Machine learning en cardiología

Hace poco encontré un artículo muy interesante el cual me gustaría compartirles. 

El autor menciona diferentes enfoques y nos da a entender un panorama más amplio de la aplicación de los modelos de machine learning en la cardiología. 

Aplicaciones de la inteligencia artificial en cardiología

Existen pocos temas de actualidad equiparables a la posibilidad de la tecnología actual para desarrollar las mismas capacidades que el ser humano, incluso en medicina. Esta capacidad de simular los procesos de inteligencia humana por parte de máquinas o sistemas informáticos es lo que conocemos hoy en día como inteligencia artificial. En esta disciplina científica se incluyen los métodos para adquirir, procesar, analizar y comprender las imágenes del mundo real con el fin de producir información numérica o simbólica para que puedan ser tratados por un ordenador. Estas técnicas han experimentado una auténtica revolución en los últimos años gracias a la aplicación de algoritmos de AP y es una de las disciplinas que más están aportando a la medicina hoy en día, y por ende en cardiología

EL APRENDIZAJE PROFUNDO Y LA IMAGEN CARDIACA

El análisis de imagen es el campo en el que la IA está avanzando a mayor velocidad y, por lo tanto, es de gran interés en cardiología. El análisis que a diario hacemos de las diferentes imágenes cardiológicas puede ser tedioso y consume gran parte de nuestro tiempo. Existen ya herramientas para el tratamiento automático de imágenes, basados en RN, que podrían mejorar el rendimiento de nuestro quehacer diario.

Las RN3 son un tipo de algoritmos de IA que guardan analogía con el proceso de aprendizaje que se da en las propias neuronas del cerebro. Desde su formulación como modelo computacional, han ido surgiendo algoritmos de entrenamiento y arquitecturas de redes que han mejorado considerablemente la precisión y la eficiencia del aprendizaje con cada vez menores cantidades de datos para su entrenamiento. Cuando estas arquitecturas constan de numerosas capas de neuronas, es cuando actualmente se utiliza el término AP. En la actualidad, entre las RN más empleadas se encuentran las convolutional neural networks, las recursive neural networks, las generative adversarial networks o las U-nets, cada una con diferentes usos y subtipos de arquitecturas. Las RN son además muy flexibles a la hora de utilizarlas en contextos supervisados, no supervisados o de aprendizaje por refuerzo. Para su implementación, se dispone de diferentes plataformas de código abierto como TensorFlow, Pytorch, Keras o Caffe. Como desventajas de las técnicas de AP, se puede destacar su alto coste computacional. Además, se requiere un alto grado de pericia para su ajuste correcto y, en el caso del aprendizaje supervisado, se necesita contar con un conjunto de imágenes informadas manualmente, lo cual en ocasiones puede resultar muy costoso.

Evolución en las publicaciones referenciadas en PubMed sobre inteligencia artificial, machine learning y deep learning según el área de interés en cardiología. En el material adicional se describen los detalles de las publicaciones por áreas de interés y la metodología de búsqueda empleada.

INTELIGENCIA ARTIFICIAL EN LA CARDIOLOGÍA

Los ejemplos de IA, utilizando AA o AP, comienzan a ser numerosos en cardiología21. Esta sección presenta una evolución de las contribuciones de IA a las diferentes áreas de aplicación en cardiología, es importante reseñar que muchas de las publicaciones revisadas son resultado de iniciativas habituales en IA como retos promovidos en conferencias y datathons. El datathon es un concurso público y abierto, en el que personas interesadas en el tema, desde novatos a expertos, trabajan conjuntamente con bases de datos comunes con un objetivo concreto previamente establecido. Los participantes deben encontrar una solución al objetivo marcado en los conjuntos de datos proporcionados. Las soluciones más precisas y creativas son premiadas y de acceso público.

Contribuciones relevantes de la inteligencia artificial en las diferentes áreas de aplicación de la cardiología

Referencia (año)	Área	Aplicación	Técnica	Método	Resultados
Ebrahimzadeh et al.22 (2018)	Arritmias	Predicción de FA paroxística a partir de la variabilidad de frecuencia cardiaca	Aprendizaje supervisado	Datos: 106 señales de 53 pares de electrocardiogramas para el entrenamientoAlgoritmos: KNN, SVM, RN	Sensibilidad (100%), especificidad (95%), exactitud (98%)
Budzianowski et al.23 (2018)	Arritmias	Predicción de recurrencia de FA tras crioablación de venas pulmonares	Aprendizaje supervisado	Datos: 118 pacientes con 56 señales clínicas, laboratorio y del procedimiento de cada pacienteAlgoritmos: GB, SVM, sobremuestreo	Identificación de 7 predictores en concordancia con análisis estadístico univariante
Eerikainen et al.24 (2016)	Arritmias	Clasificación de alarmas por arritmias cardiacas en telemetría	Aprendizaje supervisado	Datos: PhysioNet/Computing in Cardiology Challenge 2015Algoritmo: RF	VP 95%, VN 83%
Nanayakkara et al.25 (2018)	Arritmias	Predicción de mortalidad hospitalaria en pacientes con parada cardiaca resucitada a partir de un registro	Aprendizaje supervisado	Datos: Registro ANZICS, 39.566 pacientesAlgoritmos: RL, GB, SVM, RN, RF, en conjunto (RF, SVM, GM)	Área bajo la curva del mejor algoritmo: 0,87 (frente al 0,80 de la escala APACHE III y 0,81 ANZROD)
Yildirim et al.26 (2018)	Arritmias	Detección de hasta 17 tipos de arritmias a partir del ECG	Aprendizaje supervisado	Datos: 1.000 señales de ECG de la base de datos MIT-BIH Arrhythmia databaseAlgoritmo: RN convolucional	Exactitud (91%)
Weng et al.27 (2017)	Riesgo cardiovascular	Predicción de eventos cardiovasculares a 10 años a partir de historia electrónica	Aprendizaje supervisado	Datos: 378.256 individuos; datos demográficos, historiales médicos, prescripciones médicas y tests biológicosAlgoritmos: RF, RL, GB, RN	Área bajo la curva del mejor algoritmo: 0,76 (frente al 0,72 de las escalas de predicción de riesgo ACC/AHA)
Huang et al.28 (2017)	Cardiopatía isquémica	Predicción de eventos adversos cardiacos mayores en pacientes con síndrome coronario agudo a partir de historia electrónica	Aprendizaje supervisado	Datos: 2.930 pacientes y 268 variables Algoritmos: SVM, RF junto a técnicas de submuestreo y sobremuestreo	Área bajo la curva del mejor algoritmo: 0,672 (mejorando significativamente a la escala GRACE,+4,8%)
Shouval et al.29 (2017)	Cardiopatía isquémica	Predicción de mortalidad a 30 días tras infarto de miocardio a partir de un registro	Aprendizaje supervisado	Datos: 2.782 pacientes con 54 variablesAlgoritmos: Naive Bayes, RL, RF, PART, ADABoost, ADtree	Área bajo la curva del mejor algoritmo: 0,91 (frente al 0,87 de la escala GRACE y 0,82 de la escala TIMI). Identificación 15 variables predictoras
Wallert et al.30 (2017)	Cardiopatía isquémica	Predicción de supervivencia a 2 años tras infarto de miocardio a partir de datos poblacionales, clínicos y de ecocardiograma	Aprendizaje supervisado	Datos: Registro SWEDEHEART, 51.943 pacientes y 54 variablesAlgoritmos: SVM, LR, RF y BoostedC5.0.	Área bajo la curva del mejor algoritmo (0,84), valor predictivo negativo (97%)
Shameer et al.31 (2017)	Insuficiencia cardiaca	Predicción de reingresos hospitalarios por insuficiencia cardiaca a partir de la historia electrónica	Aprendizaje supervisado	Datos: MOUNT SINAI HEART FAILURE COHORT: 1.068 pacientes hospitalizados y 4.205 variablesAlgoritmo: Naive Bayes	Área bajo la curva 0,78 y exactitud 84%modelos previos con áreas bajo la curva de 0,6-0,7)
Inan et al.32 (2018)	Insuficiencia cardiaca	Seguimiento remoto de pacientes con insuficiencia cardiaca para el ajuste de tratamiento y evitar hospitalizaciones a partir de señales electrocardiogáficas de dispositivos electrónicos inteligentes	Aprendizaje no supervisado	Datos: 45 pacientes (13 descompensados)Algoritmo: GraphSimilarity Score	Diferencias significativas entre grupos (compensados frente descompensados)

Aunque a menudo se identifica la IA como un concepto futurista y lejano, lo cierto es que es una tecnología que ya se emplea hoy en todo tipo de áreas, entre ellas, la cardiología. Gracias a la digitalización de grandes cantidades de datos, el desarrollo de algoritmos de AA y la mejora de la capacidad de cálculo de los ordenadores de las últimas décadas, la IA puede abrir excelentes oportunidades para la automatización de tareas, la aplicación de la medicina de precisión o el avance en la investigación a través de la detección de patrones complejos en bases de datos médicas67. Un caso particular es el del análisis de imagen médica, en el que las técnicas de AP han supuesto una auténtica revolución y su aplicación en el área de la cardiología está ya obteniendo excelentes resultados. Sin embargo, aún queda un largo camino que recorrer para aplicar de manera generalizada estas técnicas en la práctica clínica, para lo cual será fundamental la generación de grandes bases de datos con información de calidad y la evaluación e integración de la IA en contextos clínicos realistas; por ello, conocer en qué consiste la IA y sus aplicaciones en nuestro campo se antoja esencial para la cardiología presente y futura.

Bibliografía

Dorado-Díaz, P. I., Sampedro-Gómez, J., Vicente-Palacios, V., & Sánchez, P. L. (2019). Aplicaciones de la inteligencia artificial en cardiología: el futuro ya está aquí. Revista espanola de cardiologia, 72(12), 1065–1075. https://doi.org/10.1016/j.recesp.2019.05.016

Iglesias, S. (2019, octubre 19). Inteligencia artificial y machine learning al servicio de una mejor práctica cardiológica - Sociedad Española de Cardiología. Secardiologia.es. https://secardiologia.es/comunicacion/noticias-sec/10982-inteligencia-artificial-y-machine-learning-al-servicio-de-una-mejor-practica-cardiologica