadas de la Universidad de Pensilvania. Este sistema trata los datos electrocardiográficos (ECG) como una señal que evoluciona con el tiempo, cuyos patrones pueden aprenderse, en lugar de considerarlos como instantáneas estáticas. El trabajo se publicó como preimpresión en arXiv.

CAMEL convierte segmentos de ondas de ECG en una representación que puede interpretarse junto con el texto clínico, incluyendo notas médicas y resultados de laboratorio. Al integrar la señal y el texto, el modelo analiza cómo las variaciones sutiles del ritmo pueden indicar un deterioro. A diferencia de las herramientas limitadas a tiras de 10 segundos, está diseñado para analizar horas de telemetría hospitalaria, ampliando la ventana de detección para permitir alertas entre 10 y 15 minutos antes de un evento.

Según los investigadores, el modelo ha mostrado resultados prometedores al analizar el ritmo sinusal normal para detectar indicadores tempranos de alto riesgo de paro cardíaco intrahospitalario. El enfoque se centra en arritmias peligrosas como la fibrilación ventricular y la taquicardia ventricular. El objetivo es identificar el riesgo antes de que aparezcan anomalías evidentes en los monitores estándar.

El equipo planea realizar pruebas en segundo plano que procesen datos de pacientes en tiempo real sin alertar al personal, y luego comparen las predicciones con los resultados para evaluar el rendimiento en comparación con la atención actual y minimizar la cantidad de alarmas. También contemplan posibles aplicaciones fuera del hospital mediante dispositivos portátiles para el consumidor. Estos pasos tienen como objetivo determinar si las predicciones proactivas pueden implementarse de forma segura y fiable a pie de cama.

“Lo último que quiero es alertar a las enfermeras y técnicos de planta a las 2 de la madrugada para que intervengan basándose en una falsa alarma. Cada vez que se activa una alarma, desviamos un recurso limitado que podría destinarse a otro paciente que sí lo necesite. En un entorno clínico, debemos estar seguros”, afirmó Rajat Deo, cardiólogo de la Facultad de Medicina Perelman.

Enlaces relacionados
Penn Medicine
Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Pensilvania