De cualquier forma, la intervención debe llegar a tiempo, y un diagnóstico rápido puede marcar una gran diferencia para ello. Sin embargo, en el usual ambiente caótico de una sala de emergencias, las señales que indican un paro cardíaco suelen pasar desapercibidas con frecuencia y las consecuencias son enormes.
nPor eso, un avance significativo sería encontrar una forma automática de detectar de manera precisa y fiable los signos característicos del paro cardíaco. Sin embargo, a pesar de que se ha investigado mucho en esta área, los sistemas automáticos de monitoreo cardíaco son menos fidedignos que los cardiólogos capacitados.
n
Foto: Dos electrocardiogramas.
Ahora parece que esto va a cambiar gracias al trabajo del investigador del Instituto Fraunhofer Heinrich Hertz (Alemania) Nils Strodthoff y del investigador del Centro Médico Universitario Schleswig-Holstein (Alemania) Claas Strodthoff. Los dos investigadores han desarrollado una red neuronal que puede detectar las señales del infarto de miocardio y afirman que, por primera vez, la máquina iguala el rendimiento de los cardiólogos humanos.
nPrimero, un poco de contexto. Una de las mejores formas de diagnosticar un paro cardíaco es utilizando un electrocardiógrafo para medir la actividad eléctrica del corazón. Un electrocardiógrafo estándar registra la señal eléctrica a través de 12 cables distintos conectados a diferentes partes del cuerpo del paciente.
nEstas señales revelan el comportamiento eléctrico del corazón de diferentes formas. Desde hace tiempo, los cardiólogos saben que las señales de algunos de estos cables son más útiles que otras para el diagnóstico de paros cardíacos.
nSin embargo, interpretar los datos es difícil. Para empezar, un médico tiene que elaborar algún tipo de base de datos de señales, ignorar ruido y datos dañados y, después, aislar los latidos individuales del corazón. A continuación, el cardiólogo busca los intervalos de tiempo y los valores de voltaje predefinidos o detectados automáticamente de cada latido. Finalmente, debe identificar las características apropiadas en el latido del corazón y clasificar la condición a partir de los datos.
nEl proceso de clasificación se complica aún más por la presencia de una señal llamada elevación del segmento ST. Los pacientes con esta señal deben ser tratados tan pronto como sea posible, mientras que los que no la tienen requieren más pruebas que llevan mucho tiempo.
nNinguno de estos pasos es fácil. De hecho, todos se vuelven más complejos debido a latidos irregulares e inusuales del corazón, al ruido y a la contaminación de datos; factores presentes en una sala de emergencias.
nQuizá no sea sorprendente que, dentro de este casos, los humanos superen de forma significativa a las máquinas.
nPero en los últimos años, las redes neuronales han logrado avances significativos en problemas de reconocimiento de patrones, como la identificación de rostros y objetos. Por lo tanto, existe un gran interés en aplicar estas técnicas a los datos médicos, donde el reconocimiento de patrones también es el objetivo.
nStrodthoff y Strodthoff han hecho justamente eso con una base de datos de 148 registros de electrocardiograma (ECG) de pacientes con infarto de miocardio y 52 controles sanos. Utilizaron una técnica de ventana deslizante para alimentar con esos datos a una red neuronal. Cada ventana incluía al menos tres latidos del corazón. El equipo usó el 90 % de los datos para entrenar esta red y que aprendiera a detectar los signos de un ataque cardíaco.
nEl resto de los datos se usaron para probar si la red funcionaba y obtuvieron resultados interesantes. "La arquitectura propuesta supera los enfoques vanguardistas más actuales en este conjunto de datos y alcanza un nivel similar de rendimiento que el de los cardiólogos humanos", explican Strodthoff y Strodthoff.
nAdemás, las máquinas tienden a confiar en los datos de las mismas señales que los cardiólogos.
nEse impresionante resultado muestra el potencial de las máquinas inteligentes para mejorar drásticamente la atención médica. Pero está claro que no es perfecto.
nUn posible problema es que el conjunto de datos que se han utilizado es relativamente pequeño. Por lo general, los algoritmos de aprendizaje automático requieren grandes conjuntos de datos para aprender correctamente. Generar conjuntos de datos más grandes a partir de las grabaciones de paros cardíacos será lento y difícil, pero solo así los médicos podrán estar seguros de que se cubre la amplia gama de ento os caóticos en los que trabajan.
nEl potencial es enorme. Las máquinas pueden aliviar algo del tedio y la complejidad de la medicina para los médicos humanos, sin cansarse. El enfoque desarrollado por Strodthoff y Strodthoff es genéricamente aplicable a cualquier problema de clasificación en series temporales de datos brutos de dispositivos como los ECG y los de electroencefalografía (EEG), que abundan en medicina. Así que otras aplicaciones son posibles.
nEsto significa que probablemente no pasará mucho tiempo antes de que la mayoría de nosotros reciba un diagnóstico, al menos en parte, de manos de una máquina.
nRef: arxiv.org/abs/1806.07385: Detecting And Interpreting Myocardial Infarctions Using Fully Convolutional Neural Networks.
n