El sistema CSAIL utiliza la señal de ECG de un paciente para estimar el potencial de muerte cardiovascular.
prolongadas, y luego elegiría un curso de tratamiento.
RiskCardio tiene como objetivo mejorar ese primer paso de estimar el riesgo. Para hacer esto, el sistema separa la señal de un paciente en conjuntos de latidos consecutivos, con la idea de que la variabilidad entre latidos adyacentes indica un riesgo posterior. El sistema fue entrenado utilizando datos de un estudio de pacientes anteriores.
Para poner en marcha el modelo, el equipo primero separó la señal de cada paciente en una colección de latidos cardíacos adyacentes. Luego asignaron una etiqueta, es decir, si el paciente murió o no de muerte cardiovascular, a cada conjunto de latidos cardíacos adyacentes. Los investigadores entrenaron el modelo para clasificar cada par de latidos cardíacos adyacentes según el resultado del paciente: los latidos cardíacos de los pacientes que murieron se etiquetaron como «riesgosos», mientras que los latidos cardíacos de los pacientes que sobrevivieron se etiquetaron como «normales».
Dado un nuevo paciente, el equipo creó una puntuación de riesgo promediando la predicción del paciente de cada conjunto de latidos cardíacos adyacentes.
Dentro de los primeros 15 minutos de un paciente que experimentó un SCA, había suficiente información para estimar si sufriría o no muerte cardiovascular dentro de los 30, 60, 90 o 365 días.
Aún así, calcular una puntuación de riesgo solo a partir de la señal de ECG no es una tarea sencilla. Las señales son muy largas y, a medida que aumenta el número de entradas de un modelo, se vuelve más difícil aprender la relación entre esas entradas.
El equipo probó el modelo produciendo puntajes de riesgo para un conjunto de pacientes. Luego, midieron la probabilidad de que un paciente sufriera una muerte cardiovascular como paciente de alto riesgo en comparación con un conjunto de pacientes de bajo riesgo. Encontraron que en aproximadamente 1250 pacientes post-SCA, 28 morirían de muerte cardiovascular dentro de un año. Usando la puntuación de riesgo propuesta, 19 de esos 28 pacientes fueron clasificados como de alto riesgo.
En el futuro, el equipo espera hacer que el conjunto de datos sea más inclusivo para tener en cuenta las diferentes edades, etnias y géneros. También planean examinar escenarios médicos donde hay una gran cantidad de datos mal etiquetados o sin etiquetar, y evaluar cómo su sistema procesa y maneja esa información para dar cuenta de casos más ambiguos.
“El aprendizaje automático es particularmente bueno para identificar patrones, lo cual es muy relevante para evaluar el riesgo del paciente”, dice Shanmugam. “Los puntajes de riesgo son útiles para comunicar el estado del paciente, lo cual es valioso para tomar decisiones de atención eficientes”.
Shanmugam presentó el documento en la Conferencia Machine Learning for Healthcare junto con el estudiante de doctorado Davis Blalock y el profesor del MIT John Guttag.
