La UVA desarrolla una IA para mejorar el diagnóstico cardiaco a partir del electrocardiograma

En un largo trozo de papel, una serie de líneas sobre una cuadrícula que recogen la actividad eléctrica del corazón. Para el paciente, ese electrocardiograma (ECG) es indescifrable, pero para un ojo experto es como leer cualquier manuscrito. Pero no siempre es fácil, y aquí es donde entra en valor la Inteligencia Artificial (IA), y concretamente la última metodología desarrollada por la Universidad de Valladolid (UVA) que permite explicar al médico "el por qué se llega a determinadas conclusiones de una forma compresible".

Así lo resume en palabras no muy complejas Cristina Rueda, investigadora de la UVA, quien ha colaborado con Yolanda Larriba y otros expertos internacionales para consolidar una línea de investigación pionera en análisis de señales biomédicas iniciada en 2021 y que ya ha sido publicado en la revista científica Biomedical Signal Processing and Control.

En una época en que las enfermedades cardiacas siguen siendo uno de los problemas de salud más letales del mundo, el ECG no ha perdido su papel clave para evaluar la función cardiaca de una forma no invasiva, a pesar de tener más de un siglo de antigüedad. Un "estándar de oro en la práctica clínica habitual y la evaluación cardiaca", como resaltan en la publicación científica, que se combina cada vez más con métodos de IA para mejorar su utilidad.

Pero si la IA ya está más que extendida cuando procede evaluar un ECG, no siempre ofrecen una conclusión concreta. "Muchos modelos de Inteligencia Artificial pueden analizar este tipo de señales, pero funcionan como cajas negras, es decir, dan un resultado sin explicar claramente cómo han llegado a él", explica Rueda, que desentraña a continuación el objetivo de la investigación: "Desarrollar un modelo que no sólo detecte enfermedades cardiacas, sino que además explique por qué llega a determinadas conclusiones de una forma comprensible para el médico".

En la práctica, los parámetros del innovador modelo de la UVA son muy similares a los que un especialista analiza cuando interpreta manualmente un ECG. Y tampoco varía el punto de partida, de forma que se siguen colocando electrodos en la piel del paciente para capturar señales de las cuatro cámaras del corazón (dos aurículas y dos ventrículos) y medir la actividad eléctrica desde diferentes ángulos. 

Si un latido típico de ECG se compone de cinco ondas primordiales -P, QRS, T-, su interpretación es "inherentemente compleja". No obstante, el modelo denominado 3DFMMecg en el que la UVA lleva trabajando cinco años permite descomponer  las señales del ECG generando variables con significado clínico directo. "Las ecuaciones de este modelo permiten describir las curvas del ECG con gran precisión y tienen una base fisiológica relacionada con la forma en que la señal eléctrica se conduce a través del corazón", apunta  Cristina Rueda.

Rueda aclara que “en el contexto actual, muchos sistemas de inteligencia artificial funcionan como ‘cajas negras’, generando diagnósticos sin que médicos ni pacientes puedan comprender qué información concreta ha conducido a esa conclusión". Al contrario, el modelo 3DFMMecg, propuesto en la investigación, se distingue por su enfoque caja blanca al ofrecer un representación tridimensional de la señal del ECG e identificar qué características del ECG sustentan cada decisión, con "más trasparencia, trazabilidad y confianza durante su uso clínico".

"Primero describimos el ECG mediante un modelo matemático muy preciso, cuyos parámetros tienen una interpretación fisiológica. Esos parámetros son los que utiliza después la inteligencia artificial para hacer el diagnóstico Eso permite que el sistema no solo haga una predicción, sino que también explique qué aspectos de la señal han llevado a ese diagnóstico, lo que facilita que el médico pueda interpretarlo y confiar en el resultado de la decisión", desarrolla la investigadora de la UVA.

Con el sistema desarrollado por la UVA se logran las probabilidades asociadas a cada posible anomalía cardiaca, con niveles de precisión "muy competitivos", asegura Rueda. "De hecho, obtiene mejores resultados que modelos basados en otros conjuntos de características y, en algunos casos, incluso supera a modelos más complejos y completamente opacos, manteniendo la ventaja de ser interpretable", añade al respecto. Así, los resultados muestran valores de macro-AUC entre 0,88 y 0,95 según la tarea diagnóstica, superando a otros métodos basados en variables en cuatro de las seis categorías analizadas después de haber sido  validado utilizando la base de datos internacional PTB-XL+, que incluye más de 21.000 electrocardiogramas anotados por cardiólogos.

"En el diagnóstico, podría ayudar a automatizar análisis preliminares del ECG, detectar patrones que podrían pasar desapercibidos y priorizar casos urgentes que necesiten una revisión más rápida, etc..  Pero nuestro modelo no solo puede utilizarse para ayudar en el diagnóstico, sino también para analizar con más detalle la dinámica de la conducción eléctrica del corazón. Esto abre la puerta a identificar alteraciones en la propagación de la señal eléctrica e incluso, en el futuro, a adaptar o personalizar ciertos tratamientos en función de las características del ECG del paciente", expresa Rueda.

Sin embargo, la catedrática destaca que con este estudio no buscan sustituir al profesional sanitario, sino reforzar su capacidad de decisión, "ya que el médico puede entender y evaluar el razonamiento del sistema antes de incorporarlo a su criterio clínico". Esta dimensión resulta especialmente relevante en ámbitos donde las decisiones automatizadas tienen un impacto directo sobre las personas.

La última innovación de la UVA demuestra  el peso que puede tener la IA en muchos aspectos cotidianos de la vida, entre ellos la medicina. "En cardiología probablemente veremos diagnósticos más rápidos, sistemas de ayuda a la decisión mucho más avanzados y una mayor monitorización continua de los pacientes. El impacto será muy grande tanto en el diagnóstico médico como en muchos otros ámbitos", concluye Rueda, que si bien apunta que el modelo necesita ser validado con muchas más bases de datos y contextos clínicos, el paso "más importante" es "ganarse la confianza de los expertos, tanto desarrolladores de IA como médicos".