En el artículo anterior expliqué cómo la IA juega un papel importante para la detección del cáncer de mama, y que se presentan ciertos retos tecnológicos importantes, que habrá que tener en cuenta, y serían los siguientes:

Pilar Ruiz Ayuso, consultora en Transformación Digital e Inteligencia Artificial en Ibermática Digital.

• El uso de herramientas, como ontologías, árboles de decisión, etcétera, que son clave para estructurar bien el know-how, ya que el conocimiento que un patólogo posee sobre un diagnóstico es difícilmente transferible.

• La intervención humana genera demoras de tiempo, que podrían evitarse en gran medida si se dispusiese de una arquitectura orientada a servicios interoperable orquestada de forma conveniente.

Cardiopatía isquémica en cifras
Según la Organización Mundial de la Salud, las Estadísticas Sanitarias Mundiales de 2019 apuntaban que actualmente la cardiopatía isquémica es la principal causa de muerte a nivel mundial, y ahora está ocasionando más muertes que nunca. Las cifras se han incrementado exponencialmente en 20 años, de 2 millones de muertes a casi 9 millones.

A día de hoy el dolor torácico no traumático es uno de los motivos más frecuentes de ingreso en las urgencias generales a nivel mundial, con cifras superiores al 35%. Siendo además un síntoma que suscita inquietud entre los profesionales sanitarios, por el amplio abanico de posibilidades diagnósticas que conlleva.

¿Qué son las cardiopatías isquémicas y de qué medios se disponen para su detección?
La cardiopatía isquémica se produce cuando la sangre tiene dificultad para pasar por las arterias coronarias, y por lo tanto para trasladar oxígeno y alimento al corazón. La obstrucción del paso de la sangre a través de las arterias coronarias en la mayoría de ocasiones se debe a unas placas de grasa llamadas ateromas, que se producen en enfermedades como la arteriosclerosis.

La dificultad en su diagnóstico radica en que el dolor torácico puede deberse a una enfermedad banal o ser la expresión de un proceso potencialmente mortal. Además, la intensidad del dolor y su expresión es totalmente subjetiva, y los síntomas son percibidos de maneras muy diferentes por los pacientes.

Una gran parte de los esfuerzos diagnósticos realizados por los profesionales para el dolor torácico en el servicio de urgencias se encamina a detectar síndromes coronarios agudos (SCA), ya que tienen consecuencias muy diferentes en relación al tiempo necesario para diagnosticarlas y tratarlas. Es vital tratarla en los primeros 90 minutos para disminuir su mortalidad y las consecuencias fatales posteriores al infarto.

Síndrome coronario agudo
Actualmente la determinación del riesgo y el diagnóstico se realiza siguiendo unas guías clínicas, como las desarrolladas por el American College of Cardiology (ACC). Estas guías se crearon para dar solución a un entorno de urgencias donde el tiempo es muy limitado, y en el triaje inicial con el paciente se preguntan ciertas cuestiones que se complementan con pruebas básicas para determinar un diagnóstico.

Lamentablemente, al tener un número acotado de parámetros a los que referenciarse, y al perder una perspectiva comparada, ya que el diagnóstico de un paciente se realiza de manera individual y es el profesional sanitario quien en base a las variables y mediante su juicio clínico global basado en su experiencia personal es el que realiza un diagnóstico comparativo con situaciones en la que él ha estado involucrado en el pasado, pueden pasar inadvertidos casos que si no tienen una atención primaria urgente, hay un alto riesgo de mortalidad.

Aplicando la Inteligencia Artificial en casos de uso reales
La IA puede acabar con esa situación en la que únicamente se puede utilizar un número acotado de variables, ya que en la Historia Clínica Electrónica (HCE) del paciente se almacenan múltiples informaciones, potencialmente importantes, pero en la actualidad, aunque cubren la inmensa mayoría de casuísticas, dejan fuera algunos casos, y en esos casos se desconoce si hay variables importantes que no se están usando.

Actualmente se están desarrollando proyectos de investigación enfocadas al uso de ciertas variables subjetivas, donde la aplicación de algoritmos de IA ayuda tanto a la objetivación de información, como a descubrir conocimiento oculto en los datos (por ejemplo qué variables, rangos dentro de ellas o correlaciones ofrecen un mejor diagnostico).

Estos sistemas de apoyo al diagnóstico clínico en urgencias serán la base para:

• Explotar la información de la Historía Clínica Electrónica (HCE) de los pacientes, que mediante los modelos de extracción de conocimiento a través de técnicas de machine learning, que establecerán reglas de predicción diagnóstica (RPD) de EAC (Enfermedad Arterial Coronaria), y el tratamiento de las imágenes patológicas, podrán predecir los diferentes posibles diagnósticos cardiacos, ofreciendo así un Soporte a la Decisión Clínica in situ, y pudiendo reducir los tiempos en hospitales de primera línea hasta en un 20%. Actualmente las cifras son cercanas a las 7 horas, ya que en aquellos casos que no existe certeza, tienden a quedarse los pacientes en observación, destinando una serie de recursos y esfuerzos que finalmente no necesitarían.

• Explorar la información obtenida mediante sistemas de Visual Analytic, que permitirán, mediante modelos de machine learning, buscar cómo optimizar el proceso asistencial con mejores prácticas. Gracias a estos sistemas se podrá ofrecer información que permita adecuar los ingresos hospitalarios, buscando minimizar tanto los falsos negativos (pacientes con patología no detectada), con el riesgo consecuente reduciéndolos a niveles entre el 0-1%, como los falsos positivos (pacientes ingresados que no debieron serlo), ya que el coste promedio un día de ingreso en la planta de cardiología sin la solicitud de pruebas complementarias es bastante elevada.

Retos tecnológicos para el desarrollo de soluciones aplicados a la cardiopatía isquémica
Para asumir los retos tecnológicos a los que nos enfrentamos en el desarrollo de diagnósticos de una patología de cardiopatía isquémica aguda, hay que tener en cuenta varios puntos:

• Para hacer uso de algoritmos y modelos de machine learning que permitan agilizar el diagnóstico de la cardiopatía isquémica es necesario desarrollar soluciones con una arquitectura, bajo el paradigma Big Data, que busque cubrir los gaps que las actuales plataformas de Historia Clínica Semántica tienen, como problemas con el tratamiento de las imágenes patológicas, el texto escrito en lenguaje natural, o modelos matemáticos eficientes en un área con tanta diversidad como la de la salud humana.

• En la actualidad la interpretación de los electrocardiogramas (ECGs) se hace por profesionales altamente entrenados, que no siempre se encuentran disponibles en la urgencia. Por otro lado, la tarea de clasificación de señales ECG es de alta complejidad, ya que existe variabilidad de formas de latido de un mismo tipo entre dos pacientes, por lo que requiere mucho tiempo para realizar un diagnóstico basado en los patrones que caracterizan los latidos normales o anormales. Por ello habrá que desarrollar algoritmos de DeepLearning y redes neuronales para ofrecer un soporte al diagnóstico que complemente la experiencia de los profesionales de la urgencia, minimizando el nivel de falsos positivos.

• Gran parte de la información almacenada en la HCE, como los antecedentes personales, el evolutivo, etc., está escrita en lenguaje natural y por lo tanto ni codificada, ni explotable por los sistemas de Machine Learning. Esta práctica hace que cuando se requieran más datos para realizar una investigación sea necesario una codificación manual. Para poder extractarla, hay que aplicar tecnologías del Procesamiento del Lenguaje Natural (NLP), extrayendo la información relevante de los historiales clínicos de una forma automática para hacer factible su uso en proyectos de analítica de datos en el sector salud.

En conclusión, vemos que urgencias es un ámbito muy especial, con múltiples especialidades, distintos tipos de experiencia, y en el que el tiempo es un factor determinante, con lo que no se pueden emplear de manera extensiva estrategias de comités que decidan en los diferentes casos de cardiopatía. Es vital hacer uso de sistemas de apoyo que mediante la IA realicen una predicción diagnóstica en aquellos casos que sean más dudosos, y se sumen a las habilidades de los humanos, para poder mejorar la asistencia y la confianza en los programas de detección de dicha patología.