Un algoritme és capaç de predir la mort i l'atac de cor amb més del 90% de precisió

L’aprenentatge automàtic està superant els humans per predir la mort o un atac al cor. Aquest és el missatge principal d’un estudi que es presenta aquest diumenge en la Conferència Internacional sobre Cardiologia Nuclear i TC Cardíaca (ICNC, per les seves sigles en anglès), coorganitzada per la Societat Americana de Cardiologia Nuclear (ASNC), l’Associació Europea d’Imatges Cardiovasculars (EACVI) de la Societat Europea de Cardiologia (ESC) i l’Associació Europea de Medicina Nuclear (EANM).

A l’analitzar repetidament 85 variables en 950 pacients amb resultats coneguts de sis anys, un algoritme "va aprendre" com interactuen les dades d’imatges. Després va identificar els patrons que correlacionen les variables amb la mort i l’atac de cor amb més del 90% de precisió.

L’aprenentatge automàtic, la base moderna de la intel·ligència artificial (IA), s’utilitza cada dia. El motor de cerca de Google, el reconeixement facial als telèfons intel·ligents, els cotxes que condueixen per si mateixos, els sistemes de recomanació de Netflix i Spotify utilitzen algoritmes d’aprenentatge automàtic per adaptar-se a l’usuari individual. 

Tractament personalitzat

L’autor de l’estudi, el doctor Luis Eduardo Juárez-Orozco, del Centre de PET de Turku, Finlàndia, diu: "Aquests avenços van molt més enllà del que s’ha fet en medicina, en què hem de ser cautelosos sobre com avaluem el risc i els resultats. Tenim les dades, però encara no les estem utilitzant en tot el seu potencial". 

Els metges fan servir les puntuacions de risc per prendre decisions de tractament, però aquestes puntuacions es basen només en un grapat de variables i, sovint, tenen una precisió modesta en pacients individuals. Mitjançant la repetició i l’ajustament, l’aprenentatge automàtic pot explotar grans quantitats de dades i identificar patrons complexos que poden no ser evidents per als humans. 

"Als humans els costa molt pensar en més de tres dimensions (un cub) o quatre dimensions (un cub a través del temps). En el moment en què saltem a la cinquena dimensió estem perduts. El nostre estudi demostra que els patrons d’alta dimensió són més útils que els patrons d’una sola dimensió per predir resultats en individus i per a això necessitem aprenentatge automàtic", diu el doctor Juárez-Orozco. 

950 pacients amb dolor toràcic

L’estudi va incloure 950 pacients amb dolor toràcic que es van sotmetre al protocol habitual del centre per detectar una malaltia de l’artèria coronària. Una exploració coronària per angiografia per tomografia computarizada (CCTA) va produir 58 dades de la presència de placa coronària, estrenyiment de vasos i calcificació. 

Aquells amb exploracions que suggerien malaltia es van sotmetre a una tomografia per emissió de positrons (TEP) que va produir 17 variables en el flux sanguini. Es van obtenir deu variables clíniques a partir de registres mèdics, incloent-hi sexe, edat, tabaquisme i diabetis. 

Durant un seguiment de mitjana de sis anys, hi va haver 24 atacs de cor i 49 morts per qualsevol causa. Les 85 variables es van posar en un algoritme d’aprenentatge automàtic anomenat LogitBoost, que les va analitzar una vegada i una altra fins que va trobar la millor estructura per predir qui va tenir un atac de cor o va morir. 

Patrons d’alta dimensió

"L’algoritme aprèn progressivament de les dades i, després de nombroses rondes d’anàlisi, determina els patrons d’alta dimensió que s’han d’utilitzar per identificar de manera eficient els pacients que ho pateixen. El resultat és una puntuació de risc individual", explica el doctor Juárez-Orozco. 

Notícies relacionades

Radioteràpia per curar les arrítmies

Pluja d’estrelles abril 2023: ¿quan i com veure els Lírids?

El rendiment predictiu utilitzant només les deu variables clíniques (similar a la pràctica clínica actual) va ser modest, amb una àrea sota la corba (AUC) de 0,65 (on 1 és una prova perfecta i 0,5 és un resultat aleatori). Quan es van afegir dades de PET, l’AUC va augmentar 0,69. El rendiment predictiu va pujar significativament (p = 0,005) quan es van sumar les dades de CCTA a les dades clíniques i de PET, cosa que va donar un AUC 0,82 i una precisió de més del 90%. 

"Els metges ja recopilen molta informació sobre els pacients, per exemple, els que tenen mal de pit. Descobrim que l’aprenentatge automàtic pot integrar aquestes dades i predir amb precisió el risc individual. Això ens hauria de permetre personalitzar el tractament i, en última instància, portar a millors resultats per als pacients", conclou el doctor Juárez-Orozco.