Blog

Aug 17, 2023

La inteligencia artificial automatiza el diagnóstico de valvulopatías graves

25 de agosto de 2023 Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han resaltado los siguientes atributos al tiempo que garantizan la credibilidad del contenido:

25 de agosto de 2023

Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han resaltado los siguientes atributos al tiempo que garantizan la credibilidad del contenido:

verificado

publicación revisada por pares

fuente confiable

corregir

por Elisabeth Reitman, Universidad de Yale

Investigadores del Laboratorio de Ciencia de Datos Cardiovasculares (CarDS) han desarrollado un enfoque novedoso que puede detectar una enfermedad valvular cardíaca común conocida como estenosis aórtica grave a partir de ecografías del corazón. El estudio, publicado el 23 de agosto en la revista European Heart Journal, podría tener implicaciones para la atención clínica de rutina.

La estenosis aórtica grave, o EA, es un trastorno de salud importante, especialmente entre los adultos mayores, causado por un estrechamiento de la válvula aórtica. El diagnóstico temprano puede permitir intervenciones para aliviar los síntomas y reducir el riesgo de hospitalización y muerte prematura.

La ecografía especializada del corazón, llamada ecocardiografía Doppler, es la prueba principal para detectar la EA. El equipo desarrolló un modelo de aprendizaje profundo que puede utilizar ecografías cardíacas más simples para detectar automáticamente la EA grave.

La tecnología fue desarrollada por Rohan Khera, MD, MS, profesor asistente de medicina cardiovascular e informática de la salud, director del laboratorio CarDS y autor principal del estudio, y colegas del Departamento de Ingeniería Eléctrica e Informática de la Familia Chandra en UT Austin. con 5.257 estudios que incluyeron 17.570 videos entre 2016 y 2020 en el Hospital Yale New Haven. El modelo fue validado externamente por 2.040 estudios consecutivos de diferentes cohortes en Nueva Inglaterra y California.

"Nuestro desafío es que la evaluación precisa de la EA es crucial para el manejo del paciente y la reducción del riesgo. Si bien las pruebas especializadas siguen siendo el estándar de oro, confiar en aquellos que llegan a nuestros laboratorios ecocardiográficos probablemente pase por alto a las personas en las primeras etapas de su estado de enfermedad", afirmó Khera.

"Nuestro objetivo era desarrollar un enfoque de aprendizaje automático que fuera adecuado para la detección por ultrasonido en el lugar de atención", dijo el coautor principal del estudio, Evangelos Oikonomou, MD, DPhil, becario de cardiología y actual investigador postdoctoral en el laboratorio CarDS. .

Su trabajo permite la detección temprana de la estenosis aórtica para que los pacientes puedan recibir atención oportuna. "Nuestro trabajo puede permitir una detección comunitaria más amplia de la EA, ya que los ultrasonidos portátiles se pueden utilizar cada vez más sin necesidad de equipos más especializados. Ya se utilizan con frecuencia en los departamentos de urgencias y en muchos otros entornos de atención", añadió Khera.

El avance es el resultado de una estrecha colaboración entre investigadores clínicos e informáticos. Greg Holste, Ph.D. estudiante en UT Austin, siendo co-asesorado por el Dr. Khera, quien dirigió el desarrollo de una metodología innovadora que permitió la tecnología y fue uno de los primeros autores del estudio. "Para permitir un desarrollo práctico que aproveche la tecnología emergente para mejorar la atención clínica, esta colaboración multidisciplinaria es esencial", enfatizó el Dr. Khera.

Más información: Gregory Holste et al, Detección de estenosis aórtica grave mediante aprendizaje profundo aplicado a la ecocardiografía, European Heart Journal (2023). DOI: 10.1093/eurheartj/ehad456