Introducción

El objetivo de esta declaración científica fue presentar lo más avanzado sobre el uso de la inteligencia artificial (IA) o el aprendizaje automático (AA) para la mejora de la medicina de precisión, la investigación cardiovascular y la atención clínica. Este esfuerzo ha sido impulsado por diversos actores como las instituciones académicas, la industria y las agencias gubernamentales globales con el fin de implementar la IA en la atención médica, lo que ha resultado en una rápida tasa de crecimiento de artículos de investigación científica sobre IA relacionada con la atención médica en la última década, y es probable que se acelere en los próximos años.

Este trabajo incluye diversas líneas que van desde la digitalización y el análisis de registros médicos electrónicos (EHR, por su sigla en inglés), para comprender la heterogeneidad de los efectos del tratamiento; el análisis de la efectividad comparativa de pruebas e intervenciones, hasta, recientemente, la construcción de modelos de predicción, clasificación y optimización para la toma de decisiones clínicas.

Obtención y análisis de imágenes médicas

La imagenología se ha convertido en una herramienta diagnóstica esencial en la toma de decisiones clínicas en las enfermedades cardiovasculares y los accidentes cerebrovasculares (ACV). Sin embargo, la experiencia en la interpretación de imágenes requiere años de adquisición, y los expertos a menudo están sobrecargados con tareas como el procesamiento de imágenes, la segmentación, la cuantificación y la interpretación. Además, los especialistas en este campo suelen ser escasos, lo que exacerba las desigualdades en el acceso a una atención de alta calidad en áreas con recursos limitados, entre poblaciones de ingresos más bajos y más altos, y entre países con recursos limitados y ricos. Las herramientas basadas en IA/AA para la imagenología de enfermedades cardiovasculares y ACV abordan muchas de estas preocupaciones y, por lo tanto, están suscitando un interés creciente.

Por ejemplo, la IA/AA se ha utilizado recientemente para facilitar el diagnóstico del ACV agudo mediante la detección automática de hemorragias intracraneales en la tomografía computarizada (TC) de cabeza sin contraste. Además, la IA/AA aplicada a imágenes de angiografía con TC de cabeza puede detectar automáticamente obstrucciones de vasos grandes, reduciendo el tiempo para la intervención neurovascular exitosa en ≥ 30 minutos, así como cambios isquémicos tempranos en el cerebro, sin necesidad de resonancia magnética (RM) con difusión ponderada. Además, han mejorado la cuantificación de la perfusión cerebral en TC o RM y mejorado su capacidad para predecir la recuperación de la función cerebral durante el tiempo necesario para transportar a los pacientes para terapias de reperfusión. Otras aplicaciones incluyen la planificación neurointervencionista para el abordaje del ACV isquémico agudo y los aneurismas cerebrales, así como el reclutamiento de pacientes en ensayos clínicos para el ACV agudo.

IA en electrocardiografía

La aplicación de IA/AA al electrocardiograma (ECG) ha afectado drásticamente a la electrocardiografía. En primer lugar, al automatizar la interpretación, se pueden ampliar enormemente las capacidades humanas, lo que permite la interpretación de un número exponencialmente creciente de ECG. En segundo lugar, los algoritmos de IA/AA pueden identificar patrones sutiles e interrelacionados no lineales en el ECG que, a menudo, no son reconocibles para los expertos, lo que mejora la fenotipificación de enfermedades. En tercer lugar, debido a que la actividad eléctrica cardíaca puede estar afectada antes de que se pongan en evidencia anormalidades mecánicas o estructurales en la imagenología, dichos algoritmos permitirían la identificación de enfermedades asintomáticas y la prevención de eventos adversos. Inclusive, al segregar subtipos de condiciones similares, la IA/AA del ECG puede revelar nuevos fenotipos.

Varios estudios han demostrado que la IA/AA puede ampliar las capacidades de los electrocardiografistas expertos. La creciente necesidad de interpretación de ECG, junto con las habilidades limitadas y la disponibilidad de expertos humanos, motiva los esfuerzos para el análisis automatizado y preciso de los ECG. La interpretación basada en reglas del ECG se utiliza ampliamente en dispositivos existentes, pero tiene limitaciones conocidas que pueden afectar de manera negativa la toma de decisiones médicas. En estudios tempranos, los algoritmos de IA/AA pueden imitar mejor la interpretación experta, sin embargo, en la actualidad falta su adopción generalizada en las instituciones sanitarias.

IA en internación
El monitoreo en el hospital ha sido un estándar de atención durante décadas. Los sistemas tradicionales aplican reglas estáticas de expertos para generar una alarma cada vez que un signo vital excede un umbral dado. Sin embargo, asignar puntajes a signos vitales individuales de manera heurística e ignorar la posible covarianza entre diferentes señales fisiológicas genera una precisión que no siempre es la adecuada. La aplicación de IA/AA en señales fisiológicas en tiempo real provenientes de monitores en la cabecera proporciona herramientas para detectar señales sutiles a través de signos vitales adquiridos simultáneamente, lo que promete mejorar de manera significativa los resultados. Un ejemplo es el empleo de algoritmos de IA/AA para la detección temprana de sepsis e hipotensión, con alta precisión, de 3 a 40 horas antes que los enfoques tradicionales. En un metanálisis de 36 estudios que incluyeron 6 ensayos controlados aleatorizados, la predicción de sepsis basada en IA/AA junto con la intervención temprana redujo la tasa de mortalidad (riesgo relativo [RR]: 0.56; intervalo de confianza del 95% [IC 95%]: 0.39 a 0.80) de manera más eficaz que las estrategias alternativas. El efecto beneficioso de las predicciones de IA/AA fue mayor en el departamento de emergencias y en las salas generales, donde los pacientes son monitoreados con menos frecuencia, que en la unidad de cuidados intensivos. Esto tiene importantes repercusiones para implementar dichos sistemas en la práctica clínica y, así, mejorar la atención del paciente internado.

Dispositivos implantables e IA
La capacidad para interpretar datos fisiológicos de manera casi continua puede proporcionar datos sin precedentes sobre la progresión de la enfermedad, determinar el momento adecuado para la intervención médica y redefinir los límites entre la atención hospitalaria y ambulatoria. Esta tecnología también tiene el potencial de reducir las disparidades socioeconómicas en la atención médica. Un tema importante, pero no abordado, es identificar a los pacientes y tipos de enfermedades más adecuados para el monitoreo habilitado por IA/AA, y desarrollar y validar vías prácticas de atención para cada uno.

Existe una amplia literatura que demuestra que la fibrilación auricular (FA) puede ser detectada por dispositivos basados en fotopletismografía (PPG, por su sigla en inglés) habilitados para IA. En un estudio de 91 232 ECG ambulatorios registrados de 53 549 pacientes, se emplearon algoritmos de IA/AA en dispositivos basados en ECG para detectar 12 clases de ritmo, con un puntaje F1 superior al de los cardiólogos (0.837 versus 0.78). La adición de datos de acelerometría o giroscopio del smartphone, lo que permite medir micromovimientos torácicos asociados con el latido, puede aumentar la precisión para la detección de FA a > 90%. Los dispositivos móviles también pueden detectar taquicardia ventricular/fibrilación ventricular. La IA/AA aplicada a 3 bases de datos públicas de ECG proporcionó una precisión del 96.3%. Como se describió anteriormente, la IA/AA aplicada a datos electrocardiográficos y otros signos vitales puede predecir arritmias ventriculares inminentes.

Aplicaciones de la IA en registros electrónicos sanitarios

En principio, un análisis adecuado de los EHR podría mejorar la detección de enfermedades, estratificar a los pacientes en tipos de entidades clínicas tratables (nuevos "fenotipos") e identificar flujos de trabajo clínicos novedosos. Los ensayos controlados aleatorizados evalúan un tratamiento a la vez y en un solo momento, típicamente en el momento de la inscripción, y proporcionan un efecto de tratamiento promedio en una cohorte heterogénea de pacientes. Por otro lado, la IA/AA aplicada a los EHR podría simular la toma de decisiones secuenciales en diferentes momentos, inscribiendo a cada paciente que ha sido tratado o no tratado, con pocos criterios de exclusión y con menos deserción de estos individuos. Se han descrito varias aplicaciones basadas en EHR, aunque la mayoría no se han generalizado fuera de sus cohortes de desarrollo.

Conclusiones

Es necesario que científicos y clínicos, informáticos y especialistas de datos, grupos de defensa de pacientes, organizaciones de atención médica y responsables políticos desarrollen principios y guías de orientación para el desarrollo y la aplicación de la salud digital basada en IA/AA. Ya existen numerosas aplicaciones en las que las herramientas digitales basadas en IA/AA pueden mejorar el diagnóstico de enfermedades, extraer conocimientos sobre lo que hace que los pacientes individuales estén saludables y desarrollar tratamientos de precisión para enfermedades complejas.

Es imperativo implementar las herramientas de IA/AA y crear flujos de trabajo rentables y viables para la medicina de precisión basada en IA/AA que aborden las necesidades clínicas no satisfechas, cuya evidencia pueda ser probada de manera robusta en ensayos clínicos aleatorizados. Estos estudios deben ser diseñados de manera tal que se pueda evitar el sesgo y generar hallazgos generalizables a la totalidad de la población.