En mayo de este año, la empresa californiana VitalConnect obtuvo una autorización de emergencia de la agencia estadounidense que regula los alimentos y medicamentos, la FDA, para utilizar su biosensor VitalPatch en el monitoreo de problemas cardíacos causados por el covid-19 o por los fármacos aplicados para su tratamiento. Este dispositivo vestible (wearable) se asemeja a un apósito que se adhiere en el pecho y posibilita el monitoreo remoto de 22 tipos distintos de arritmias, además de otros parámetros físicos del paciente, tales como la frecuencia cardíaca y respiratoria, la temperatura y la postura corporal.
La posibilidad de un monitoreo y evaluación médica a distancia es importante dados los requerimientos de distanciamiento social y la ocupación de los hospitales en tiempos de pandemia. Esta necesidad profundizó una tendencia que se verificó en los últimos años. Cada vez es mayor el número de empresas, tanto extranjeras como de Brasil, y de grupos de investigación académica que realizan estudios y crean dispositivos dotados de recursos de inteligencia artificial (IA) en el área de la cardiología. Un indicador de esta tendencia es la proliferación de artículos científicos sobre el tema durante la última década (véase la infografía).
El año 2020 ya había arrancado con un nuevo hito en este sendero evolutivo. En el mes de febrero, la empresa Caption Health, también del Valle del Silicio, obtuvo la primera autorización de la FDA para un análisis de imagen asistido por IA. El sistema, llamado Caption AI, permite que los profesionales de la salud, incluso aquellos que no poseen experiencia en cardiología, sean capaces de realizar ecocardiogramas. El software guía al usuario para la captura de imágenes con calidad diagnóstica.
Las herramientas de inteligencia artificial, entre ellas la minería de datos (data mining) y el aprendizaje automático o de máquinas (machine learning), también ofrecen ayuda para el propio análisis de las imágenes ecocardiográficas. La empresa Ultromics, una spin-off de la Universidad de Oxford, en el Reino Unido, ya le provee el sistema EchoGo al Servicio Nacional de Salud (NHS, por sus siglas en inglés), el sistema de salud pública del país. Hacia el final de 2019, obtuvo autorización de la FDA para entrar al mercado estadounidense. Según la empresa, el EchoGo puede detectar anomalías en los exámenes y brindarles informes a los profesionales en cuestión de minutos. El software fue desarrollado a partir del análisis de 120 mil imágenes ecocardiográficas de exámenes llevados a cabo por la Universidad de Oxford. Las imágenes de los ecocardiogramas se envían automáticamente al sistema alojado en la nube y, tras su evaluación, se les envían los informes a los médicos.
“El sistema computarizado ha sido propuesto como soporte del diagnóstico del médico, no para sustituirlo”, subraya la científica de la computación Fátima Nunes, de la Escuela de Artes, Ciencias y Humanidades de la Universidad de São Paulo (EACH-USP). Nunes dirige un proyecto en el área de procesamiento de imágenes patrocinado por la FAPESP que lleva adelante su alumno de maestría Matheus Alberto de Oliveira Ribeiro. Este trabajo cuenta con la colaboración del cardiólogo Carlos Rochitte, del Instituto del Corazón (InCor) de la Facultad de Medicina de la USP (FM-USP) y coordinador del Servicio de Resonancia Magnética y Tomografía Cardiovascular del Hospital del Corazón (HCor), de São Paulo.
En el contexto del aprendizaje de máquinas, Rochitte es el especialista que provee las imágenes de resonancia magnética que le enseñan al sistema a reconocer patrones y, de esa manera, poder diagnosticar anomalías. El cardiólogo explica que el ventrículo izquierdo es la cámara más fuerte del corazón, su fuerza motriz principal. “Cuando se produce un infarto agudo, el daño en el miocardio [el músculo cardíaco] hace que el ventrículo cambie de formato. Esto es lo que denominamos remodelación ventricular”, dice. Los cambios de forma suministran pistas sobre el diagnóstico. Así, por ejemplo, cuando el corazón pierde su formato característico, que se asemeja vagamente a un cono, y se torna más esférico, hay indicios de miocardiopatía dilatada.
El sistema computacional es un aval diagnóstico para el médico. No vino a sustituirlo, subraya la científica de la computación Fátima Nunes, de la USP
El propósito de la resonancia magnética es analizar el formato del ventrículo izquierdo. El análisis da como resultado múltiples cortes bidimensionales sumados, como si fueran una pila de monedas. “Para hacer un análisis del ventrículo izquierdo se necesitan entre 200 y 300 imágenes, y el médico tiene que revisar una por una”, subraya Nunes. “Más allá del tiempo necesario, el análisis de tal cantidad de imágenes puede agotar al experto y elevar el riesgo de un error médico”.
Existen herramientas computacionales que realizan el análisis bidimensional del ventrículo izquierdo. La propuesta de Ribeiro es innovadora pues le aporta un recurso 3D al examen. “Montamos un objeto tridimensional. En lugar de evaluar imagen por imagen, se puede ver al ventrículo en su conjunto y evaluar parámetros para el diagnóstico. Por ejemplo, se puede estimar el tamaño real del corazón y el volumen de sangre que está bombeando, algo que no se podría hacer con el examen tradicional en 2D”, explica. El cardiólogo Rochitte hace hincapié en que “existen iniciativas paralelas, pero el abordaje de este estudio es único, dado que el modelo tridimensional propuesto es inédito”. Ya existe un prototipo casi listo de esta herramienta, que estará disponible para su uso en el InCor.
La mayoría de las iniciativas de IA aplicadas a la cardiología en Brasil se están desarrollando en el ámbito académico, pero ya hay productos comerciales. El grupo Fleury recurre a la inteligencia artificial para el diagnóstico de enfermedades cardiovasculares con énfasis en dos áreas: la detección de hemorragias intracraneales, producto de accidentes vasculares, y la embolia pulmonar, una enfermedad en la cual una o más arterias pulmonares resultan bloqueadas por un coágulo sanguíneo.
En 2019, el estudio de detección de hemorragias intracraneales fue premiado en el congreso de la Sociedad Radiológica de América del Norte (RSNA, por sus siglas en inglés), el mayor evento mundial del campo de la radiología y diagnóstico por imágenes. Y ya se encuentra integrada a la rutina de la institución una herramienta para la detección de la embolia pulmonar, informa el radiólogo Gustavo Meirelles, gerente de Radiología, Estrategia e Innovación del grupo Fleury.
VitalConnect
El biosensor portable VitalPatch realiza el monitoreo de los problemas cardíacos causados por el covid-19VitalConnectEl dispositivo fue desarrollado junto a la startup israelí Aidoc y, de acuerdo con Meirelles, permite acelerar el resultado del diagnóstico de 3 horas a unos 20 minutos. “En el primer caso que tuvimos, el análisis estaba listo antes de que la paciente saliera del hospital. Eso nos permitió iniciar el tratamiento enseguida”, recuerda el médico. “La elaboración de diagnósticos precoces hace posible que el paciente evolucione mejor, disminuyendo el tiempo de internación y el índice de mortalidad”. Meirelles destaca que el desarrollo de estas nuevas herramientas computacionales solo pudo concretarse porque existe una base de datos lo suficientemente sólida para entrenar al dispositivo de manera eficaz.
Para el fisiólogo José Eduardo Krieger, director del Laboratorio de Genética y Cardiología Molecular del InCor y docente del Departamento de Cardioneumología de la FM-USP, cualquier avance en el campo de la IA se basa en el volumen y en la calidad de los datos disponibles. Los estudios en el InCor comenzaron precisamente en el área de big data, por medio del servicio de informática de la institución. “El InCor es paperless [prescinde del uso de papel, todo es digital] desde hace más de 10 años”, dice Krieger. “El sistema de registro electrónico fue creado por el equipo del ingeniero Marco Antonio Gutierrez, director de Bioinformática del InCor, por medio de diversos proyectos, algunos con el aval de la FAPESP”, recuerda.
Hoy en día, el sistema de registro digital almacena alrededor de 1,3 millones de historias clínicas de pacientes. Más de 30 hospitales de São Paulo comparten dicho sistema, lo que permite el acceso de los investigadores a 10 millones de registros, todos en forma anónima, para poder utilizarlos en investigaciones. Para Krieger, esto es un verdadero tesoro: “Merced a estos sistemas de información fue posible avanzar en el desarrollo de las herramientas de inteligencia artificial actuales”.
El InCor es la sede del Instituto Nacional de Ciencia y Tecnología en Medicina Asistida por Computación Científica (INCT-Macc), una iniciativa implementada en 2008 con el propósito de consolidar el desarrollo de tecnologías y capacitar recursos humanos que cuenta con financiación de la FAPESP y del Consejo Nacional de Desarrollo Científico y Tecnológico (CNPq). A través del instituto se articulan 31 laboratorios en 11 estados brasileños y otros 17 con sede en el exterior, distribuidos en siete países.
Un proyecto de la Unicamp en el campo de la medicina predictiva puede generar un ahorro de 50 millones de reales por año para el Sistema Único de Salud (SUS) de Brasil
Actualmente en el InCor funcionan cuatro grandes áreas de estudio: procesamiento de imágenes, señales y lenguaje, y la integración de datos en el campo de lo que se denominan ciencias ómicas (tales como genómica, proteómica, metabolómica, etc.). “Estas áreas también incluyen colaboraciones con multinacionales del área tecnológica, tales como Canon y Foxconn”, comenta Krieger. Foxconn es un fabricante de computadoras y smartphones que cuenta entre sus clientes a las compañías Apple y Microsoft.
Las investigaciones más avanzadas son las de procesamiento de imágenes, que se obtienen a partir de tomografías, resonancias y señales electrocardiográficas. En el análisis de electrocardiograma, en particular, hay un logro significativo: la posibilidad de utilizar algoritmos de IA para brindar un diagnóstico con base en el simple trazado del electro. “El electrocardiograma es un análisis barato y ampliamente utilizado, pero su interpretación puede ser más difícil de lo que aparenta”, reflexiona Krieger. “La herramienta le permite al médico tomar una foto de la imagen del examen y enviarla para que el sistema la evalúe a distancia e independientemente del equipo empleado”.
El reto que enfrenta esta nueva perspectiva de investigación, según Krieger, es el desarrollo de algoritmos de predicción de riesgo que tengan en cuenta las características particulares de los individuos. “Nuestro propósito es integrar los datos de todo el historial clínico del paciente, incluyendo marcadores genéticos”, relata el investigador, que dirige estudios de fenotipado y genotipado de enfermedades cardiovasculares en el posgrado en cardiología de la USP.
Algunas iniciativas ya están avanzando en ese campo. En Estados Unidos, científicos de Google Research, de la startup Verily Life Sciences y de la Universidad Stanford idearon un método para prever el riesgo cardiovascular a partir del análisis de la retina. Entrenaron a un sistema de aprendizaje automático con imágenes de fondo de ojo de 284 mil pacientes de los bancos de datos UK Biobank, del Reino Unido, y EyePACS, de Estados Unidos. A partir de ellas, el sistema aprendió a distinguir ojos sanos de aquellos con alteraciones en sus vasos sanguíneos visibles en el fondo de ojo, indicio de un problema cardiovascular.
Un método creado por científicos estadounidenses distingue los ojos sanos de aquellos que presentan alteraciones en los vasos sanguíneos del fondo del ojo, un indicio de un problema cardiovascular. Esta herramienta también predice, con escaso margen de error, la edad, el género, la concentración de hemoglobina glicosilada (un marcador de la diabetes), el índice de masa corporal del paciente y si el mismo es fumador o no
El objetivo del grupo consistía en determinar si los síntomas de riesgo cardiovascular podrían obtenerse en forma rápida, barata y no invasiva en un entorno ambulatorio. El resultado superó las expectativas: a partir de la comparación de las imágenes, el algoritmo también resultó capaz de definir con escaso margen de error la edad, el género, el contenido de hemoglobina glicosilada –un marcador de la diabetes– y el índice de masa corporal del paciente, así como si era fumador o no. “Demostramos que el deep learning [aprendizaje profundo] puede extraer nuevos conocimientos de las imágenes de la retina”, enfatizan los autores del estudio. “En estos exámenes, predecimos factores de riesgo cardiovascular que antes no se creía que estuvieran presentes ni que fueran cuantificables”.
La técnica de aprendizaje profundo es la generación más reciente del aprendizaje de máquinas. Se trata de un método computacional basado en una red neuronal artificial con varias capas, y es por eso que se lo denomina profundo. En este abordaje, en lugar de programarla manualmente para una tarea específica, la computadora utiliza algoritmos genéricos para identificar pautas de imágenes, textos o señales.
Es la misma tecnología que está utilizando el equipo del Proyecto Code (Clinical Outcomes in Digital Electrocardiology), integrado por científicos del Centro de Telesalud del Hospital de Clínicas de la Universidad Federal de Minas Gerais (HC-UFMG). Con financiación de la Fundación de Apoyo a la Investigación Científica del Estado de Minas Gerais (Fapemig) y la colaboración de las universidades de Glasgow, en Escocia, y de Upsala, en Suecia, el grupo desarrolló un proyecto de lectura automática de electrocardiogramas para el diagnóstico de las enfermedades cardíacas.
En este proyecto participan médicos, ingenieros y científicos de la computación. “La clave consiste en montar un equipo realmente multidisciplinario”, dice el cardiólogo Antonio Luiz Pinho Ribeiro, líder del grupo y coordinador del Centro de Telesalud y de la Red de Teleasistencia de Minas Gerais, integrada por la asociación de siete universidades públicas del estado. El resultado del estudio, elaborado a partir del cotejo de 2,4 millones de electrocardiogramas digitales realizados entre 2010 y 2017 con el Sistema de Informaciones de Mortalidad, fue publicado en abril en la revista Nature Comunications. El análisis permitió el reconocimiento de patrones y la identificación de seis tipos distintos de alteraciones electrocardiográficas con una precisión igual o superior a las efectuadas por médicos residentes y estudiantes.
Otro aspecto del proyecto Code va un paso más allá. “Utilizamos una red neuronal para pronosticar la edad de los pacientes tomando como base solamente el trazado del electrocardiograma. Esta edad electrocardiográfica podría constituir un marcador de la salud cardiovascular”, explica el ingeniero Antônio Horta Ribeiro, quien forma parte del equipo. Los primeros resultados indican que, cuando el algoritmo prevé una edad mayor a la cronológica, existe un mayor riesgo de mortalidad en todos los rangos de edades.
Para el experto en IA, los resultados que surgen de las investigaciones con redes neuronales pueden aportarle a la medicina nuevas perspectivas de diagnóstico. La máquina, anteriormente entrenada para el reconocimiento de patrones, ahora ya es capaz de identificar anomalías que pasan desapercibidas para el ser humano. “Puede deducir correlaciones que la medicina aún no ha hecho”, dice Ribeiro. El desafío es intentar descubrir los caminos han tomado las redes neuronales para obtener esas correlaciones.
También en el campo de la medicina preventiva se inserta un proyecto de la Universidad de Campinas (Unicamp), que puede redundar en un ahorro de 50 millones de reales por año al Sistema Único de Salud (SUS). Dichi proyecto, llevado a cabo por el Laboratorio Aterolab de la Facultad de Ciencias Médicas (FCM), tiene por objeto detectar a los pacientes con enfermedades coronarias crónicas con mayor riesgo de sufrir eventos clínicos adversos en el plazo de un año. La investigación, a cargo del cardiólogo Andrei Sposito, coordinador del Aterolab, fue premiada por la Sociedad Brasileña de Cardiología y por el Congreso Europeo de Innovación.
“Durante el primer año posterior a un infarto, uno de cada cinco pacientes puede sufrir un nuevo ataque cardíaco o incluso, una muerte súbita. Se han hecho muchos intentos para detectar quiénes son esos pacientes que corren mayor riesgo”, dice el cardiólogo. Sposito hace hincapié en que los factores de riesgo cardiovascular ya se conocen desde hace muchos años, pero los mismos no funcionan de manera matemática. “Hay sinergias que se relacionan con las características individuales. Que alguien tenga dos factores de riesgo no significa que afronte un riesgo dos veces mayor. No es así de simple”, explica.
Según el cardiólogo, los primeros modelos matemáticos para trabajar con las diferentes variables surgieron en la década 1970 pero hasta ahora los resultados no son muy eficaces. En su investigación, los algoritmos logran prever el 92% de los eventos clínicos que un paciente puede afrontar en un plazo de un año. Si se dispone de esos datos, explica Sposito, puede monitorearse de cerca a los pacientes más vulnerables, algo que podría redundar en la prevención de muertes y evitar nuevas cirugías, internaciones y tratamientos costosos. “Son beneficios importantes los que proporcionan los avances de los estudios en inteligencia artificial aplicada al cuidado del corazón”, sostiene el experto.
Proyectos
1. Segmentación automática del ventrículo izquierdo en exámenes de resonancia magnética cardíaca (nº 19/22116-7); Modalidad Beca de Maestría; Investigadora responsable Fátima de Lourdes dos Santos Nunes Marques (USP); Becario: Matheus Alberto de Oliveira Ribeiro; Inversión R$ 39.863,34
2. INCT 2014: En Medicina Asistida por Computación Científica (INCT-Macc) (nº 14/50889-7); Modalidad Proyecto Temático; Investigador responsable José Eduardo Krieger (USP); Inversión R$ 3.204.512,68
3. Centro de Inteligencia Artificial (nº 19/07665-4); Modalidad Centros de Investigación en Ingeniería; Investigador responsable Fabio Gagliardi Cozman (IBM); Inversión R$ 4.134.883,90
Artículos científicos
RIBEIRO, H. A. et al. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nature Communications. 9 abr. 2020.
POPLIN, R. et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature Communications. 19 feb. 2018.
