Español 
English
Français
Deutsch
Italiano
Português
日本語
한국어
Русский
La inteligencia artificial automatiza el diagnóstico de la enfermedad valvular cardíaca grave
Aug 23, 2023
Investigadores del Laboratorio de Ciencia de Datos Cardiovasculares (CarDS) han desarrollado un enfoque novedoso que puede detectar una enfermedad valvular cardíaca común conocida como estenosis aórtica grave a partir de ecografías del corazón. El estudio, publicado el 23 de agosto en la revista European Heart Journal, podría tener implicaciones para la atención clínica de rutina.
La estenosis aórtica grave, o EA, es un trastorno de salud importante, especialmente entre los adultos mayores, causado por un estrechamiento de la válvula aórtica. El diagnóstico temprano puede permitir intervenciones para aliviar los síntomas y reducir el riesgo de hospitalización y muerte prematura. La ecografía especializada del corazón, llamada ecocardiografía Doppler, es la prueba principal para detectar la EA. El equipo desarrolló un modelo de aprendizaje profundo que puede utilizar ecografías cardíacas más simples para detectar automáticamente la EA grave.
La tecnología fue desarrollada por el autor principal del estudio, Rohan Khera, MD, MS, profesor asistente de medicina cardiovascular e informática de la salud y director del Laboratorio CarDS, junto con colegas del Departamento de Ingeniería Eléctrica e Informática de la Familia Chandra de la Universidad de Texas en Austin. El trabajo incorporó 5.257 estudios que incluyeron 17.570 videos entre 2016 y 2020 en el Hospital Yale New Haven. El modelo fue validado externamente por 2.040 estudios consecutivos de diferentes cohortes en Nueva Inglaterra y California.
“Nuestro desafío es que la evaluación precisa de la EA es crucial para el manejo del paciente y la reducción del riesgo. Si bien las pruebas especializadas siguen siendo el estándar de oro, confiar en aquellos que llegan a nuestros laboratorios de ecocardiografía probablemente pasa por alto a las personas en las primeras etapas de su enfermedad”, dijo Khera.
"Nuestro objetivo era desarrollar un enfoque de aprendizaje automático que fuera adecuado para la detección por ultrasonido en el lugar de atención", dijo el coprimer autor del estudio, Evangelos Oikonomou, MD, DPhil, becario de cardiología y actual investigador postdoctoral en el laboratorio CarDS. .
Su trabajo permite la detección temprana de la estenosis aórtica para que los pacientes puedan recibir atención oportuna. “Nuestro trabajo puede permitir una detección comunitaria más amplia de la EA, ya que los ultrasonidos portátiles se pueden utilizar cada vez más sin la necesidad de equipos más especializados. Ya se utilizan con frecuencia en los departamentos de emergencia y en muchos otros entornos de atención”, añadió Khera.
El avance es el resultado de una estrecha colaboración entre investigadores clínicos e informáticos. Greg Holste, estudiante de doctorado en UT Austin co-asesorado por Khera, dirigió el desarrollo de una metodología innovadora que permitió la tecnología y fue uno de los primeros autores del estudio. "Para permitir un desarrollo práctico que aproveche la tecnología emergente para mejorar la atención clínica, esta colaboración multidisciplinaria es esencial", enfatizó Khera.
Este estudio fue financiado en parte por una subvención del premio K23HL153775 del Instituto Nacional del Corazón, los Pulmones y la Sangre de los Institutos Nacionales de Salud.
Investigadores del Laboratorio de Ciencia de Datos Cardiovasculares (CarDS) han desarrollado un enfoque novedoso que puede detectar una enfermedad valvular cardíaca común conocida como estenosis aórtica grave a partir de ecografías del corazón. El estudio, publicado el 23 de agosto en la revista European Heart Journal, podría tener implicaciones para la atención clínica de rutina.
La estenosis aórtica grave, o EA, es un trastorno de salud importante, especialmente entre los adultos mayores, causado por un estrechamiento de la válvula aórtica. El diagnóstico temprano puede permitir intervenciones para aliviar los síntomas y reducir el riesgo de hospitalización y muerte prematura. La ecografía especializada del corazón, llamada ecocardiografía Doppler, es la prueba principal para detectar la EA. El equipo desarrolló un modelo de aprendizaje profundo que puede utilizar ecografías cardíacas más simples para detectar automáticamente la EA grave.
La tecnología fue desarrollada por el autor principal del estudio, Rohan Khera, MD, MS, profesor asistente de medicina cardiovascular e informática de la salud y director del Laboratorio CarDS, junto con colegas del Departamento de Ingeniería Eléctrica e Informática de la Familia Chandra de la Universidad de Texas en Austin. El trabajo incorporó 5.257 estudios que incluyeron 17.570 videos entre 2016 y 2020 en el Hospital Yale New Haven. El modelo fue validado externamente por 2.040 estudios consecutivos de diferentes cohortes en Nueva Inglaterra y California.
“Nuestro desafío es que la evaluación precisa de la EA es crucial para el manejo del paciente y la reducción del riesgo. Si bien las pruebas especializadas siguen siendo el estándar de oro, confiar en aquellos que llegan a nuestros laboratorios de ecocardiografía probablemente pasa por alto a las personas en las primeras etapas de su enfermedad”, dijo Khera.
"Nuestro objetivo era desarrollar un enfoque de aprendizaje automático que fuera adecuado para la detección por ultrasonido en el lugar de atención", dijo el coprimer autor del estudio, Evangelos Oikonomou, MD, DPhil, becario de cardiología y actual investigador postdoctoral en el laboratorio CarDS. .
Su trabajo permite la detección temprana de la estenosis aórtica para que los pacientes puedan recibir atención oportuna. “Nuestro trabajo puede permitir una detección comunitaria más amplia de la EA, ya que los ultrasonidos portátiles se pueden utilizar cada vez más sin la necesidad de equipos más especializados. Ya se utilizan con frecuencia en los departamentos de emergencia y en muchos otros entornos de atención”, añadió Khera.
El avance es el resultado de una estrecha colaboración entre investigadores clínicos e informáticos. Greg Holste, estudiante de doctorado en UT Austin co-asesorado por Khera, dirigió el desarrollo de una metodología innovadora que permitió la tecnología y fue uno de los primeros autores del estudio. "Para permitir un desarrollo práctico que aproveche la tecnología emergente para mejorar la atención clínica, esta colaboración multidisciplinaria es esencial", enfatizó Khera.
Este estudio fue financiado en parte por una subvención del premio K23HL153775 del Instituto Nacional del Corazón, los Pulmones y la Sangre de los Institutos Nacionales de Salud.