Deep learning para el análisis de electrocardiogramas
Este enfoque puede mejorar la precisión y la eficacia de los diagnósticos relacionados con ECG, especialmente en el caso de afecciones cardíacas en las que se dispone de datos limitados sobre los que entrenar.
El electrocardiograma (ECG) es un registro a nivel de la superficie corporal de la actividad eléctrica del corazón. Debido a su bajo coste, su carácter no invasivo y su amplia aplicabilidad a las enfermedades cardiacas, es una herramienta omnipresente y cada año se realizan más de 100 millones solo en Estados Unidos en diversos entornos sanitarios. Sin embargo, tiene un alcance limitado, ya que los médicos no pueden identificar sistemáticamente patrones representativos de enfermedad, especialmente en el caso de afecciones que no tienen criterios diagnósticos establecidos, o en los casos en que dichos patrones pueden ser demasiado sutiles o caóticos para la interpretación humana.
Un equipo del Hospital Mount Sinai (EEUU) informó de un nuevo modelo de aprendizaje profundo, conocido como HeartBEiT, que constituye una base sobre la que pueden crearse modelos de diagnóstico especializados. Observaron que, en pruebas comparativas, los modelos creados con HeartBEiT superaban a los establecidos para el análisis de ECG.
Los investigadores preentrenaron HeartBEiT con 8,5 millones de ECG de 2,1 millones de pacientes recogidos a lo largo de cuatro décadas en cuatro hospitales del Mount Sinai Health System. A continuación, probaron su rendimiento frente a arquitecturas redes neuronales convuluvionales (de su sigla en inglés CNN) estándar en las tres áreas de diagnóstico cardíaco. El estudio descubrió que tenía un rendimiento significativamente superior con tamaños de muestra más pequeños, junto con una mejor "explicabilidad".
De hecho, gracias a su sofisticada arquitectura de modelado, el equipo ha mejorado enormemente la forma y las oportunidades en que los médicos pueden interactuar con el ECG.
El Monte Sinaí está tomando una nueva y audaz dirección en este campo, aprovechando el gran interés que despiertan los llamados sistemas de IA generativa, como ChatGPT, que se basan en transformadores de modelos de aprendizaje profundo que se entrenan con conjuntos de datos masivos de texto para generar respuestas de tipo humano a las preguntas de los usuarios sobre casi cualquier tema.
