Primer modelo de IA de aprendizaje profundo clasifica pacientes con dolor torácico mediante rayos X

En los EUA, el síndrome de dolor torácico agudo comprende más de siete millones de visitas al departamento de emergencias, lo que lo convierte en una de las quejas más comunes. Sin embargo, menos del 8 % de estos pacientes son diagnosticados con las tres principales causas cardiovasculares del síndrome de dolor torácico agudo: síndrome coronario agudo, embolia pulmonar o disección aórtica. Sin embargo, la naturaleza potencialmente mortal de estas afecciones y la baja especificidad de las pruebas clínicas, como electrocardiogramas y análisis de sangre, dan como resultado un uso significativo de diagnóstico por imágenes cardiovascular y pulmonar, que generalmente termina con resultados negativos. Dado que los departamentos de emergencia luchan por manejar el aumento de pacientes y la escasez de camas de hospital, existe una necesidad vital de clasificar de manera efectiva a los pacientes con un riesgo muy bajo de estas afecciones graves. Ahora, un nuevo estudio ha encontrado que la inteligencia artificial (IA) puede ayudar a mejorar la atención de los pacientes que acuden a los departamentos de emergencia del hospital con dolor torácico agudo.

El aprendizaje profundo es un tipo avanzado de IA que se puede entrenar para buscar imágenes de rayos X para identificar patrones asociados con enfermedades. Para el estudio, los investigadores del Hospital General de Massachusetts (MGH, Boston, MA, EUA) desarrollaron un modelo de aprendizaje profundo de fuente abierta para identificar pacientes con síndrome de dolor torácico agudo que estaban en riesgo a 30 días de síndrome coronario agudo, embolia pulmonar, disección aórtica o mortalidad por todas las causas, según una radiografía de tórax. El estudio evaluó las historias clínicas electrónicas de 5.750 pacientes (edad media 59 años, incluidos 3.329 hombres) que presentaban síndrome de dolor torácico agudo y a los que se les realizó una radiografía de tórax e imágenes cardiovasculares o pulmonares adicionales y/o pruebas de esfuerzo entre enero de 2005 y diciembre de 2015. 

Los investigadores entrenaron el modelo de aprendizaje profundo en 23.005 pacientes para predecir un criterio de valoración compuesto de 30 días de síndrome coronario agudo, embolia pulmonar o disección aórtica y mortalidad por todas las causas basándose en imágenes de rayos X de tórax. El equipo descubrió que la herramienta de aprendizaje profundo mejoró significativamente la predicción de estos resultados adversos más allá de la edad, el sexo y los marcadores clínicos convencionales, como los análisis de sangre del dímero D, y también mantuvo su precisión diagnóstica en función de la edad, el sexo, el origen étnico y la raza. Con un umbral de sensibilidad del 99 %, el modelo logró aplazar las pruebas adicionales en el 14 % de los pacientes frente al 2 % cuando se usaba un modelo que solo incorporaba datos de edad, sexo y biomarcadores. En el futuro, un modelo automatizado de este tipo podría analizar las radiografías de tórax en segundo plano y permitir a los médicos seleccionar a los que más se beneficiarían de la atención médica inmediata, así como ayudar a identificar a los pacientes que pueden ser dados de alta de manera segura del departamento de emergencias.

"Hasta donde sabemos, nuestro modelo de IA de aprendizaje profundo es el primero en utilizar radiografías de tórax para identificar a los pacientes con dolor torácico agudo que necesitan atención médica inmediata", dijo el autor principal del estudio, Márton Kolossváry, MD, Ph. D., investigador de radiología en MGH. "Al analizar la radiografía de tórax inicial de estos pacientes con nuestro modelo de aprendizaje profundo automatizado, pudimos proporcionar predicciones más precisas sobre los resultados de los pacientes en comparación con un modelo que utiliza información sobre la edad, el sexo, la troponina o el dímero D. Nuestros resultados muestran que las radiografías de tórax podrían usarse para ayudar a clasificar a los pacientes con dolor de pecho en el departamento de emergencias".