Aprendizaje automático para aumentar el diagnóstico temprano de afecciones cardiovasculares agudas (MALBEC)

Estado actual de investigación en el campo

La enfermedad cardiovascular aguda (ACVD) es la principal causa de muerte en Suiza y Europa, responsable de el 29% de las muertes en Suiza y el 36% en Europa. La creciente prevalencia de ACVD, incluido el infarto agudo de miocardio (AMI), la insuficiencia cardíaca aguda (AHF), la embolia pulmonar (PE) y los síndromes aórticos agudos (AA), impone una carga significativa para los sistemas de atención médica. Diagnosticar estas afecciones en los departamentos de emergencias (EDS) es un desafío debido a los síntomas superpuestos y a la necesidad de una toma de decisiones rápida y precisa.

La introducción de biomarcadores cardiovasculares, incluida la troponina cardíaca de alta sensibilidad, el péptido natriurético de tipo B y el dímero D ha revolucionado el diagnóstico temprano. Estos biomarcadores, junto con evaluaciones clínicas y electrocardiogramas (ECG), ahora son herramientas de diagnóstico esenciales. Sin embargo, los algoritmos de diagnóstico actuales aún tienen limitaciones enormes.

Los avances recientes en el aprendizaje automático (ML) y el aprendizaje profundo (DL) ofrecen oportunidades para mejorar el diagnóstico. La interpretación de ECG basada en ML y las técnicas de aprendizaje transferible profundo (DTL) podrían mejorar la precisión del diagnóstico mediante la integración de datos complejos de ECG y biomarcadores. Los enfoques AUTOML pueden refinar aún más estos modelos, reduciendo el error humano y mejorando los flujos de trabajo clínicos.

El equipo de investigación ha realizado múltiples estudios a gran escala que conducen a avances significativos en la investigación de biomarcadores cardiovasculares y la medicina de precisión. Sus contribuciones incluyen:

• Validación del modelo MI3, que utiliza ML para mejorar NSTEMI
• Introducción de la puntuación de ECG de Basilea, una herramienta cuantitativa que mejora el diagnóstico de NSTEMI.
• Validación de Code-ACS, una herramienta de soporte de decisiones clínicas basadas en ML que predice la probabilidad de NSTEMI de manera más efectiva que los umbrales de troponina cardíaca estándar.

El equipo ahora se centra en integrar los datos de ECG con biomarcadores que utilizan AI/ML para mejorar la precisión y automatizar la toma de decisiones. La colaboración con expertos internacionales ha permitido la aplicación exitosa de redes neuronales a la interpretación de ECG. Los siguientes pasos incluyen:

• Refinar la interpretación de ECG basada en ML para incorporar efectos no aditivos.
• Expandir modelos ML para incluir múltiples condiciones cardiovasculares más allá de AMI.
• Integrando estas herramientas impulsadas por la IA en flujos de trabajo clínicos y registros de salud electrónicos.

Esta investigación tiene como objetivo revolucionar el diagnóstico cardiovascular al aprovechar la IA y ML para una toma de decisiones más precisa, más rápida y clínicamente relevante.

Objetivos:

1. Desarrollar e implementar una herramienta de soporte de decisiones clínicas que visualice datos de diagnóstico clave.
2. Entrene y valida los modelos ML para diagnosticar enfermedades cardiovasculares agudas (ACVD).
3. Compare el rendimiento del modelo ML con los algoritmos de diagnóstico existentes.
4. Validar modelos ML en grandes ensayos clínicos internacionales.
5. Integre los modelos ML en el registro electrónico de pacientes en el Hospital Universitario Basilea.