Inteligencia artificial aplicada a la electrocardiografía.

11 septiembre 2023

AUTORES

  1. Mario Luis Amador Luna. Graduado en Enfermería. Centro de Salud Andorra. Servicio Aragonés de Salud.
  2. Carlota Canet Fajas. Licenciada en Medicina Familiar y Comunitaria. Centro de Salud La Almunia. Servicio Aragonés de Salud.
  3. Manuel Rosado Grande. Graduado en Enfermería. Otorrinolaringología. Hospital Clínico Lozano Blesa. Servicio Aragonés de Salud.
  4. Ester Marquina de Diego. Graduada en Enfermería. Centro de Salud La Almunia. Servicio Aragonés de Salud.
  5. Alfonso Felipe Rubio. Graduado en Enfermería. Centro de Salud Delicias Sur. Servicio Aragonés de Salud.
  6. Tamara Muñoz Bernad. Graduada en Enfermería. Centro de Salud Mas de las Matas. Servicio Aragonés de Salud.

 

RESUMEN

El procesamiento de datos electrocardiográficos mediante inteligencia artificial abre nuevos horizontes en el diagnóstico de patologías no solo cardíacas, a bajo coste y con una especificidad muy alta, siendo capaz de aportar más información de la que está a simple vista humana, pudiendo suponer incluso un nuevo método de prueba diagnóstica no invasiva.

PALABRAS CLAVE

Electrocardiografía, inteligencia artificial.

ABSTRACT

The processing of electrocardiographic data by artificial intelligence opens new horizons in the diagnosis of not only cardiac pathologies at low cost with a very high specificity, being able to provide more information than is available from the human eye and may even represent a new non-invasive diagnostic test method.

KEY WORDS

Artificial intelligence, electrocardiography.

INTRODUCCIÓN

El electrocardiograma supone una herramienta indispensable en cualquier ámbito sanitario que recibe urgencias y emergencias. Permite el diagnóstico de una buena cantidad de alteraciones cardíacas, así como el diagnóstico diferencial de otras enfermedades que presentan síntomas similares. Su realización es muy sencilla con personal sanitario mínimamente entrenado, aunque su interpretación puede resultar muchas veces algo complicada y precisa la colaboración de algunos profesionales sanitarios especializados en la materia.

En determinadas zonas de salud, por razones económicas y demográficas, es necesario optimizar los recursos sanitarios al máximo. Un buen diagnóstico diferencial temprano puede llegar a ahorrar una buena cantidad de dinero en el uso de recursos para tratar una patología, además de facilitar la disponibilidad de recursos activos dentro de la zona, como pueden ser equipos sanitarios de urgencias, vehículos de intervención rápida y ambulancias de transporte y soporte vital básico y avanzado.

Cuando se atiende un caso con sintomatología sugestiva de problemas cardiovasculares, está indicada la realización temprana del electrocardiograma. La primera atención suele ser por equipos sanitarios formados básicamente por medicina y enfermería, los cuales habitualmente tienen los conocimientos básicos de la electrocardiografía o bien pueden tener dudas a la hora de determinar un diagnóstico basado en la interpretación del electrocardiograma.

En los últimos años, se están realizando avances exponenciales en el campo de la inteligencia artificial, habitualmente notificada a través de las redes sociales o los medios de comunicación en el campo del ocio y del entretenimiento. Aunque si se indaga más, puede obtenerse información valiosa e interesante de la inteligencia artificial en el ámbito sanitario, como herramienta para mejorar la salud.

Dichos avances podrían ser útiles en el diagnóstico de enfermedades, a través del electrocardiograma. Este proceso puede ser clave en el futuro, como apoyo a los profesionales sanitarios. El aprendizaje de inteligencias artificiales sobre la electrocardiografía es un campo no muy desarrollado, aunque podría ser determinante como herramienta precisa de diagnóstico, mejorando indirectamente la gestión de recursos, sobre todo en zonas de salud con dispersión geográfica, limitado presupuesto y difícil cobertura.

OBJETIVOS

El objetivo principal es:

Recopilar información de bases de datos científicas de alto impacto y poner en común los avances de la inteligencia artificial en el campo de la electrocardiografía.

METODOLOGÍA

Para la realización de esta revisión bibliográfica, se han utilizado buscadores de bases de datos científicas, tales como:

  • PubMed: se ha seleccionado esta base de datos por ser de acceso libre y además estar especializada en ciencias de la salud. Incluye un número muy elevado de revistas incluidas y de gran impacto. Además, proporciona gran variedad de tipos de búsqueda, desde el más sencillo, búsqueda por campos, términos MeSH o con límites.
  • Scielo: se ha seleccionado esta base de datos por ser la alternativa de lengua española, pero no se han obtenido resultados del tema a tratar, por lo que finalmente, se ha desechado.

Tras la obtención de toda la información, se ha realizado una lectura exhaustiva, resumen y puesta en común con el resto de los artículos, verificando la información de varios artículos y procurando seleccionar aquellos artículos publicados en una fecha no mayor a cinco años atrás desde la realización de la revisión.

 

RESULTADOS

La inteligencia artificial interpreta datos de características que se construyen como vectores y se representan de manera matemática, para procesarse computacionalmente más tarde por medio de algoritmos de aprendizaje automáticos1.

Aunque la técnica de la realización de la electrocardiografía está bien estandarizada, su interpretación es dependiente de los conocimientos y la experiencia de los sanitarios. Desde hace un tiempo, con la digitalización de la electrocardiografía, se han desarrollado diferentes tipos de automatizaciones, basadas en reglas predefinidas y mediciones de patrones finitos, que en conjunto sugerían como resultado un diagnóstico. La IA pretende ir más allá de estos métodos, pudiendo resolver la complejidad y aplicar los matices que son precisos para la lectura correcta del electrocardiograma. Para ello utilizan redes neuronales convolucionales (CNN) en el método de aprendizaje profundo (DL) para así conseguir un procedimiento de interpretación similar al humano, pero con pleno conocimiento de la electrocardiografía. Incluso se plantea un paso más allá, detectar patrones que no son visibles para los humanos y pueden desarrollar: fibrilación auricular silenciosa, disfunción del ventrículo izquierdo, miocardiopatía hipertrófica e incluso obtener el nivel de potasio en suero2.

Se ha logrado predecir la fibrilación auricular a partir de un ECG normal con ritmo sinusal con un periodo de al menos 30 días hasta ser diagnosticado. También se ha demostrado que los métodos de aprendizaje profundo funcionan al nivel de los sanitarios especializados, con mayor rendimiento y mejor especificidad de lo que son capaces los modelos de diagnóstico tradicionales, obteniendo como resultado alrededor de un 50% menos de falsas alarmas que con el anterior modelo3,5. Se han encontrado obstáculos en la detección de algunas arritmias debido al “ruido”, artefacto, o incluso la presencia de algunas ondas P, que conducía a la malinterpretación de los electrocardiogramas por la inteligencia artificial. Mejorando la disminución del ruido, los algoritmos y los métodos avanzados de extracción, se ha conseguido una especificidad cercana al 95%4. En alguno de los estudios, incluso con electrocardiogramas de una sola derivación, que podría llegar a ser objeto de manejo no invasivo y muy económico de la fibrilación auricular. Otra de las novedades es que, a partir de un electrocardiograma, que al ojo humano y con el marco clínico tradicional no es sensible para el diagnóstico de valvulopatías, la inteligencia artificial logra identificar estenosis aórtica severa a partir de la medición de determinados parámetros en un electrocardiograma de 12 derivaciones. Otros estudios se han centrado en las entrenar inteligencias artificiales para identificar prolapso de la válvula mitral y miocardiopatía hipertrófica, obteniendo grandes tasas de especificidad y además logrando discernir entre la miocardiopatía hipertrófica patológica de la fisiológica3,5.

Al electrocardiograma se le suma la tecnología de la fotopletismografía, que ya incluyen desde hace un tiempo los relojes, pulseras y teléfonos inteligentes. Por separado han demostrado tener una alta especificidad ante el reconocimiento de arritmias, particularmente de la fibrilación auricular. Además, en un ensayo basado en la aplicación conjunta de la inteligencia artificial en ambas señales (electrocardiograma y fotopletismografía), se demostró una mayor precisión que por separado. En el esfuerzo por la detección de arritmias, también se ha avanzado en el reconocimiento de ritmos desfibrilables, mejorando con inteligencia artificial la sensibilidad y la especificidad respecto de los modelos tradicionales1,4.

 

DISCUSIÓN-CONCLUSIÓN

Hasta ahora los avances en cuanto a la aplicación de inteligencia artificial a la electrocardiografía se centran exclusivamente en el diagnóstico de patologías concretas y casi ninguno en la aplicación clínica directa. Además, cada investigación tiene unas características predefinidas que difieren unas de otras, suponiendo una dificultad para el intercambio o puesta en común. Debería trabajar en unificar sistemas para compatibilizar algoritmos que posteriormente puedan aplicarse a la práctica clínica.

Puede ser que simplemente sea una de las fases tempranas de la aplicación a la práctica clínica, sin embargo, ya existen avances sorprendentes, incluso los que ya abren un abanico de posibles aplicaciones como la medicina a distancia, cuidados propios… Incluso se contempla la posibilidad de utilizarse como pruebas diagnósticas no invasivas al tener la capacidad de percibir parámetros fisiológicos. Quizá en el futuro, este método sea capaz de lograr optimizar recursos materiales y económicos, ya que una vez instaurado, resulta una técnica relativamente barata y accesible.

Está claro que con la aplicación de la inteligencia artificial en la electrocardiografía se abre un horizonte muy extenso que apenas estamos comenzando a descubrir y del que no se conocen los límites, para bien o para mal. La tecnología avanza exponencialmente y no debemos perder de vista el componente humano en toda su aplicación.

 

BIBLIOGRAFÍA

  1. Feeny AK, Chung MK, Madabhushi A, Attia ZI, Cikes M, Firouznia M, Friedman PA, Kalscheur MM, Kapa S, Narayan SM, Noseworthy PA, Passman RS, Perez MV, Peters NS, Piccini JP, Tarakji KG, Thomas SA, Trayanova NA, Turakhia MP, Wang PJ. Artificial Intelligence and Machine Learning in Arrhythmias and Cardiac Electrophysiology. Circ Arrhythm Electrophysiol. 2020 Aug;13(8):e007952. doi: 10.1161/CIRCEP.119.007952. Epub 2020 Jul 6. PMID: 32628863; PMCID: PMC7808396.
  2. Siontis KC, Noseworthy PA, Attia ZI, Friedman PA. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management. Nat Rev Cardiol. 2021 Jul;18(7):465-478. doi: 10.1038/s41569-020-00503-2. Epub 2021 Feb 1. PMID: 33526938; PMCID: PMC7848866.
  3. Somani S, Russak AJ, Richter F, Zhao S, Vaid A, Chaudhry F, De Freitas JK, Naik N, Miotto R, Nadkarni GN, Narula J, Argulian E, Glicksberg BS. Deep learning and the electrocardiogram: review of the current state-of-the-art. Europace. 2021 Aug 6;23(8):1179-1191. doi: 10.1093/europace/euaa377. PMID: 33564873; PMCID: PMC8350862.
  4. Nagarajan VD, Lee SL, Robertus JL, Nienaber CA, Trayanova NA, Ernst S. Artificial intelligence in the diagnosis and management of arrhythmias. Eur Heart J. 2021 Oct 7;42(38):3904-3916. doi: 10.1093/eurheartj/ehab544. PMID: 34392353; PMCID: PMC8497074.
  5. Attia ZI, Harmon DM, Behr ER, Friedman PA. Application of artificial intelligence to the electrocardiogram. Eur Heart J. 2021 Dec 7;42(46):4717-4730. doi: 10.1093/eurheartj/ehab649. PMID: 34534279; PMCID: PMC8500024.

Publique con nosotros

Indexación de la revista

ID:3540

Últimos artículos