Herramienta de ECG con IA diagnostica ataques cardíacos de manera más rápida y precisa que los métodos actuales

Cuando un paciente experimenta dolor torácico y es llevado de urgencia al hospital, un electrocardiograma (ECG) es normalmente la primera herramienta de diagnóstico que se utiliza para confirmar o descartar un ataque al corazón. En un ECG, los proveedores de atención médica a menudo pueden identificar un patrón específico indicativo de un tipo grave de ataque cardíaco conocido como STEMI, causado por una obstrucción completa de la arteria coronaria que requiere una intervención inmediata. Sin embargo, cerca de dos tercios de los ataques cardíacos, incluso aquellos causados por obstrucciones graves, no presentan este patrón de ECG distintivo. Ahora está disponible una nueva herramienta para detectar indicadores de ECG sutiles que los médicos pueden encontrar difíciles de identificar, lo que les facilita la clasificación de los pacientes con dolor torácico.

Investigadores de la Universidad de Pittsburgh (Pittsburgh, PA, EUA) han desarrollado un modelo de aprendizaje automático que utiliza datos de ECG para un diagnóstico y clasificación de ataques cardíacos más rápidos y precisos en comparación con las metodologías existentes. El modelo se desarrolló utilizando ECG de 4.026 pacientes con dolor torácico de tres hospitales de Pittsburgh y luego se validó externamente con 3.287 pacientes de un sistema hospitalario independiente. Los investigadores compararon su modelo con tres métodos establecidos para evaluación de eventos cardíacos: interpretación de ECG por médicos experimentados, algoritmos de ECG comerciales y la puntuación HEART, un sistema de puntuación que considera el historial del paciente en la presentación, la interpretación de ECG, la edad, factores de riesgo como fumar, diabetes y colesterol alto y niveles de proteína troponina en la sangre. El modelo superó los tres métodos, reclasificando con precisión a uno de cada tres pacientes con dolor torácico como de riesgo bajo, intermedio o alto.

Según los investigadores, el algoritmo puede ayudar al personal de los servicios de emergencia y a los departemanetos de emergencia a identificar a los pacientes con ataques cardíacos y aquellos que experimentan un flujo sanguíneo reducido al corazón, en comparación con el análisis de ECG tradicional. Tales conocimientos pueden informar las decisiones médicas del servcio de emergencia, como iniciar tratamientos de campo, notificar a los hospitales sobre pacientes de alto riesgo entrantes o determinar qué pacientes de bajo riesgo no necesitan ser transportados a un centro cardíaco especializado. Esto podría mejorar en gran medida el triaje prehospitalario. En la próxima fase de investigación, el equipo se está concentrado en optimizar la implementación del modelo y desarrollar un sistema basado en la nube que interactúe con los centros de comando del hospital que reciben lecturas de ECG del servicio de emergencia. El modelo analizará el ECG y proporcionará una evaluación del riesgo del paciente, orientando así las decisiones médicas en tiempo real.

“Cuando un paciente llega al hospital con dolor en el pecho, la primera pregunta que hacemos es si el paciente está teniendo un infarto o no. Parece que debería ser sencillo, pero cuando no está claro en el ECG, puede tomar hasta 24 horas realizar pruebas adicionales”, dijo el autor principal Salah Al-Zaiti, Ph.D., RN, profesor asociado en el la Escuela de Enfermería y de Medicina de Urgencias y Cardiología Pitt en la Facultad de Medicina. “Nuestro modelo ayuda a abordar este gran desafío mejorando la evaluación de riesgo para que los pacientes puedan recibir la atención adecuada sin demora”.

Enlaces relacionados:
Universidad de Pittsburgh  

Visitar la expo >

Miembro Oro

SARS‑CoV‑2/Flu A/Flu B/RSV Sample-To-Answer Test

SARS‑CoV‑2/Flu A/Flu B/RSV Cartridge (CE-IVD)

Miembro Oro

12-Channel ECG

CM1200B

New

Automated Cough Assist Device

Bionic Cough Simulator

New

Prostate Cancer MRI Analysis Tool

DynaCAD Urology