El primer trabajo para una evaluación automatizada de la hipertensión pulmonar en neonatos, mediante ecocardiogramas, lo han llevado a cabo científicos y clínicos suizos y alemanes. Es un paso importante, ya que se evita así el cateterismo cardíaco, que es la prueba de oro definitiva para confirmar esta disfunción.
En el estudio que divulga International Journal of Computer Vision, dirigido por Julia Vogt, de la ETH Zurich, con la colaboración del equipo del profesor Sven Wellmann, de KUNO Klinik St. Hedwig, del Hospital de la Orden de San Juan en Regensburg (Baviera, Alemania), la conclusión principal dice textualmente: “desarrollamos un enfoque automatizado y optimizado para ayudar a los médicos a evaluar la hipertensión pulmonar (HP) en recién nacidos mediante ecocardiografía (ECHO), lo que sigue siendo un desafío para los cardiólogos”.
Algunos bebés -particularmente aquellos que están muy enfermos o nacen prematuramente, recuerdan estos investigadores- sufren de hipertensión pulmonar, un trastorno grave en el que las arterias que van a los pulmones permanecen estrechas después del parto o se cierran nuevamente en los primeros días o semanas después del nacimiento. Esta situación restringe el flujo de sangre a los pulmones, reduciendo la cantidad de oxígeno en la sangre.
Además, la hipertensión pulmonar en neonatos y lactantes es una afección compleja asociada con varias enfermedades pulmonares, cardíacas y sistémicas que contribuyen a la morbilidad y la mortalidad.
Su detección temprana y precisa, así como la clasificación de su gravedad, es crucial para un tratamiento adecuado y exitoso. “Al utilizar la ecocardiografía, la principal herramienta de diagnóstico en pediatría, la evaluación humana requiere mucho tiempo y experiencia, lo que plantea la necesidad de un enfoque automatizado”, según los autores de este estudio.
Sólo los cardiólogos pediátricos experimentados pueden diagnosticar la hipertensión pulmonar basándose en un examen ecográfico completo del corazón. “La detección de la hipertensión pulmonar requiere mucho tiempo y de un cardiólogo con conocimientos muy específicos y muchos años de experiencia. Sólo las clínicas pediátricas más grandes tienden a tener esas habilidades a mano”, matiza el profesor Sven Wellmann.
El equipo suizo comenzó entrenando su algoritmo en centenares de grabaciones de vídeo tomadas de exámenes de ultrasonido de los corazones de un total de 192 recién nacidos. Este conjunto de datos también incluyó imágenes en movimiento del corazón latiendo, tomadas desde diferentes ángulos, así como diagnósticos realizados por cardiólogos pediátricos experimentados (si hay hipertensión pulmonar presente o no) y una evaluación de la gravedad de la enfermedad (“leve” o “moderada a grave”).
Para determinar el éxito del algoritmo en la interpretación de las imágenes, los investigadores agregaron posteriormente un segundo conjunto de datos de imágenes de ultrasonido de 78 neonatos, que el modelo nunca había visto antes.
El modelo sugirió el diagnóstico correcto entre el 80 y el 90 % de los casos y pudo determinar el nivel correcto de gravedad de la enfermedad en alrededor del 65 al 85 % de los casos.
Para la doctora Vogt, “la clave para utilizar un modelo de aprendizaje automático en un contexto médico no es sólo la precisión de la predicción, sino también si los humanos son capaces de comprender los criterios que utiliza el modelo para tomar decisiones”.
Su modelo hace esto posible resaltando las partes de la imagen ecográfica en las que se basa su categorización. Esto permite a los clínicos ver exactamente qué áreas o características del corazón y sus vasos sanguíneos el modelo considera sospechosas.
Cuando los cardiólogos pediátricos examinaron los conjuntos de datos, descubrieron que el modelo tiene en cuenta las mismas características que ellos, aunque no estaba programado explícitamente para hacerlo.
Este modelo de aprendizaje automático podría aplicarse a otros órganos y enfermedades; por ejemplo, para diagnosticar defectos del tabique cardíaco o valvulopatías.
También podría ser útil en regiones donde no hay especialistas disponibles: un profesional de la salud podría tomar imágenes de ultrasonido estandarizadas y el modelo podría proporcionar una evaluación de riesgos preliminar y una indicación de si se debe consultar a un especialista.
Los centros médicos que sí tienen acceso a especialistas altamente cualificados podrían utilizar el modelo para aliviar su carga de trabajo y ayudar a alcanzar un diagnóstico mejor y más objetivo.
“La IA tiene el potencial de realizar mejoras significativas en la atención sanitaria. La cuestión crucial para nosotros es que la decisión final siempre la tome una persona, un médico. La IA simplemente debería ofrecer apoyo para garantizar que el máximo número de personas pueda recibir la mejor atención médica posible”, termina la doctora Vogt.