El documento aborda el uso de la inteligencia artificial para diagnosticar enfermedades cardiovasculares a través del análisis automatizado de electrocardiogramas (ECG). Propone que, debido a la falta de cardiólogos en países de bajos y medianos ingresos, es necesario desarrollar programas informáticos que interpreten señales de ECG y ofrezcan predicciones sobre la salud cardíaca. Se menciona un estudio que desarrolla un modelo de aprendizaje automático capaz de clasificar anomalías en ECG, mostrando un rendimiento comparable o superior al de cardiólogos humanos.

1. ¿Qué es la IA?

2. Diagnosticando
enfermedades cardiacas
Alfonso Meléndez (Adaptado de un escrito de Fredric Linsten )

3. Introducción
• La principal causa de muerte a
nivel mundial son las
enfermedades que afectan el
corazón y los vasos sanguíneos,
denominadas colectivamente
enfermedades cardiovasculares.
• Los problemas cardíacos a
menudo influyen en la actividad
eléctrica del corazón, que puede
medirse mediante electrodos
adheridos al cuerpo.

4. Introducción
• Las señales eléctricas se
informan en un
electrocardiograma (ECG).
• Los problemas cardíacos a
menudo influyen en la
actividad eléctrica del corazón,
que puede medirse mediante
electrodos adheridos al cuerpo.

5. Las medidas se
derivan de
• Un corazón sano
(arriba)
• Un corazón que
sufre de fibrilación
auricular (centro)
• y un corazón que
sufre del haz
derecho
• Bloqueo de rama
(abajo)
• La fibrilación auricular
hace que el corazón lata
sin ritmo, lo que dificulta
que el corazón bombee
sangre de forma normal.
• El bloqueo de rama
derecha corresponde a un
retraso o bloqueo en las
vías eléctricas del corazón.
Regiones de el mesurado señales de tres diferente copas

6. Introducción
• Al analizar la señal del ECG, un
cardiólogo obtiene información
valiosa sobre el estado del
corazón, que puede utilizarse
para diagnosticar al paciente y
planificar el tratamiento .

7. Introducción
Para mejorar la precisión
diagnóstica, así como para
ahorrar tiempo a los cardiólogos,
podemos preguntarnos si este
proceso se puede automatizar
hasta cierto punto.

8. Introducción
Es decir, ¿podemos construir un
programa de computadora que
lea las señales del ECG, analice
los datos y devuelva una
predicción sobre la normalidad o
anormalidad del corazón?

9. Introducción
Estos modelos, capaces de
interpretar con precisión un
examen de ECG de manera
automatizada, encontrarán
aplicaciones en todo el mundo,
pero las necesidades son más
agudas en los países de bajos y
medianos ingresos.
países de ingresos medios.

10. Introducción
Una razón importante para esto
es que la población de estos
Los países a menudo no tienen
acceso fácil y directo a
cardiólogos altamente calificados
Capaz de realizar diagnósticos de
ECG con precisión

11. Además, cardiovascular
Las enfermedades en estos
países están vinculadas a más
del 75% de las muertes.

12. Desafío

13. El desafío clave en la
construcción de un programa de
computadora de este tipo es que
está lejos de ser obvio qué
cálculos son necesarios para
convertir la señal de ECG sin
procesar en una predicción sobre
la condición del corazón.

14. El desafío clave en la construcción de un
programa de computadora de este tipo
es que está lejos de ser obvio qué
cálculos son necesarios para convertir la
señal de ECG sin procesar en una
predicción sobre la condición del
corazón.
Incluso si un cardiólogo
experimentado intentara explicarle a
un desarrollador de software qué
patrones buscar en los datos, traducir
el
La experiencia del cardiólogo en un
programa informático fiable sería
extremadamente

15. Para abordar esta
dificultad, el enfoque del
aprendizaje automático
consiste en enseñar al
programa informático a
través de ejemplos.

16. Simplemente le pedimos al cardiólogo (o a un grupo de cardiólogos) que
etiquete una gran cantidad de señales de ECG registradas con etiquetas
correspondientes a la afección cardíaca subyacente.

17. La tarea del algoritmo de aprendizaje es
entonces adaptar automáticamente el
ordenador.
programa para que sus predicciones
coincidan con las etiquetas de los
cardiólogos en el papel etiquetado

18. Aprendizaje automático
Modelo

19. Este es el enfoque adoptado por
Ribeiro et al. (2020), quienes
desarrollaron un modelo de
aprendizaje automático para la
predicción de ECG.
En su estudio, los datos de
entrenamiento consisten en más
de 2.300.000 registros de ECG de
casi 1.700.000 pacientes
diferentes de la

20. Actuación

21. Evaluar cómo funcionará un
modelo como éste en la práctica
no es sencillo.
El enfoque adoptado en este
estudio fue pedir a tres
cardiólogos diferentes con
experiencia en
electrocardiografía que
examinaran y clasificaran 827
registros de ECG.

22. Este conjunto de datos fue luego
evaluado por el algoritmo, dos 4º
residentes de cardiología de
tercer año, dos residentes de
urgencias de tercer año y dos
estudiantes de medicina de
quinto año.

23. Conclusión

24. Luego se comparó el rendimiento
promedio y el resultado fue
que el algoritmo logró un resultado mejor
o igual al desempeño humano al clasificar
seis tipos de anomalías.

25. Gracias por su
atención