La IA identifica la «redondez del corazón» como nueva señal para detectar afecciones cardiovasculares

El descubrimiento es gracias el aprendizaje profundo, una de las técnicas de la inteligencia artificial, aplicado a las imágenes médicas de diferentes corazones

Las enfermedades cardiovasculares son la prinicpal causa de muerte en el mundo, por encima del cáncer, los accidentes y las enfermedades infecciosas. En la actualidad, los médicos evalúan el tamaño de la cavidad cardiaca y la función sistólica (la contracción del corazón durante un latidos) para diagnosticar y controlar distintas enfermedades cardiacas.

Un artículo publicado en la revista Med sugiere que otra medida, la «esfericidad cardiaca» o cómo es el corazón de redondo, podría ser útil para el diagnóstico.

Según los investigadores, la redondez del corazón no es necesariamente el problema en sí, sino un indicador. Las personas con corazones más redondos pueden tener una cardiomiopatía subyacente o una disfunción subyacente con las funciones del músculo cardíaco.

Este estudio utilizó big data y aprendizaje automático para analizar si otros cambios anatómicos en el corazón podrían mejorar la comprensión del riesgo cardiovascular y la fisiopatología. Los investigadores decidieron centrarse en la esfericidad porque la experiencia clínica había sugerido que está asociada con problemas cardíacos. Investigaciones anteriores se habían centrado principalmente en la esfericidad después de la aparición de la cardiopatía, y ellos plantearon la hipótesis de que la esfericidad puede aumentar incluso antes de la aparición de la cardiopatía clínica.

En esta investigación se emplearon datos del Biobanco del Reino Unido, que incluye información genética y clínica de 500.000 personas. Como parte de ese estudio, se realizaron imágenes por resonancia magnética del corazón a un subconjunto de voluntarios. El equipo californiano utilizó datos de un subconjunto de unos 38.000 participantes en el estudio del Biobanco del Reino Unido que se sometieron a resonancias magnéticas consideradas normales en el momento de las exploraciones. Los registros médicos posteriores de los voluntarios indicaron cuáles de ellos desarrollaron posteriormente enfermedades como miocardiopatía, fibrilación auricular o insuficiencia cardiaca y cuáles no.

A continuación, los investigadores utilizaron técnicas de aprendizaje profundo para automatizar la medición de la esfericidad. El aumento de la esfericidad cardiaca parecía estar relacionado con futuros problemas cardiacos. Los investigadores también analizaron los factores genéticos de la esfericidad cardiaca y descubrieron que coincidían con los factores genéticos de la miocardiopatía. Utilizando la aleatorización mendeliana, pudieron deducir que la enfermedad intrínseca del músculo cardiaco -es decir, los defectos no causados por infartos- causaba la esfericidad cardiaca.

Los investigadores subrayan que es necesario investigar mucho más antes de que los resultados de este estudio puedan trasladarse a la práctica clínica. Por un lado, la conexión sigue siendo especulativa y tendría que confirmarse con datos adicionales. Si se confirmara la relación, habría que establecer un umbral que indicara qué grado de esfericidad podría sugerir la necesidad de intervenciones clínicas. El equipo está compartiendo todos los datos de este trabajo y poniéndolos a disposición de otros investigadores para empezar a responder a algunas de estas preguntas.

REFERENCIA

Deep learning-enabled analysis of medical images identifies cardiac sphericity as an early marker of cardiomyopathy and related outcomes