Coronariopatía

Inteligencia artificial y enfermedad coronaria: ¿el futuro llego?

Dirceu Melo
Escrito por Dirceu Melo

Esta publicação também está disponível em: Português Español

Un estudio reciente publicado en el European Heart Journal evaluó el uso de herramientas de inteligencia artificial para el diagnóstico de enfermedad coronaria. Se trata de un estudio de prueba de concepto, cuyo principal objetivo fue demostrar la viabilidad de un algoritmo de deep learning para identificar CAD obstructivo a través del reconocimiento facial.

La idea de que algunas características faciales pueden ser predictores de enfermedad coronaria no es reciente. Y ya se sabe que la calvicie, los xantelasmas, el arco corneal y el surco en el lóbulo de la oreja son marcadores de riesgo cardiovascular. Sin embargo, esta correlación es difícil de cuantificar y reproducir en grandes estudios. En este sentido, el uso de la inteligencia artificial aparece como una herramienta interesante, ya que los algoritmos son capaces de identificar y cuantificar patrones que están más allá de la percepción humana.

Se trata de un estudio transversal en el que fueron selecionados pacientes de 9 centros de China en realización de un cateterismo coronario o angiotomografia de coronárias (edad media 59 años). En la primera fase, se reclutaron alrededor de 5.800 pacientes para la etapa de “Entrenamiento” de la plataforma. Todos los pacientes se sometieron a un protocolo de colecta de datos clínicos y fotografías faciales que se correlacionaron con los respectivos resultados de la angiografía coronaria. Los examenes de imagen fueron informadas por al menos dos radiólogos independientes y ciegos a los otros datos. En seguida, feron construidos algoritmos con redes neuronales de deep learning para identificar, en base a las características de las fotos faciales, pacientes con obstrucción coronaria ≥ 50%. En la segunda fase, la herramienta se probó en una muestra de 1013 pacientes (ex: Diammond-forrest e CAD consortium).

Algunos aspectos destacados:

  1. El algoritmo mostró una sensibilidad del 80% y una especificidad del 54% para la presencia de dac ≥ 50%. En la curva ROC, el área bajo la curva fue 0,73 y superior a los  escores clínicos como Diammond-Forrester y CAD Consortium.
  2. La creación de un modelo mixto, incluyendo datos clínicos y datos de fotos faciales, no fue superior al algoritmo solo.
  3. El algoritmo funcionó mejor en pacientes con mayor probabilidad de pre test de EAC: angina típica y mayor número de factores de riesgo de EAC.

Pero, después de todo, ¿cuál es la razón fundamental que utilizado por el algoritmo?

Además de evaluar rasgos faciales como edad, sexo, calvicie, arrugas, xantelasmas y forma del lóbulo de la oreja, el algoritmo también pudo identificar (con precisión moderada) factores de riesgo cardiovascular como hipertensión, dislipidemia, diabetes, tabaquismo e IMC. Otro dato intrigante es que las características relacionadas con el contorno de la región frontal, la nariz y el mentón fueron las que tuvieron más peso en el algoritmo. Y para probar este hallazgo, los investigadores llevaron a cabo pruebas de «oclusión» en algunas regiones, lo que afectó em el desenpeño de la herramienta.

Este estudio nos trae una muestra de las contribuciones que la inteligencia artificial puede aportar a la cardiología. No es difícil imaginar un futuro corto en el que herramientas como esta estén disponibles en nuestros teléfonos móviles, ayudando a estratificar el riesgo de los pacientes con EAC. Para ello, todavía hay un camino a seguir, con la validación de los algoritmos en estudios de mayor impacto y en diferentes países y etnias.

Referencia

Lin S et al. Feasibility of using deep learning to detect coronary artery disease based on facial photo. European Heart Journal (2020) 41, 4400–4411.

Curso Cardiopapers

Banner Atheneu

Deixe um comentário

Sobre o autor

Dirceu Melo

Dirceu Melo

Deja un comentario

Séa socio CardioPapers, conozca los paquetes de anuncios y divulgación en nuestro MídiaKit

Anunciar en el sitio

A %d blogueros les gusta esto: