La resonancia magnética, el ecocardiograma tridimensional, la tomografía cardíaca y la medicina nuclear, con uno de sus estudios más representativos como es la tomografía por emisión de positrones (PET por sus siglas en inglés), constituyen los métodos más avanzados en diagnóstico por imágenes cardiovasculares. Su correcta utilización permite detectar patologías en estadios subclínicos (antes que den síntomas) y un seguimiento no invasivo.
“La utilidad de las imágenes cardiovasculares se extiende a numerosas patologías: miocardiopatías, cardiopatía isquémica, valvulopatías, enfermedad vascular y de aorta, enfermedad del pericardio, cardiopatías congénitas del adulto y estudio de arritmias, entre otras”, subrayó el Dr. Santiago del Castillo, médico cardiólogo, Presidente del Comité Organizador del IX Congreso IMÁGENES.21, organizado recientemente en nuestro país por la Sociedad Argentina de Cardiología y el Consejo de Medicina Nuclear, encuentro que contó con la participación de destacados especialistas nacionales e internacionales.
“Actualmente casi no existen patologías cardiovasculares en las que no se utilicen métodos de imágenes. Desde la prevención primaria hasta el tratamiento de enfermedades avanzadas requieren el uso complementario de éstas con criterio clínico para guiar la terapéutica. Por dar un ejemplo, en pacientes con colesterol elevado (dislipemia), el eco Doppler de vasos de cuello y el Doppler arterial de miembros inferiores constituyen herramientas que permiten detectar la aterosclerosis en estadios precoces, realizar un correcto tratamiento y evitar consecuencias graves. Ahora, si a esto se le suma la Inteligencia Artificial (IA), realmente el resultado en materia diagnóstica puede ser excepcional”, afirmó por su parte la Dra. María Celeste Carrero, miembro titular de la Sociedad Argentina de Cardiología y Vicepresidente del Comité Científico del Congreso.
En el campo de las imágenes cardiovasculares, se está dando una verdadera revolución. La aplicación de inteligencia artificial (IA) permite aumentar la productividad, obtener más precisión, acelerar el flujo de trabajo con la rápida identificación de patrones diagnósticos y sistematizar cada vez más tareas rutinarias. Por ejemplo, ya se dispone de programas que permiten identificar de manera automática en tomografías cardíacas el calcio en las arterias coronarias, esto posibilita calcular el score de calcio y predecir el riesgo de síndrome coronario agudo. Posteriormente, el profesional médico hará la validación de lo interpretado por los softwares, lo cual permitirá reducir los tiempos y aumentar la especificidad diagnóstica.
“Las enfermedades cardiovasculares son, en conjunto, la principal causa de muerte en el mundo y las imágenes han permitido llegar al diagnóstico de muchas de ellas en forma precoz y precisa, contribuyendo a seleccionar cada vez mejor a los pacientes que se beneficiarán de las terapéuticas. El avance tecnológico es constante y tanto los métodos diagnósticos como los tratamientos evolucionan permanentemente”, señaló el Dr. Federico Cintora, Presidente del Comité Científico del Congreso ‘IMÁGENES.21’.
Sin embargo, más allá de todos estos avances en materia diagnóstica, que los celebramos, es muy importante tener presente que la mejor prevención de enfermedad cardiovascular es controlando los factores de riesgo como la hipertensión arterial, la dislipemia, el tabaquismo, la obesidad y la diabetes, además de realizar los controles de salud periódicos”, insistió el Dr. del Castillo.
Durante el congreso se tratarán los avances tecnológicos de técnicas muy diversas como el ultrasonido, la tomografía, la resonancia magnética y la medicina nuclear. Todas han tenido avances vertiginosos en las últimas décadas. Un aspecto común a muchas de ellas, y de gran actualidad, es la introducción de inteligencia artificial en todos los niveles del proceso de diagnóstico. De hecho, universidades e instituciones médicas argentinas presentaron sus trabajos en el reciente encuentro exaltando la utilidad de la aplicación de inteligencia artificial al procesamiento de imágenes de resonancia cardíaca y tomografía computada.
Ya en 2017, el uso de la IA mostró un elevado valor predictivo: un estudio realizado en el Reino Unido[1] que analizó más de 370 mil historias clínicas electrónicas mostró que mediante el uso de la IA se podía reconocer patrones que podían aumentar el riesgo cardiovascular en estos pacientes.
Según la investigación, los enfoques establecidos para la evaluación del riesgo de enfermedad cardiovascular (ECV), como el recomendado por la American Heart Association (AHA) y el American College of Cardiology (ACC), predicen el riesgo futuro de ECV basándose en factores de riesgo bien establecidos como hipertensión, colesterol, edad, tabaquismo y diabetes. Se han reconocido las asociaciones etiológicas entre estos factores de riesgo con las ECV y éstas se encuentran dentro de la mayoría de las herramientas de predicción del riesgo[2],[3],[4],[5]. No obstante, sostiene la investigación, ‘sigue habiendo un gran número de personas en riesgo de ECV que no son identificadas por estas herramientas, mientras que hay quienes no están en riesgo y reciben tratamiento preventivo innecesariamente’.
Por ejemplo, aproximadamente la mitad de los infartos de miocardio y de los accidentes cerebrovasculares ocurrirán en personas que no se prevé que tengan riesgo de enfermedad cardiovascular[6].
En este estudio, se entrenó a cuatro sistemas de inteligencia artificial para que reconocieran patrones que podían aumentar el riesgo cardiovascular en los pacientes estudiados. Posteriormente, se les solicitó que emitieran un pronóstico a 10 años y se los comparó con los eventos efectivamente ocurridos en esa cohorte. Las máquinas acertaron el riesgo superando en casi un 4% al score usado habitualmente por los médicos[7].
Además de su utilidad en la predicción de riesgo, la inteligencia artificial avanza rápidamente en el campo de las imágenes cardíacas en tareas de análisis y automatización de la extracción de información relevante. Según detalló el Dr. Cintora, mediante técnicas de visión por computadora (Computer Vision en inglés) es posible entrenar sistemas computacionales conocidos como redes neurales convolucionales para que identifiquen automáticamente el corazón, detecten cada una de sus estructuras, las delimiten y realicen cálculos como la medición del tamaño de las cavidades, identificación de calcio y fibrosis en los tejidos, o analicen la función ventricular.
“Estas tareas habitualmente son hechas por especialistas entrenados e insumen mucho tiempo, mientras que los sistemas automáticos pueden hacerlo en segundos o fracciones de segundo, con gran precisión y en general con menor variabilidad que la que surge de comparar la misma tarea realizada por dos expertos. Creemos que esta aplicación de inteligencia artificial va a ser determinante en la eficiencia de los servicios de diagnóstico por imágenes al corto plazo”, aseguró el Dr. Cintora.
La detección oportuna de las afecciones coronarias es crítica, sobre todo si se toma en cuenta que en nuestro país la mortalidad causada por enfermedades cardiovasculares es significativa, con más de 95 mil decesos registrados en 2018, de acuerdo al último informe del Ministerio de Salud de la Nación[8].
“Nuestro desafío es actualizar el conocimiento de la comunidad médica para lograr un uso cada vez más racional y eficiente de las técnicas de imagen, a fin de mejorar el impacto de éstas en la salud de la población. Desde la Sociedad Argentina de Cardiología, buscamos contribuir a la disminución de la mortalidad cardiovascular en el país (esto es el llamado Objetivo 25×25: 25% de reducción para el año 2025) y uno de los medios para lograr ese objetivo es el correcto diagnóstico a través de métodos complementarios como las imágenes y el uso de la inteligencia artificial”, concluyó el Dr. Cintora.
[1] Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N (2017) ¿Puede el aprendizaje automático mejorar la predicción del riesgo cardiovascular utilizando datos clínicos de rutina? PLoS ONE 12 (4): e0174944. https://doi.org/10.1371/journal.pone.0174944
[2] Goff DC, Lloyd-Jones DM, Bennett G, Coady S, D’Agostino RB, Gibbons R, et al. 2013 ACC / AHA Guideline on the Assessment of Cardiovascular Risk: A Report of the American College of Cardiology / American Heart Association Task Force on Practice Guidelines. Circulación 2013; 135 (11): 1–50.
[3] Hippisley-Cox J, Coupland C, Vinogradova Y, Robson J, Minhas R, Sheikh A, et al. Predicción del riesgo cardiovascular en Inglaterra y Gales: derivación prospectiva y validación de QRISK2. BMJ 2008; 336 (7659): 1475–82. pmid: 18573856
[4] D’Agostino RB, Vasan RS, Pencina MJ, Wolf PA, Cobain M, Massaro JM, et al. Perfil de riesgo cardiovascular general para uso en atención primaria: el estudio cardíaco de Framingham. Circulación 2008; 117 (6): 743–53. pmid: 18212285
[5] Ridker P, Buring JE, Rifai N, Cook NR. Desarrollo y validación de algoritmos mejorados para la evaluación del riesgo cardiovascular global en mujeres: la puntuación de riesgo de Reynolds. JAMA 2007; 297 (6): 611–9. pmid: 17299196
[6] Ridker PM, Danielson E, Fonseca FAH, Genest J, Gotto AM, Kastelein JJP, et al. Rosuvastatina para prevenir eventos vasculares en hombres y mujeres con proteína C reactiva elevada. Revista de Medicina de Nueva Inglaterra 2008; 359 (21): 2195–207. pmid: 18997196
[7] Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N (2017) ¿Puede el aprendizaje automático mejorar la predicción del riesgo cardiovascular utilizando datos clínicos de rutina? PLoS ONE 12 (4): e0174944. https://doi.org/10.1371/journal.pone.0174944
[8] Ministerio de Salud de la Nación. Estadísticas Vitales. 2018. (acceso: 7 de julio de 2021)
