La inteligencia artificial aplicada a un electrocardiograma predice el riesgo de fibrilación auricular

En este nuevo estudio, los investigadores han evaluado comparativamente seis modelos de análisis electrocardiográfico basados en inteligencia artificial

EP

0 Comentarios

 Imagen de un electrocardiograma
Imagen de un electrocardiograma

Investigadores del Centro de Investigación Biomédica en Red (CIBER) de Enfermedades Cardiovasculares (CIBERCV) han aplicado inteligencia artificial al análisis de datos electrocardiográficos lo que ha permitido definir perfiles de biomarcadores mejorados para predecir el riesgo de fibrilación auricular o casos asintomáticos.

El estudio, que se ha publicado en la revista 'Scientific Reports', ha sido realizado por miembros del Hospital Universitario de La Princesa y de la Universidad Autónoma de Madrid (UAM). En este nuevo estudio, los investigadores han evaluado comparativamente seis modelos de análisis electrocardiográfico basados en inteligencia artificial, para identificar rasgos sutiles que pueden anticipar episodios de fibrilación auricular.

Para ello, han analizado datos de una gran cohorte de 122.394 pacientes del Hospital Universitario la Princesa de Madrid. "Este análisis conduce a la implementación de predictores de fibrilación auricular mejorados por inteligencia artificial, más confiables y fiables", según ha explicado el investigador del CIBERCV, Jesús Jiménez.

Además, el estudio también ha probado el rendimiento de estos modelos asociados a datos relacionados con la distribución de edad de los pacientes. En este sentido, los investigadores han señalado que "la edad de los pacientes es un aspecto clave a tener en
cuenta antes de aplicar modelos basados en inteligencia artificial para obtener resultados significativos".

En concreto, han aclarado que el estudio confirma una mayor facilidad para predecir la fibrilación auricular con estas técnicas de big data en pacientes ancianos y varones.

"La posibilidad de identificar a los pacientes con fibrilación auricular subclínica o con alto riesgo de desarrollarla en función de puntuaciones de riesgo clínico o de un electrocardiogramas de ritmo sinusal es muy prometedora, y la capacidad de un modelo de aprendizaje automático para eliminar la interpretación subjetiva o
posibles errores humanos puede cambiar el panorama de cómo se maneja a estos pacientes", han afirmado.

Tienes que iniciar sesión para ver los comentarios

Destacados
Lo más leído