Uso de IA en la predicción del riesgo cardiometabólico en indios asiáticos

AI es un término que engloba el aprendizaje automático (ML), el aprendizaje profundo, el aprendizaje supervisado, el aprendizaje no supervisado, las redes neuronales artificiales (ANN) y las redes neuronales convolucionales (CNN). Un componente esencial de AI, ML, se usa cada vez más en aplicaciones de atención médica (Shah, Patel y Bharti, 2020), ya que es un campo interdisciplinario que utiliza técnicas para permitir que las computadoras examinen conjuntos de datos sin programación explícita. ML implica el desarrollo de un modelo o algoritmo mediante la extracción cuidadosa de características esenciales de los datos de entrenamiento que se utilizan para fines de prueba. Los datos de prueba se utilizan para hacer predicciones sobre problemas de investigación. ML se puede resumir efectivamente como: extracción de características, selección de técnicas para el análisis de datos, entrenamiento del nuevo modelo y evaluación de su eficacia, y hacer predicciones usando el modelo entrenado. El aprendizaje supervisado y no supervisado son formas de aprendizaje automático. En el aprendizaje supervisado, los conjuntos de datos conocidos se utilizan para comprender los patrones en los conjuntos de datos, mientras que en el aprendizaje no supervisado, los conjuntos de datos no etiquetados se utilizan para comprender los datos (Mathur et al., 2020).

Las estructuras de aprendizaje profundo utilizan numerosas capas de computación. DL se utiliza principalmente para procesar grandes conjuntos de datos sin procesar. En ANN, múltiples algoritmos de aprendizaje automático trabajan juntos y procesan entradas de datos, pero en CNN, existen nodos ocultos en capas para información, datos complejos y procesamiento de imágenes. Con el rápido avance en IA, ML y DL, los programas de computadora pueden simular de manera efectiva la actividad neuronal de la neocorteza del cerebro, donde el razonamiento, el pensamiento y las funciones cognitivas tienen lugar a un ritmo acelerado (Mathur et al., 2020).

En el campo de la medicina cardiovascular, la IA tiene amplias aplicaciones en la farmacoterapia, la farmacogenómica, la insuficiencia cardíaca, los estudios de imagen y el diagnóstico. Es importante destacar que la IA tiene la capacidad de proporcionar mecanismos para aplicar la medicina de precisión y los grandes datos en la medicina, al tiempo que mejora la eficacia del régimen de tratamiento recomendado por el cardiólogo. Además, los algoritmos AI/ML pueden analizar datos sin suposiciones con fines de predicción y clasificación. Por lo tanto, la medicina cardiovascular puede beneficiarse notablemente de la incorporación y la utilización juiciosa de la IA (Romiti et al., 2020).

Los trastornos cardiometabólicos (CMD), incluidos el infarto de miocardio, el accidente cerebrovascular y la diabetes mellitus tipo 2 (T2DM), están relacionados con una mayor morbilidad y mortalidad, y se sabe que el estilo de vida y el nivel de ejercicio de un individuo son factores de riesgo significativos para ECV. Esto es especialmente cierto para los pacientes que pasan períodos considerables de tiempo haciendo trabajos sedentarios, tienen movilidad limitada o les resulta difícil mantener cantidades aceptables de ejercicio, y mucho menos alcanzar los niveles moderados a vigorosos recomendados para la salud cardiometabólica (Landry et al. , 2022).

Los indios asiáticos son uno de los grupos étnicos de mayor crecimiento en el mundo y tienen una de las tasas más altas de enfermedades cardiovasculares (CVD), incluida la DM2 (Van Niel et al., 2021) y la enfermedad de las arterias coronarias (incluidos los principales eventos cardiovasculares adversos o MACE) . Se han identificado varias causas de ECV, como la adopción de patrones y hábitos dietéticos occidentales, predisposición genética, desequilibrio en las lipoproteínas y obesidad abdominal. Ciertas influencias perinatales también se consideran posibles contribuyentes.

El alto consumo de ácidos grasos poliinsaturados omega-6 y grasas saturadas se correlaciona significativamente con la hiperinsulinemia en ayunas y la inflamación subclínica. Tales dietas desequilibradas contribuyen a la alta prevalencia de resistencia a la insulina, síndrome metabólico y DM2 en indios asiáticos (Isharwal, Misra, Wasir & Nigam, 2009). Además, los factores genéticos, culturales y socioeconómicos también han resultado en esta crisis de atención médica. Los estudios han demostrado consistentemente que los indios asiáticos tienen una alta prevalencia de resistencia a la insulina, lo que aumenta su tendencia a desarrollar DM2 y CVD a una edad más temprana en comparación con personas de otras etnias (Misra & Vikram, 2004). Las razones importantes podrían ser su exceso de grasa corporal y patrones adversos de grasa corporal, incluida la adiposidad abdominal, incluso cuando el índice de masa corporal se encuentra dentro de los límites normales actualmente definidos. Algunas de estas características se han informado al nacer y en la niñez.

La Asociación Estadounidense de Diabetes (ADA, por sus siglas en inglés) ha reducido el límite del IMC (en comparación con los caucásicos) para la detección de T2DM en los asiáticos del sur. Algunos de los problemas encontrados son: variabilidad en la estratificación del riesgo clínico; falta de pautas establecidas para la imagenología de la aterosclerosis y escasez de datos para la formulación de pautas clínicas significativas en personas de etnia india asiática.

La población de indios asiáticos está aumentando en los Estados Unidos a un ritmo acelerado (Gujral & Kanaya, 2021). Un estudio de investigación reciente de la American Heart Association (AHA) destaca la prevalencia y la mortalidad cada vez mayores asociadas con las ECV en este grupo étnico, a las que contribuye principalmente la resistencia a la insulina y el aumento de la incidencia de DM2. Los indios son representativos de un grupo muy exitoso de inmigrantes con mayores ingresos y mejores indicadores sociales y económicos. Los datos preliminares obtenidos de este estudio basado en IA permitirán a nuestro equipo obtener los fondos necesarios para la investigación prospectiva a largo plazo en este campo.