{"id":370415,"date":"2020-12-18T18:57:09","date_gmt":"2020-12-18T21:57:09","guid":{"rendered":"https:\/\/revistapesquisa.fapesp.br\/?p=370415"},"modified":"2020-12-18T18:58:16","modified_gmt":"2020-12-18T21:58:16","slug":"inteligencia-artificial-aplicada-al-corazon","status":"publish","type":"post","link":"https:\/\/revistapesquisa.fapesp.br\/es\/inteligencia-artificial-aplicada-al-corazon\/","title":{"rendered":"Inteligencia artificial aplicada al coraz\u00f3n"},"content":{"rendered":"

En mayo de este a\u00f1o, la empresa californiana VitalConnect obtuvo una autorizaci\u00f3n de emergencia de la agencia estadounidense que regula los alimentos y medicamentos, la FDA, para utilizar su biosensor VitalPatch en el monitoreo de problemas card\u00edacos causados por el covid-19 o por los f\u00e1rmacos aplicados para su tratamiento. Este dispositivo vestible (wearable<\/em>) se asemeja a un ap\u00f3sito que se adhiere en el pecho y posibilita el monitoreo remoto de 22 tipos distintos de arritmias, adem\u00e1s de otros par\u00e1metros f\u00edsicos del paciente, tales como la frecuencia card\u00edaca y respiratoria, la temperatura y la postura corporal.<\/p>\n

La posibilidad de un monitoreo y evaluaci\u00f3n m\u00e9dica a distancia es importante dados los requerimientos de distanciamiento social y la ocupaci\u00f3n de los hospitales en tiempos de pandemia. Esta necesidad profundiz\u00f3 una tendencia que se verific\u00f3 en los \u00faltimos a\u00f1os. Cada vez es mayor el n\u00famero de empresas, tanto extranjeras como de Brasil, y de grupos de investigaci\u00f3n acad\u00e9mica que realizan estudios y crean dispositivos dotados de recursos de inteligencia artificial (IA) en el \u00e1rea de la cardiolog\u00eda. Un indicador de esta tendencia es la proliferaci\u00f3n de art\u00edculos cient\u00edficos sobre el tema durante la \u00faltima d\u00e9cada (v\u00e9ase la infograf\u00eda<\/em>).<\/p>\n\n \n \n \n <\/picture>\n

El a\u00f1o 2020 ya hab\u00eda arrancado con un nuevo hito en este sendero evolutivo. En el mes de febrero, la empresa Caption Health, tambi\u00e9n del Valle del Silicio, obtuvo la primera autorizaci\u00f3n de la FDA para un an\u00e1lisis de imagen asistido por IA. El sistema, llamado Caption AI, permite que los profesionales de la salud, incluso aquellos que no poseen experiencia en cardiolog\u00eda, sean capaces de realizar ecocardiogramas. El software<\/em> gu\u00eda al usuario para la captura de im\u00e1genes con calidad diagn\u00f3stica.<\/p>\n

Las herramientas de inteligencia artificial, entre ellas la miner\u00eda de datos (data mining<\/em>) y el aprendizaje autom\u00e1tico o de m\u00e1quinas (machine learning<\/em>), tambi\u00e9n ofrecen ayuda para el propio an\u00e1lisis de las im\u00e1genes ecocardiogr\u00e1ficas. La empresa Ultromics, una spin-off<\/em> 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 ingl\u00e9s), el sistema de salud p\u00fablica del pa\u00eds. Hacia el final de 2019, obtuvo autorizaci\u00f3n de la FDA para entrar al mercado estadounidense. Seg\u00fan la empresa, el EchoGo puede detectar anomal\u00edas en los ex\u00e1menes y brindarles informes a los profesionales en cuesti\u00f3n de minutos. El software<\/em> fue desarrollado a partir del an\u00e1lisis de 120 mil im\u00e1genes ecocardiogr\u00e1ficas de ex\u00e1menes llevados a cabo por la Universidad de Oxford. Las im\u00e1genes de los ecocardiogramas se env\u00edan autom\u00e1ticamente al sistema alojado en la nube y, tras su evaluaci\u00f3n, se les env\u00edan los informes a los m\u00e9dicos.<\/p>\n

\u201cEl sistema computarizado ha sido propuesto como soporte del diagn\u00f3stico del m\u00e9dico, no para sustituirlo\u201d, subraya la cient\u00edfica de la computaci\u00f3n F\u00e1tima Nunes, de la Escuela de Artes, Ciencias y Humanidades de la Universidad de S\u00e3o Paulo (EACH-USP). Nunes dirige un proyecto en el \u00e1rea de procesamiento de im\u00e1genes patrocinado por la FAPESP que lleva adelante su alumno de maestr\u00eda Matheus Alberto de Oliveira Ribeiro. Este trabajo cuenta con la colaboraci\u00f3n del cardi\u00f3logo Carlos Rochitte, del Instituto del Coraz\u00f3n (InCor) de la Facultad de Medicina de la USP (FM-USP) y coordinador del Servicio de Resonancia Magn\u00e9tica y Tomograf\u00eda Cardiovascular del Hospital del Coraz\u00f3n (HCor), de S\u00e3o Paulo.<\/p>\n

En el contexto del aprendizaje de m\u00e1quinas, Rochitte es el especialista que provee las im\u00e1genes de resonancia magn\u00e9tica que le ense\u00f1an al sistema a reconocer patrones y, de esa manera, poder diagnosticar anomal\u00edas. El cardi\u00f3logo explica que el ventr\u00edculo izquierdo es la c\u00e1mara m\u00e1s fuerte del coraz\u00f3n, su fuerza motriz principal. \u201cCuando se produce un infarto agudo, el da\u00f1o en el miocardio [el m\u00fasculo card\u00edaco] hace que el ventr\u00edculo cambie de formato. Esto es lo que denominamos remodelaci\u00f3n ventricular\u201d, dice. Los cambios de forma suministran pistas sobre el diagn\u00f3stico. As\u00ed, por ejemplo, cuando el coraz\u00f3n pierde su formato caracter\u00edstico, que se asemeja vagamente a un cono, y se torna m\u00e1s esf\u00e9rico, hay indicios de miocardiopat\u00eda dilatada.<\/p>\n

El sistema computacional es un aval diagn\u00f3stico para el m\u00e9dico. No vino a sustituirlo, subraya la cient\u00edfica de la computaci\u00f3n F\u00e1tima Nunes, de la USP<\/p><\/blockquote>\n

El prop\u00f3sito de la resonancia magn\u00e9tica es analizar el formato del ventr\u00edculo izquierdo. El an\u00e1lisis da como resultado m\u00faltiples cortes bidimensionales sumados, como si fueran una pila de monedas. \u201cPara hacer un an\u00e1lisis del ventr\u00edculo izquierdo se necesitan entre 200 y 300 im\u00e1genes, y el m\u00e9dico tiene que revisar una por una\u201d, subraya Nunes. \u201cM\u00e1s all\u00e1 del tiempo necesario, el an\u00e1lisis de tal cantidad de im\u00e1genes puede agotar al experto y elevar el riesgo de un error m\u00e9dico\u201d.<\/p>\n

Existen herramientas computacionales que realizan el an\u00e1lisis bidimensional del ventr\u00edculo izquierdo. La propuesta de Ribeiro es innovadora pues le aporta un recurso 3D al examen. \u201cMontamos un objeto tridimensional. En lugar de evaluar imagen por imagen, se puede ver al ventr\u00edculo en su conjunto y evaluar par\u00e1metros para el diagn\u00f3stico. Por ejemplo, se puede estimar el tama\u00f1o real del coraz\u00f3n y el volumen de sangre que est\u00e1 bombeando, algo que no se podr\u00eda hacer con el examen tradicional en 2D\u201d, explica. El cardi\u00f3logo Rochitte hace hincapi\u00e9 en que \u201cexisten iniciativas paralelas, pero el abordaje de este estudio es \u00fanico, dado que el modelo tridimensional propuesto es in\u00e9dito\u201d. Ya existe un prototipo casi listo de esta herramienta, que estar\u00e1 disponible para su uso en el InCor.<\/p>\n

La mayor\u00eda de las iniciativas de IA aplicadas a la cardiolog\u00eda en Brasil se est\u00e1n desarrollando en el \u00e1mbito acad\u00e9mico, pero ya hay productos comerciales. El grupo Fleury recurre a la inteligencia artificial para el diagn\u00f3stico de enfermedades cardiovasculares con \u00e9nfasis en dos \u00e1reas: la detecci\u00f3n de hemorragias intracraneales, producto de accidentes vasculares, y la embolia pulmonar, una enfermedad en la cual una o m\u00e1s arterias pulmonares resultan bloqueadas por un co\u00e1gulo sangu\u00edneo.<\/p>\n

En 2019, el estudio de detecci\u00f3n de hemorragias intracraneales fue premiado en el congreso de la Sociedad Radiol\u00f3gica de Am\u00e9rica del Norte (RSNA, por sus siglas en ingl\u00e9s), el mayor evento mundial del campo de la radiolog\u00eda y diagn\u00f3stico por im\u00e1genes. Y ya se encuentra integrada a la rutina de la instituci\u00f3n una herramienta para la detecci\u00f3n de la embolia pulmonar, informa el radi\u00f3logo Gustavo Meirelles, gerente de Radiolog\u00eda, Estrategia e Innovaci\u00f3n del grupo Fleury.<\/p>\n

\"\"

VitalConnect<\/span><\/a> El biosensor portable VitalPatch realiza el monitoreo de los problemas card\u00edacos causados por el covid-19VitalConnect<\/span><\/p><\/div>\n

El dispositivo fue desarrollado junto a la startup<\/em> israel\u00ed Aidoc y, de acuerdo con Meirelles, permite acelerar el resultado del diagn\u00f3stico de 3 horas a unos 20 minutos. \u201cEn el primer caso que tuvimos, el an\u00e1lisis estaba listo antes de que la paciente saliera del hospital. Eso nos permiti\u00f3 iniciar el tratamiento enseguida\u201d, recuerda el m\u00e9dico. \u201cLa elaboraci\u00f3n de diagn\u00f3sticos precoces hace posible que el paciente evolucione mejor, disminuyendo el tiempo de internaci\u00f3n y el \u00edndice de mortalidad\u201d. Meirelles destaca que el desarrollo de estas nuevas herramientas computacionales solo pudo concretarse porque existe una base de datos lo suficientemente s\u00f3lida para entrenar al dispositivo de manera eficaz.<\/p>\n

Para el fisi\u00f3logo Jos\u00e9 Eduardo Krieger, director del Laboratorio de Gen\u00e9tica y Cardiolog\u00eda Molecular del InCor y docente del Departamento de Cardioneumolog\u00eda 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 \u00e1rea de big data<\/em>, por medio del servicio de inform\u00e1tica de la instituci\u00f3n. \u201cEl InCor es paperless<\/em> [prescinde del uso de papel, todo es digital] desde hace m\u00e1s de 10 a\u00f1os\u201d, dice Krieger. \u201cEl sistema de registro electr\u00f3nico fue creado por el equipo del ingeniero Marco Antonio Gutierrez, director de Bioinform\u00e1tica del InCor, por medio de diversos proyectos, algunos con el aval de la FAPESP\u201d, recuerda.<\/p>\n

Hoy en d\u00eda, el sistema de registro digital almacena alrededor de 1,3 millones de historias cl\u00ednicas de pacientes. M\u00e1s de 30 hospitales de S\u00e3o Paulo comparten dicho sistema, lo que permite el acceso de los investigadores a 10 millones de registros, todos en forma an\u00f3nima, para poder utilizarlos en investigaciones. Para Krieger, esto es un verdadero tesoro: \u201cMerced a estos sistemas de informaci\u00f3n fue posible avanzar en el desarrollo de las herramientas de inteligencia artificial actuales\u201d.<\/p>\n

El InCor es la sede del Instituto Nacional de Ciencia y Tecnolog\u00eda en Medicina Asistida por Computaci\u00f3n Cient\u00edfica (INCT-Macc), una iniciativa implementada en 2008 con el prop\u00f3sito de consolidar el desarrollo de tecnolog\u00edas y capacitar recursos humanos que cuenta con financiaci\u00f3n de la FAPESP y del Consejo Nacional de Desarrollo Cient\u00edfico y Tecnol\u00f3gico (CNPq). A trav\u00e9s del instituto se articulan 31 laboratorios en 11 estados brasile\u00f1os y otros 17 con sede en el exterior, distribuidos en siete pa\u00edses.<\/p>\n

Un proyecto de la Unicamp en el campo de la medicina predictiva puede generar un ahorro de 50 millones de reales por a\u00f1o para el Sistema \u00danico de Salud (SUS) de Brasil<\/p><\/blockquote>\n

Actualmente en el InCor funcionan cuatro grandes \u00e1reas de estudio: procesamiento de im\u00e1genes, se\u00f1ales y lenguaje, y la integraci\u00f3n de datos en el campo de lo que se denominan ciencias \u00f3micas (tales como gen\u00f3mica, prote\u00f3mica, metabol\u00f3mica, etc.). \u201cEstas \u00e1reas tambi\u00e9n incluyen colaboraciones con multinacionales del \u00e1rea tecnol\u00f3gica, tales como Canon y Foxconn\u201d, comenta Krieger. Foxconn es un fabricante de computadoras y smartphones<\/em> que cuenta entre sus clientes a las compa\u00f1\u00edas Apple y Microsoft.<\/p>\n

Las investigaciones m\u00e1s avanzadas son las de procesamiento de im\u00e1genes, que se obtienen a partir de tomograf\u00edas, resonancias y se\u00f1ales electrocardiogr\u00e1ficas. En el an\u00e1lisis de electrocardiograma, en particular, hay un logro significativo: la posibilidad de utilizar algoritmos de IA para brindar un diagn\u00f3stico con base en el simple trazado del electro. \u201cEl electrocardiograma es un an\u00e1lisis barato y ampliamente utilizado, pero su interpretaci\u00f3n puede ser m\u00e1s dif\u00edcil de lo que aparenta\u201d, reflexiona Krieger. \u201cLa herramienta le permite al m\u00e9dico tomar una foto de la imagen del examen y enviarla para que el sistema la eval\u00fae a distancia e independientemente del equipo empleado\u201d.<\/p>\n

El reto que enfrenta esta nueva perspectiva de investigaci\u00f3n, seg\u00fan Krieger, es el desarrollo de algoritmos de predicci\u00f3n de riesgo que tengan en cuenta las caracter\u00edsticas particulares de los individuos. \u201cNuestro prop\u00f3sito es integrar los datos de todo el historial cl\u00ednico del paciente, incluyendo marcadores gen\u00e9ticos\u201d, relata el investigador, que dirige estudios de fenotipado y genotipado de enfermedades cardiovasculares en el posgrado en cardiolog\u00eda de la USP.<\/p>\n

Algunas iniciativas ya est\u00e1n avanzando en ese campo. En Estados Unidos, cient\u00edficos de Google Research, de la startup<\/em> Verily Life Sciences y de la Universidad Stanford idearon un m\u00e9todo para prever el riesgo cardiovascular a partir del an\u00e1lisis de la retina. Entrenaron a un sistema de aprendizaje autom\u00e1tico con im\u00e1genes 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 aprendi\u00f3 a distinguir ojos sanos de aquellos con alteraciones en sus vasos sangu\u00edneos visibles en el fondo de ojo, indicio de un problema cardiovascular.<\/p>\n

\"\"<\/a>

Un m\u00e9todo creado por cient\u00edficos estadounidenses distingue los ojos sanos de aquellos que presentan alteraciones en los vasos sangu\u00edneos del fondo del ojo, un indicio de un problema cardiovascular. Esta herramienta tambi\u00e9n predice, con escaso margen de error, la edad, el g\u00e9nero, la concentraci\u00f3n de hemoglobina glicosilada (un marcador de la diabetes), el \u00edndice de masa corporal del paciente y si el mismo es fumador o no<\/p><\/div>\n

El objetivo del grupo consist\u00eda en determinar si los s\u00edntomas de riesgo cardiovascular podr\u00edan obtenerse en forma r\u00e1pida, barata y no invasiva en un entorno ambulatorio. El resultado super\u00f3 las expectativas: a partir de la comparaci\u00f3n de las im\u00e1genes, el algoritmo tambi\u00e9n result\u00f3 capaz de definir con escaso margen de error la edad, el g\u00e9nero, el contenido de hemoglobina glicosilada \u2013un marcador de la diabetes\u2013 y el \u00edndice de masa corporal del paciente, as\u00ed como si era fumador o no. \u201cDemostramos que el deep learning<\/em> [aprendizaje profundo] puede extraer nuevos conocimientos de las im\u00e1genes de la retina\u201d, enfatizan los autores del estudio. \u201cEn estos ex\u00e1menes, predecimos factores de riesgo cardiovascular que antes no se cre\u00eda que estuvieran presentes ni que fueran cuantificables\u201d.<\/p>\n

La t\u00e9cnica de aprendizaje profundo es la generaci\u00f3n m\u00e1s reciente del aprendizaje de m\u00e1quinas. Se trata de un m\u00e9todo 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 espec\u00edfica, la computadora utiliza algoritmos gen\u00e9ricos para identificar pautas de im\u00e1genes, textos o se\u00f1ales.<\/p>\n

Es la misma tecnolog\u00eda que est\u00e1 utilizando el equipo del Proyecto Code (Clinical Outcomes in Digital Electrocardiology), integrado por cient\u00edficos del Centro de Telesalud del Hospital de Cl\u00ednicas de la Universidad Federal de Minas Gerais (HC-UFMG). Con financiaci\u00f3n de la Fundaci\u00f3n de Apoyo a la Investigaci\u00f3n Cient\u00edfica del Estado de Minas Gerais (Fapemig) y la colaboraci\u00f3n de las universidades de Glasgow, en Escocia, y de Upsala, en Suecia, el grupo desarroll\u00f3 un proyecto de lectura autom\u00e1tica de electrocardiogramas para el diagn\u00f3stico de las enfermedades card\u00edacas.<\/p>\n

En este proyecto participan m\u00e9dicos, ingenieros y cient\u00edficos de la computaci\u00f3n. \u201cLa clave consiste en montar un equipo realmente multidisciplinario\u201d, dice el cardi\u00f3logo Antonio Luiz Pinho Ribeiro, l\u00edder del grupo y coordinador del Centro de Telesalud y de la Red de Teleasistencia de Minas Gerais, integrada por la asociaci\u00f3n de siete universidades p\u00fablicas 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<\/em>. El an\u00e1lisis permiti\u00f3 el reconocimiento de patrones y la identificaci\u00f3n de seis tipos distintos de alteraciones electrocardiogr\u00e1ficas con una precisi\u00f3n igual o superior a las efectuadas por m\u00e9dicos residentes y estudiantes.<\/p>\n

Otro aspecto del proyecto Code va un paso m\u00e1s all\u00e1. \u201cUtilizamos una red neuronal para pronosticar la edad de los pacientes tomando como base solamente el trazado del electrocardiograma. Esta edad electrocardiogr\u00e1fica podr\u00eda constituir un marcador de la salud cardiovascular\u201d, explica el ingeniero Ant\u00f4nio Horta Ribeiro, quien forma parte del equipo. Los primeros resultados indican que, cuando el algoritmo prev\u00e9 una edad mayor a la cronol\u00f3gica, existe un mayor riesgo de mortalidad en todos los rangos de edades.<\/p>\n

Para el experto en IA, los resultados que surgen de las investigaciones con redes neuronales pueden aportarle a la medicina nuevas perspectivas de diagn\u00f3stico. La m\u00e1quina, anteriormente entrenada para el reconocimiento de patrones, ahora ya es capaz de identificar anomal\u00edas que pasan desapercibidas para el ser humano. \u201cPuede deducir correlaciones que la medicina a\u00fan no ha hecho\u201d, dice Ribeiro. El desaf\u00edo es intentar descubrir los caminos han tomado las redes neuronales para obtener esas correlaciones.<\/p>\n

Tambi\u00e9n 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 a\u00f1o al Sistema \u00danico de Salud (SUS). Dichi proyecto, llevado a cabo por el Laboratorio Aterolab de la Facultad de Ciencias M\u00e9dicas (FCM), tiene por objeto detectar a los pacientes con enfermedades coronarias cr\u00f3nicas con mayor riesgo de sufrir eventos cl\u00ednicos adversos en el plazo de un a\u00f1o. La investigaci\u00f3n, a cargo del cardi\u00f3logo Andrei Sposito, coordinador del Aterolab, fue premiada por la Sociedad Brasile\u00f1a de Cardiolog\u00eda y por el Congreso Europeo de Innovaci\u00f3n.<\/p>\n

\u201cDurante el primer a\u00f1o posterior a un infarto, uno de cada cinco pacientes puede sufrir un nuevo ataque card\u00edaco o incluso, una muerte s\u00fabita. Se han hecho muchos intentos para detectar qui\u00e9nes son esos pacientes que corren mayor riesgo\u201d, dice el cardi\u00f3logo. Sposito hace hincapi\u00e9 en que los factores de riesgo cardiovascular ya se conocen desde hace muchos a\u00f1os, pero los mismos no funcionan de manera matem\u00e1tica. \u201cHay sinergias que se relacionan con las caracter\u00edsticas individuales. Que alguien tenga dos factores de riesgo no significa que afronte un riesgo dos veces mayor. No es as\u00ed de simple\u201d, explica.<\/p>\n

Seg\u00fan el cardi\u00f3logo, los primeros modelos matem\u00e1ticos para trabajar con las diferentes variables surgieron en la d\u00e9cada 1970 pero hasta ahora los resultados no son muy eficaces. En su investigaci\u00f3n, los algoritmos logran prever el 92% de los eventos cl\u00ednicos que un paciente puede afrontar en un plazo de un a\u00f1o. Si se dispone de esos datos, explica Sposito, puede monitorearse de cerca a los pacientes m\u00e1s vulnerables, algo que podr\u00eda redundar en la prevenci\u00f3n de muertes y evitar nuevas cirug\u00edas, internaciones y tratamientos costosos. \u201cSon beneficios importantes los que proporcionan los avances de los estudios en inteligencia artificial aplicada al cuidado del coraz\u00f3n\u201d, sostiene el experto.<\/p>\n

Proyectos<\/strong>
\n1.<\/strong> Segmentaci\u00f3n autom\u00e1tica del ventr\u00edculo izquierdo en ex\u00e1menes de resonancia magn\u00e9tica card\u00edaca (n\u00ba 19\/22116-7<\/a>); Modalidad<\/strong> Beca de Maestr\u00eda; Investigadora responsable<\/strong> F\u00e1tima de Lourdes dos Santos Nunes Marques (USP); Becario:<\/strong> Matheus Alberto de Oliveira Ribeiro; Inversi\u00f3n<\/strong> R$\u200939.863,34
\n2.<\/strong> INCT 2014: En Medicina Asistida por Computaci\u00f3n Cient\u00edfica (INCT-Macc) (n\u00ba 14\/50889-7<\/a>); Modalidad<\/strong> Proyecto Tem\u00e1tico; Investigador responsable<\/strong> Jos\u00e9 Eduardo Krieger (USP); Inversi\u00f3n<\/strong> R$\u20093.204.512,68
\n3.<\/strong> Centro de Inteligencia Artificial (n\u00ba 19\/07665-4<\/a>); Modalidad<\/strong> Centros de Investigaci\u00f3n en Ingenier\u00eda; Investigador responsable<\/strong> Fabio Gagliardi Cozman (IBM); Inversi\u00f3n<\/strong> R$\u20094.134.883,90<\/p>\n

Art\u00edculos cient\u00edficos<\/strong>
\nRIBEIRO, H. A. et al<\/em>. Automatic diagnosis of the 12-lead ECG using a deep neural network<\/a>. Nature Communications<\/strong>. 9 abr. 2020.
\nPOPLIN, R. et al<\/em>. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning<\/a>. Nature Communications<\/strong>. 19 feb. 2018.<\/p>\n","protected":false},"excerpt":{"rendered":"Nuevos recursos de la computaci\u00f3n pueden dotar de agilidad y eficacia al diagn\u00f3stico y el tratamiento de las enfermedades card\u00edacas","protected":false},"author":131,"featured_media":370011,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[192],"tags":[288,312,1169,316],"coauthors":[440],"class_list":["post-370415","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologia-es","tag-computacion","tag-innovacion","tag-matematica-es","tag-medicina-es"],"acf":[],"_links":{"self":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/370415","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/users\/131"}],"replies":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/comments?post=370415"}],"version-history":[{"count":5,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/370415\/revisions"}],"predecessor-version":[{"id":371112,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/370415\/revisions\/371112"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media\/370011"}],"wp:attachment":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media?parent=370415"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/categories?post=370415"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/tags?post=370415"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/coauthors?post=370415"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}