La inteligencia artificial (IA) es una disciplina de la informática que pretende simular los procesos que lleva a cabo el pensamiento humano, nuestra capacidad de aprendizaje y el almacenaje de conocimientos ¹. Sin que seamos plenamente conscientes, la IA está presente desde hace tiempo en nuestro día a día. Así, tanto las recomendaciones que recibimos para nuestras vacaciones a través de Internet, como la sugerencia para trazar la mejor ruta para llegar a tal lugar, podemos encontrar que todos estos pasos están sutil pero indefectiblemente marcados por algoritmos informáticos. Sin embargo, no ha sido hasta los últimos años cuando la Medicina, y la Cardiología en particular, han observado con interés el enorme potencial de la IA en la práctica clínica.  Y ahora, atónitos la mayoría de nosotros, asistimos a la avalancha de infinitas aplicaciones que la IA promete implantar en un futuro muy cercano.

Recientemente, el Journal of the American College of Cardiology (JACC) ha publicado una revisión en la que resume los últimos y prometedores logros de la IA en la Cardiología y, en especial, en el campo de la imagen cardiovascular ², y que humildemente yo intentaré resumir y contextualizar.

Vocabulario básico en inteligencia artificial

Parece lógico que empecemos por familiarizarnos con una serie de términos habitualmente empleados en la IA. Desde un sentido pragmático, la IA puede ser también definida como la capacidad de una máquina o dispositivo para tomar decisiones de manera autónoma en función de los datos que recoge. Distinguimos dos elementos que serán fundamentales en el campo médico. Las decisiones podrán ser predicciones de riesgo, diagnósticos probables, o tratamientos específicos, y serán resultado de los datos que recibe, ya sean elementos de una historia electrónica, imágenes, valores de laboratorio, eventos clínicos de interés, etc. Por tanto, deducimos que la cantidad (big data) como la calidad con la que se han recogido esos parámetros serán aspectos cruciales para que la IA pueda emitir juicios correctos y, lo que es más importante, seguir afinando con el tiempo esas predicciones según se alimente de más datos y más experiencia (machine learning). Esto último quizás es lo que más asemeja la IA a la inteligencia humana, su capacidad para aprender a base de identificar patrones y reglas entre la maraña de información recibida. Dos son las formas principales en que puede aprender una máquina. De manera supervisada y no supervisada. La primera consiste en que el programa buscará patrones en los datos que se ajusten a un evento concreto de nuestro interés. Dentro de esta primera clase encontramos métodos ampliamente utilizados en Medicina durante años como el análisis de regresión (regression analysis), y también otros más nuevos y sofisticados como los “bosques aleatorios” (random forests) o las redes neuronales convolucionales (convolutional neural networks). En el segundo grupo, sin embargo, el reconocimiento no está sujeto a ninguna regla marcada previamente por nosotros, y simplemente la IA intentará reconocer patrones entre los datos.  Además, ambos enfoques pueden ser combinados en aras de aumentar su potencia. Por ejemplo, podemos aplicar un unsupervised learning a un grupo de pacientes con insuficiencia cardíaca con un seguimiento conocido para identificar nuevas variables de riesgo no conocidas anteriormente y, posteriormente, introducirlas en modelos supervisados para ver su rendimiento. Una vez que el programa estadístico identifica maneras consistentes de discriminar los datos, podemos emplear términos como algoritmos y modelos. El paso final será comprobar si tales algoritmos o modelos se comportan adecuadamente en otras poblaciones diferentes con nuevos datos suministrados, y así validar su precisión y aplicabilidad a la práctica clínica.

Aplicaciones actuales al campo de la imagen cardiovascular

Tres son las áreas principales donde la IA se aplica ya en la imagen cardiovascular:

Adquisición de la imagen

La IA puede ayudar a los técnicos en radiología o a los médicos en formación a optimizar la calidad de un estudio de tomografía reconociendo los mejores planos que han de ser adquiridos, minimizando el tiempo de exposición a la radiación y añadiendo valor a la prueba.

Análisis de la imagen

El papel de la IA en el análisis de la imagen es, hasta la fecha, el más importante sin duda. La tecnología actual ya permite identificar en la estructura cardíaca con un grado de detalle nunca antes visto bordes, formas, etc., y potenciarlos para mejorar la precisión con la que se puede estimar la fracción de eyección del ventrículo izquierdo ³ o delimitar la anatomía de la válvula aórtica antes de un implante de prótesis transcatéter ⁴.

Predicción del riesgo

Existen numerosos ejemplos de cómo el machine learning mejora las técnicas convencionales de predicción de eventos cuando combina la información clínica de los pacientes con las imágenes de las pruebas disponibles. Es más, la IA tiene el potencial de identificar nuevos factores de riesgo que pueden, sumados al modelo, afinar más el algoritmo en la estratificación pronóstica.

Riesgos potenciales y cuestiones por resolver de la aplicación de la IA

La revisión enumera algunos de los riesgos que existen en relación con la IA. Como comenté previamente, uno de ellos es que, aunque el volumen de datos sea un elemento imprescindible para el correcto funcionamiento de los dispositivos, también lo es que sean de la máxima calidad, para poder asegurar decisiones lo más precisas posibles. Por tanto, los sistemas sanitarios tendrán que seguir trabajando en la homogeneización de los datos de sus pacientes y en la protocolización de los procesos asistenciales entre distintos centros y hospitales. Igualmente, la validación externa de los modelos y algoritmos generados en diferentes poblaciones es un requisito fundamental para implementar el uso de la IA en la práctica clínica en un futuro cercano. Todo ello conllevará, al menos a corto plazo, unos costes mayores por la necesaria inversión en tecnología e infraestructuras que permitan soportar el desarrollo de la IA. Por consiguiente, la perspectiva económica será otra vertiente más a tener en consideración a la hora de juzgar la IA, más si cabe en los sistemas sanitarios públicos. Por último, están las implicaciones éticas y legales que puede acarrear el uso de la IA en la toma de decisiones. Hasta ahora, como elementos de soporte que ayudan a los profesionales sanitarios, la agencia estatal americana no ha tenido dudas de catalogar esta tecnología como de “riesgo medio”. Si en el futuro se desarrollan sistemas autónomos completos de IA, capaces de emitir un diagnóstico y prescribir un tratamiento, es más que probable que este riesgo sea revisado al alza y surjan preguntas sobre quién sería responsable en caso de un error, por ejemplo.

Reflexión final

Aunque los riesgos de la IA, como con cualquier otra tecnología, son reales, también lo son las enormes ventajas e infinitas posibilidades que nos brinda su implementación y desarrollo. Nadie imagina ahora un mundo sin telefonía, sin internet y sin tantos otros avances, que han conseguido hacer del mundo en el que vivimos un lugar mejor. Igualmente, la IA nos permitirá, en un futuro muy cercano, solucionar aspectos asistenciales que hoy día son un problema para el sistema sanitario (acortar listas de espera, ordenar flujos de pacientes dentro de un proceso clínico, identificar pacientes de riesgo o seleccionar aquéllos que más se puedan beneficiar de un tratamiento específico) y progresar en el conocimiento científico revelando asociaciones desapercibidas que puedan generar nuevas hipótesis, por ejemplo.  Todo ello deberá conducir a un cambio en el modelo educativo de las siguientes generaciones de profesionales sanitarios, que sean capaces de extraer el máximo beneficio de estas técnicas y sin que eso suponga un menoscabo en otras habilidades y valores que nunca tienen que desaparecer en el ejercicio de la Medicina, como el respeto, la empatía y la compasión.

REFERENCIAS

1-Krittanawong C, Zhang HJ, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol 2017;69:2657–2664.

2-Dey D, Slomka PJ, Leeson P, Comaniciu D, Shrestha S, Sengupta PP, Marwick TH. Artificial Intelligence in Cardiovascular Imaging: JACC State-of-the-Art Review. J Am Coll Cardiol 2019;73:1317–1335.

3-Knackstedt C, Bekkers SCAM, Schummers G, Schreckenberg M, Muraru D, Badano LP, Franke A, Bavishi C, Omar AMS, Sengupta PP. Fully Automated Versus Standard Tracking of Left Ventricular Ejection Fraction and Longitudinal Strain. J Am Coll Cardiol 2015;66:1456–1466. Available at: http://www.ncbi.nlm.nih.gov/pubmed/26403342. Accessed July 10, 2019.

4-Zheng Y, John M, Liao R, Nöttling A, Boese J, Kempfert J, Walther T, Brockmann G, Comaniciu D. Automatic aorta segmentation and valve landmark detection in C-arm CT for transcatheter aortic valve implantation. IEEE Trans Med Imaging 2012;31:2307–21. Available at: http://ieeexplore.ieee.org/document/6293901/. Accessed July 10, 2019.