La inteligencia artificial aplicada a un electrocardiograma define biomarcadores para predecir fibrilación auricular
CIBERCV · 24 enero 2022 11:00
-
Guillermo José Ortega, L. Jesús Jiménez Borreguero, Ancor Sanz García y Alberto Cecconi, investigadores del CIBERCV.
Investigadores del Centro de Investigación Biomédica en Red de Enfermedades Cardiovasculares (CIBERCV) han aplicado la inteligencia artificial al análisis de datos electrocardiográficos, lo que ha permitido definir perfiles de biomarcadores mejorados para predecir el riesgo de fibrilación auricular o casos asintomáticos.
El estudio, publicado en Scientific Reports, ha sido realizado por miembros del Hospital Universitario de La Princesa y de la Universidad Autónoma de Madrid. En este nuevo estudio, los investigadores han evaluado comparativamente seis modelos de análisis electrocardiográfico basados en inteligencia artificial para identificar rasgos sutiles que pueden anticipar episodios de fibrilación auricular.
Para ello, han analizado datos de una gran cohorte de 122.394 pacientes del Hospital Universitario la Princesa. "Este análisis conduce a la implementación de predictores de fibrilación auricular mejorados por inteligencia artificial, más confiables y fiables", explica el investigador del CIBERCV, Jesús Jiménez.
Además, el estudio también ha probado el rendimiento de estos modelos asociados a datos relacionados con la distribución de edad de los pacientes. En este sentido, los investigadores indican que "la edad de los pacientes es un aspecto clave a tener en cuenta antes de aplicar modelos basados en inteligencia artificial para obtener resultados significativos".
En concreto, aclaran que el estudio confirma una mayor facilidad para predecir la fibrilación auricular con estas técnicas de big data en pacientes ancianos y varones.
"La posibilidad de identificar a los pacientes con fibrilación auricular subclínica o con alto riesgo de desarrollarla en función de puntuaciones de riesgo clínico o de un electrocardiogramas de ritmo sinusal es muy prometedora, y la capacidad de un modelo de aprendizaje automático para eliminar la interpretación subjetiva o posibles errores humanos puede cambiar el panorama de cómo se maneja a estos pacientes", afirman.
Referencia: Sci Rep. 2021;11(1):22786. Published 2021 Nov 23. doi:10.1038/s41598-021-02179-1
