Un algorisme és capaç de predir la mort i l'atac cardíac amb més del 90% de precisió

L'aprenentatge automàtic està superant als humans per a predir la mort o un atac al cor. Aquest és el missatge principal d'un estudi que es presenta aquest diumenge en la Conferència Internacional sobre Cardiologia Nuclear i TC Cardíaca (ICNC, per les seves sigles en anglès), coorganitzada per la Societat Americana de Cardiologia Nuclear, l'Associació Europea d'Imatges Cardiovasculars de la Societat Europea de Cardiologia i l'Associació Europea de Medicina Nuclear.

En analitzar repetidament 85 variables en 950 pacients amb resultats coneguts de sis anys, un algorisme «va aprendre» com interactuen les dades d'imatges. Després va identificar els patrons que correlacionen les variables amb la mort i l'atac cardíac amb més del 90% de precisió.

L'aprenentatge automàtic, la base moderna de la intel·ligència artificial (IA), s'utilitza tots els dies. El motor de cerca de Google, el reconeixement facial en els telèfons intel·ligents, els cotxes que condueixen per si mateixos, els sistemes de recomanació de Netflix i Spotify usen algorismes d'aprenentatge automàtic per a adaptar-se a l'usuari individual.

L'autor de l'estudi, el doctor Luis Eduardo Juárez-Orozco, del Centre de PET de Turku, Finlàndia, afirma que: «Aquests avanços van molt més allà del que s'ha fet en medicina, on hem de ser cautelosos sobre com avaluem el risc i els resultats. Tenim les dades, però encara no els estem utilitzant en tot el seu potencial».

Els metges empren les puntuacions de risc per a prendre decisions de tractament, però aquestes puntuacions es basen només en un grapat de variables i, sovint, tenen una precisió modesta en pacients individuals. Mitjançant la repetició i l'ajust, l'aprenentatge automàtic pot explotar grans quantitats de dades i identificar patrons complexos que poden no ser evidents per als humans.

«Als humans els costa molt pensar en més de tres dimensions (un cub) o quatre dimensions (un cub a través del temps). En el moment en què saltem a la cinquena dimensió estem perduts. El nostre estudi demostra que molt els patrons d'alta dimensió són més útils que els patrons d'una sola dimensió per a predir resultats en individus i per a això necessitem aprenentatge automàtic», afirma el doctor Juárez-Orozco.

L'estudi va incloure a 950 pacients amb dolor toràcic que es van sotmetre al protocol habitual del centre per a detectar una malaltia de l'artèria coronària. Una exploració coronària per angiografía per tomografia computada va produir 58 dades de la presència de placa coronària, estrenyiment de vasos i calcificació.

Aquells amb exploracions que suggerien malaltia es van sotmetre a una tomografia per emissió de positrons (TEP) que va produir 17 variables en el flux sanguini. Es van obtenir deu variables clíniques a partir de registres mèdics, incloent sexe, edat, tabaquisme i diabetis.

Durant un seguiment mitjà de sis anys, va haver-hi 24 atacs cardíacs i 49 morts per qualsevol causa. Les 85 variables es van posar en un algorisme d'aprenentatge automàtic anomenat LogitBoost, que les va analitzar una vegada i una altra fins que va trobar la millor estructura per a predir qui va tenir un atac cardíac o va morir.

«L'algorisme aprèn progressivament de les dades i, després de nombroses rondes d'anàlisis, determina els patrons d'alta dimensió que han d'usar-se per a identificar de manera eficient als pacients que tenen l'esdeveniment. El resultat és una puntuació de risc individual», explica el doctor Juárez-Orozco.

«Els metges ja recopilen molta informació sobre els pacients, per exemple, els que tenen dolor de pit. Descobrim que l'aprenentatge automàtic pot integrar aquestes dades i predir amb precisió el risc individual. Això hauria de permetre'ns personalitzar el tractament i, en última instància, portar a millors resultats per als pacients», conclou el doctor Juárez-Orozco.