Este sitio web está dirigido a profesionales sanitarios de España

machine-learning-prediccion-enfermedades-cardiovasculares-hero

Las enfermedades cardiovasculares se constituyen como la principal causa de muerte en todo el mundo

La incidencia de las enfermedades cardiovasculares entre la población mundial es muy elevada, comportando consecuencias nefastas para la salud de millones de personas. 

En este sentido, se estima que las cardiopatías representan el 16% del total de muertes en todo el mundo2. Por otro lado, en España, son las responsables del 35% de los fallecimientos entre varones, y del 43% entre mujeres1

Para reducir estas cifras, resulta necesario disponer de nuevos sistemas predictivos que ayuden a prevenirlas y, así, poder proceder a un abordaje clínico más rápido y eficaz. Hasta ahora, los modelos empleados para calcular el riesgo de padecer algún tipo de enfermedad cardiovascular han resultado insuficientes pero, gracias al Machine Learning esta realidad está a punto de cambiar. 

¿Qué es el machine learning y cómo puede ayudar a la predicción de enfermedades cardiovasculares?

El Machine Learning -también denominado como “inteligencia de aprendizaje automático”- es un subtipo de inteligencia artificial. Lo característico de esta forma de inteligencia artificial es que, a través de diferentes algoritmos, es capaz de identificar patrones repetitivos o recurrentes entre millones de datos. Estos datos pueden ser palabras, números, imágenes o estadísticas.

A partir de la selección de un conjunto de datos, los algoritmos de Machine Learning son entrenados para poder realizar predicciones de manera totalmente autónoma. Dicho entrenamiento consiste en indicarles qué cuestiones deben identificar y qué elementos deben analizar entre los datos proporcionados. Una vez el entrenamiento ha finalizado, se pueden introducir nuevos datos sobre los que aplicará el sistema predictivo, arrojando soluciones fiables. 

Pues bien, esta tecnología promete revolucionar el ámbito de la prevención de las enfermedades cardiovasculares. Y es que, gracias a sus grandes capacidades, es la herramienta perfecta para mejorar su predicción. 

Por ello, se han puesto en marcha diferentes investigaciones cuyos resultados determinan que el Machine Learning podría ayudar muchísimo en la determinación de sufrir episodios o enfermedades cardiovasculares en individuos sanos. A continuación te las explicamos.

Algoritmo de machine learning EN-PESA (Progression of Early Subclinical Atherosclerosis) para la identificación del riesgo de la enfermedad aterosclerótica

Se trata de un proyecto colaborativo llevado a cabo por el Centro Nacional de Investigaciones Cardiovasculares -CNIC- y el Banco Santander. Con él, se pretende poder llegar a ofrecer una predicción individualizada y fiable a los pacientes sobre el riesgo de padecer enfermedades cardiovasculares.  Recientemente, se ha publicado en la revista de referencia cardiovascular americana -The Journal of American College of Cardiology- y es considerado como uno de los estudios de prevención cardiovascular más importantes del mundo3

Dicha investigación se puso en marcha allá por el año 2010 y, desde entonces, se han analizado más de 4.000 parámetros relacionados con una enfermedad cardiovascular silenciosa, pero muy peligrosa y determinante para el desarrollo de otras enfermedades cardiovasculares, como la enfermedad aterosclerótica3

Esta enfermedad suele detectarse en estadios muy avanzados ante la manifestación de eventos clínicos, como infartos de miocardio o accidentes cerebrovasculares. Por ello, su abordaje suele ser tardío, causando graves perjuicios en la salud y en la calidad de vida de muchos pacientes3

Para poder detectar y prevenir dicha patología, el CNIC ha desarrollado un algoritmo denominado EN-PESA. Su funcionamiento está basado en Machine Learning y, a partir del análisis de datos relacionados con la aterosclerosis, es capaz de predecir el riesgo de padecer esta enfermedad. Todos los datos se han obtenido de más de 4.000 empleados del Banco Santander que participan voluntariamente en dicho proyecto3.

¿Cómo funciona el algoritmo EN-PESA?

El algoritmo de machine learning utiliza variables como la edad, tensión arterial, dieta y marcadores medibles en análisis de sangre y orina3. En base a las mismas, se realiza la predicción sobre el riesgo de padecer asteroscerosis subclínica. 

La ventaja que presenta EN-PESA es que, todas estas variables, se basan en datos fácilmente medibles en atención primaria. Según apunta el Dr. Xavier Rosselló, investigador del CNIC y cardiólogo del Hospital Universitario Son Espases de Palma de Mallorca, dichas variables “permiten predecir la extensión de aterosclerosis subclínica y la progresión de la enfermedad vascular en individuos de mediana edad, sanos que habían sido clasificados de riesgo bajo o intermedio según las escalas tradicionales de riesgo cardiovascular”3.

Así pues, este nuevo modelo predictivo ha demostrado mejorar la eficacia de las pautas y directrices tradicionales, tanto las del Colegio Estadounidense de Cardiología y la Asociación Estadounidense del Corazón, como las de la Sociedad Europea de Cardiología y la Sociedad Europea de Aterosclerosis4.

La eficacia demostrada ha promovido la renovación del proyecto hasta el año 20303. Actualmente, acaba de entrar en su segunda fase donde se utilizarán los resultados obtenidos durante los 10 primeros años para mejorar y aumentar la capacidad de predicción del algoritmo5.

Otras técnicas de machine learning para la predicción de enfermedades cardiovasculares

En esta última década, se han desarrollado nuevos algoritmos de aprendizaje automático que sirven de base para la creación de nuevos modelos predictivos. Algunos ejemplos son el REP Tree, M5P Tree, Random Tree o Linear Regression6

A través de la clasificación de datos cardiovasculares, determinan las probabilidades de que un paciente, aparentemente sano, pueda sufrir algún tipo de patología cardíaca.

Un reciente estudio ha evaluado la eficacia de los diferentes sistemas, arrojando resultados sorprendentes sobre uno de ellos. El modelo Random Tree demostró disponer de una precisión del 100% sobre la predicción del riesgo6.  Sin duda, un dato revelador que ayudará al desarrollo de futuros sistemas de predicción más eficaces y precisos. 

El machine learning como clave para prevención de las enfermedades cardiovasculares

La protección de la salud cardiovascular pasa por mejorar los sistemas de cribado inicial. Solo de esta forma se logrará mejorar la calidad de vida de los pacientes y proceder a un correcto abordaje de las enfermedades cardiovasculares.

   

Actualidad científica en Dislipemia

Consulta lo último en Dislipemia con nuestra selección de artículos, recursos, y otros materiales de interés.

Referencias
  1. Proyecto PESA. Gobierno de España. Ministerio de Ciencia e Innovación [Internet]. [Citado en…] Disponible en: http://www.estudiopesa.org/index.php
  2. La OMS revela las principales causas de muerte y discapacidad en el mundo: 2000-2019. Organización Mundial de la Salud [Internet]. 9 de diciembre de 2020. [Citado en…]. Disponible en: https://www.who.int/es/news/item/09-12-2020-who-reveals-leading-causes-of-death-and-disability-worldwide-2000-2019  
  3. JACC: Investigadores del CNIC diseñan un algoritmo que personaliza el riesgo cardiovascular en personas sanas. Centro Nacional de Investigaciones Cardiovasculares. 29 de septiembre de 2020. [Citado en…]. Disponible en: https://www.cnic.es/es/noticias/jacc-investigadores-cnic-disenan-un-algoritmo-que-personaliza-riesgo-cardiovascular
  4. Fátima Sánchez-Cabo, Xavier Rossello, Valentín Fuster, Fernando Benito, Jose Pedro Manzano, Juan Carlos Silla. Machine Learning Improves Cardiovascular Risk Definition for Young, Asymptomatic Individuals. Journal of American College of Cardiology [Internet]. [Citado en…]. Disponible en: https://www.jacc.org/doi/10.1016/j.jacc.2020.08.017#appsec1
  5. El machine learning como herramienta para conocer el riesgo cardiovascular en personas sanas. Univadis [Internet]. 8 de octubre de 2020. [Citado en…]. Disponible en: https://www.univadis.es/viewarticle/actualizaci%C3%B3n-de-la-herramienta-de-c%C3%A1lculo-del-2022a10026ss
  6. Rajkumar Gangappa Nadakinamani, A. Reyana, Sandeep Kautish3 A. S. Vibith,Yogita Gupta, Sayed F. Abdelwahab. Clinical Data Analysis for Prediction of Cardiovascular Disease Using Machine Learning Techniques. Hindawi [Internet]. 11 de enero de 2022. [Citado en…]. Disponible en: https://www.hindawi.com/journals/cin/2022/2973324/#conclusion

MAT-ES-2202575 V1 Septiembre 2022