Un nuevo modelo de aprendizaje automático utiliza lecturas de electrocardiograma (ECG) para diagnosticar y clasificar ataques cardíacos de manera más rápida y precisa que los enfoques actuales, según un estudio dirigido por investigadores de la Universidad de Pittsburgh que se publicó hoy en Nature Medicine.

« Cuando un paciente ingresa al hospital con dolor en el pecho, la primera pregunta que hacemos es si el paciente está teniendo un ataque cardíaco o no. Parece que debería ser sencillo, pero cuando no está claro en el ECG, puede tomar a 24 horas para completar pruebas adicionales », dijo el autor principal Salah Al-Zaiti, Ph.D. RN, profesor asociado en la Escuela de Enfermería de Pitt y de medicina de emergencia y cardiología en la Escuela de Medicina. « Nuestro modelo ayuda a abordar este importante desafío al mejorar la evaluación de riesgos para que los pacientes puedan recibir la atención adecuada sin demora ».

Entre los picos y valles de un electrocardiograma, los médicos pueden reconocer fácilmente un patrón distinto que indica el peor tipo de ataque cardíaco llamado STEMI. Estos episodios severos son causados ​​por el bloqueo total de una arteria coronaria y requieren una intervención inmediata para restablecer el flujo sanguíneo.

El problema es que casi dos tercios de los ataques al corazón son causados ​​por un bloqueo severo, pero no tienen el patrón de ECG revelador. La nueva herramienta ayuda a detectar pistas sutiles en el ECG que son difíciles de detectar para los médicos y mejora la clasificación de los pacientes con dolor torácico.

El modelo fue desarrollado por el coautor Ervin Sejdic, Ph.D. profesor asociado en el Departamento de Ingeniería Eléctrica e Informática Edward S. Rogers de la Universidad de Toronto y la Cátedra de Investigación en Inteligencia Artificial para Resultados de Salud en el Hospital General de North York. en Toronto, con ECG de 4026 pacientes con dolor torácico en tres hospitales de Pittsburgh. Luego, el modelo se validó externamente con 3287 pacientes de un sistema hospitalario diferente.

Los investigadores compararon su modelo con tres estándares de oro para evaluar eventos cardíacos: interpretación clínica experimentada del ECG, algoritmos comerciales de ECG y la puntuación HEART, que considera la historia en el momento de la presentación, incluido el dolor y otros síntomas, la interpretación del ECG, la edad, los factores de riesgo. – como fumar, diabetes, colesterol alto – y niveles sanguíneos de una proteína llamada troponina.

El modelo superó a los tres, reclasificando con precisión a 1 de cada 3 pacientes con dolor torácico como de riesgo bajo, intermedio o alto.

« En nuestros sueños más descabellados, esperábamos igualar la precisión de HEART, pero nos sorprendió descubrir que nuestro modelo de aprendizaje automático basado únicamente en ECG superaba esta puntuación », dijo Al-Zaiti.

Según el coautor Christian Martin-Gill, MD, MPH, jefe de la división de Servicios Médicos de Emergencia (EMS, por sus siglas en inglés) de UPMC, el algoritmo ayudará al personal de EMS y a los proveedores del departamento de emergencias a identificar a las personas que sufren un ataque cardíaco y aquellas con flujo sanguíneo reducido para el corazón de una manera mucho más robusta en comparación con el análisis de ECG tradicional.

« Esta información puede ayudar a guiar las decisiones médicas de EMS, como iniciar ciertos tratamientos en el campo o alertar a los hospitales sobre la llegada de un paciente de alto riesgo », agregó Martin-Gill. « Por otro lado, también es emocionante que pueda ayudar a identificar a los pacientes de bajo riesgo que no necesitan ir a un hospital con un centro cardíaco especializado, lo que podría mejorar el triaje prehospitalario ».

En la próxima fase de esta investigación, el equipo está optimizando cómo se implementará el modelo en asociación con la Oficina de Servicios Médicos de Emergencia de la ciudad de Pittsburgh. Al-Zaiti dijo que están desarrollando un sistema basado en la nube que se integra con los centros de comando del hospital que reciben lecturas de ECG de EMS. El modelo analizará el ECG y enviará una evaluación de riesgo del paciente, orientando las decisiones médicas en tiempo real.

Otros autores que contribuyeron a esta investigación fueron Zeineb Bouzid, Stephanie Helman, MSN, RN, Nathan Riek, Karina Kraevsky-Phillips, MA, RN, Gilles Clermont, MD, Murat Akcakaya, Ph.D. Susan Sereika, Ph.D. Samir Saba, MD y Clifton Callaway, MD, Ph.D. todos de Pitt; Jessica Zègre-Hemsey, Ph.D. RN, de la Universidad de Carolina del Norte; Ziad Faramand, MD, del Sistema de Salud del Noreste de Georgia; Mohammad Alrawashdeh, Ph.D. de la Facultad de Medicina de Harvard; Richard Gregg, MS, de Philips Healthcare; Peter Van Dam, del Centro Médico Universitario de Utrecht; Stephen Smith, MD, de Hennepin Healthcare y la Universidad de Minnesota; y Yochai Birnbaum, MD, de la Facultad de Medicina de Baylor.

Esta investigación fue apoyada por el Instituto Nacional del Corazón, los Pulmones y la Sangre, el Centro Nacional para el Avance de las Ciencias Traslacionales y el Instituto Nacional de Investigación en Enfermería a través de subvenciones R01HL137761, UL1TR001857, K23NR017896 y KL2TR002490.