Investigadores del MIT y Harvard han desarrollado un modelo de aprendizaje profundo, PULSE-HF, que predice la evolución de la insuficiencia cardíaca en pacientes, mejorando la gestión clínica y priorizando cuidados.
La insuficiencia cardíaca, caracterizada por un debilitamiento o daño en la musculatura del corazón, provoca una acumulación gradual de líquido en los pulmones, piernas y otras partes del cuerpo. Esta condición es crónica e incurable, y a menudo conduce a arritmias o paros cardíacos repentinos. A lo largo de la historia, tratamientos como la sangría y el uso de sanguijuelas fueron comunes, especialmente entre los cirujanos barberos en Europa, en una época donde los médicos rara vez realizaban intervenciones quirúrgicas.
En el siglo XXI, el manejo de la insuficiencia cardíaca ha evolucionado significativamente: hoy en día, los pacientes combinan cambios saludables en su estilo de vida con medicamentos recetados y, en ocasiones, el uso de marcapasos. Sin embargo, esta enfermedad sigue siendo una de las principales causas de morbilidad y mortalidad a nivel mundial, generando una carga considerable para los sistemas de salud.
“Cerca de la mitad de las personas diagnosticadas con insuficiencia cardíaca fallecerán dentro de cinco años desde el diagnóstico”, afirma Teya Bergamaschi, estudiante de doctorado en MIT y coautora principal de un nuevo estudio que presenta un modelo de aprendizaje profundo para predecir el pronóstico de insuficiencia cardíaca. “Entender cómo le irá a un paciente tras ser hospitalizado es crucial para asignar recursos limitados”.
El artículo, publicado en Lancet eClinical Medicine por un equipo de investigadores del MIT, Mass General Brigham y la Escuela Médica de Harvard, presenta los resultados del desarrollo y prueba del modelo PULSE-HF. Este acrónimo se traduce como “Predecir cambios en la función sistólica ventricular izquierda a partir de ECGs en pacientes con insuficiencia cardíaca”. El proyecto se llevó a cabo en el laboratorio del profesor Collin Stultz, afiliado al MIT Abdul Latif Jameel Clinic for Machine Learning in Health. El modelo fue desarrollado y probado retrospectivamente en tres cohortes diferentes de pacientes provenientes del Hospital General de Massachusetts, Brigham and Women’s Hospital y MIMIC-IV (un conjunto de datos disponible públicamente).
PULSE-HF predice con precisión cambios en la fracción de eyección ventricular izquierda (LVEF), que indica el porcentaje de sangre bombeada desde el ventrículo izquierdo del corazón. Un corazón humano sano bombea entre 50% y 70% del volumen sanguíneo con cada latido; cualquier porcentaje inferior puede ser indicativo de problemas potenciales. “El modelo toma un electrocardiograma y predice si habrá una fracción de eyección dentro del próximo año que caiga por debajo del 40%”, explica Tiffany Yau, también estudiante doctoral en el laboratorio de Stultz y coautora principal del artículo sobre PULSE-HF.
Si PULSE-HF indica que es probable que la fracción de eyección empeore dentro del año, el clínico puede priorizar al paciente para seguimiento. Esto permite que aquellos con menor riesgo reduzcan sus visitas al hospital y minimicen el tiempo dedicado a colocarse electrodos para un ECG estándar. Además, este modelo puede implementarse en entornos clínicos con pocos recursos, como consultorios médicos rurales donde no suelen contar con ecografistas cardíacos disponibles diariamente.
"Lo más distintivo de PULSE-HF frente a otros métodos basados en ECG es que, en lugar de detectar condiciones actuales, realiza pronósticos", señala Yau. Hasta ahora no existen otros métodos capaces de predecir futuros descensos en LVEF entre pacientes con insuficiencia cardíaca.
Durante las pruebas y validaciones, los investigadores utilizaron una métrica conocida como "área bajo la curva característica operativa" (AUROC) para evaluar el rendimiento del modelo PULSE-HF. Esta métrica mide la capacidad discriminativa del modelo entre clases, con valores que van desde 0 (aleatorio) hasta 1 (perfecto). PULSE-HF logró AUROCs entre 0.87 y 0.91 en todas las cohortes estudiadas.
No obstante su simplicidad aparente, desarrollar PULSE-HF ha requerido un esfuerzo considerable. “Han sido años [de trabajo]”, recuerda Bergamaschi. “Ha pasado por muchas iteraciones”. Uno de los mayores retos fue recopilar, procesar y limpiar los conjuntos de datos provenientes tanto del ECG como del ecocardiograma. Aunque el objetivo es prever la fracción de eyección futura, las etiquetas necesarias para entrenar al modelo no siempre estaban disponibles.
A medida que avanza este proyecto innovador, los investigadores prevén probar PULSE-HF en un estudio prospectivo con pacientes reales cuya futura fracción de eyección aún se desconoce. A pesar dos años difíciles para llevar herramientas clínicas como PULSE-HF a buen término —lo cual podría prolongar aún más su trayectoria académica— los estudiantes consideran que todo este esfuerzo ha valido la pena.
"Creo que las cosas son gratificantes precisamente porque son desafiantes", concluye Bergamaschi. "Hay demasiado sufrimiento en el mundo", añade Yau; su interés por aplicar machine learning al cuidado médico surgió tras vivir una experiencia personal relacionada con su salud. "Cualquier cosa que intente aliviar ese sufrimiento es algo valioso".