La IA puede ayudar a mejorar el infradiagnóstico de la enfermedad cardiaca en mujeres

Para medir esta cuestión, un sistema de puntuación popular utilizado para estimar la probabilidad de que una persona desarrolle una enfermedad cardiovascular en los próximos 10 años es la puntuación de riesgo de Framingham. Este se basa en factores que incluyen la edad, el sexo, los niveles de colesterol y la presión arterial. De esta forma, investigadores de EEUU y Países Bajos han utilizado un gran conjunto de datos para crear modelos de riesgo cardiovascular más precisos que la puntuación de riesgo de Framingham. También cuantificaron el infradiagnóstico de las mujeres en comparación con los hombres. Los resultados se publican en 'Frontiers in Physiology'. 'Descubrimos que los criterios neutrales al sexo no logran diagnosticar adecuadamente a las mujeres. Si se utilizaran criterios específicos de sexo, este infradiagnóstico sería menos grave', afirma Skyler St. Pierre, investigador del Living Matter Lab de la Universidad de Stanford (Estados Unidos). 'También descubrimos que el mejor examen para mejorar la detección de enfermedades cardiovasculares tanto en hombres como en mujeres es el electrocardiograma (EKG)'. Anatómicamente, los corazones femeninos y masculinos son diferentes. Por ejemplo, los corazones femeninos son más pequeños y tienen paredes más delgadas. Sin embargo, los criterios de diagnóstico para ciertas enfermedades cardíacas son los mismos para mujeres y hombres, lo que significa que los corazones de las mujeres deben aumentar desproporcionadamente más que los de los hombres antes de que se cumplan los mismos criterios de riesgo. Cuando los investigadores cuantificaron el infradiagnóstico de las mujeres en comparación con los hombres, descubrieron que el uso de criterios neutrales en cuanto al sexo conduce a un infradiagnóstico grave de las pacientes femeninas. 'Las mujeres están infradiagnosticadas de bloqueo auriculoventricular (AV) de primer grado, un trastorno que afecta los latidos del corazón, y miocardiopatía dilatada, una enfermedad del músculo cardíaco, dos veces y 1,4 veces más que los hombres, respectivamente', comenta St. Pierre. También se encontró un infradiagnóstico de las mujeres para otros trastornos cardíacos.

Utilizar el aprendizaje automático

Para lograr predicciones más precisas para ambos sexos, los científicos aprovecharon cuatro métricas adicionales que no se consideran en la puntuación de riesgo de Framingham: resonancia magnética cardíaca, análisis de ondas de pulso, electrocardiogramas y ecografías carotídeas. Utilizaron datos de más de 20.000 personas del Biobanco del Reino Unido (una base de datos biomédica que comprende información de aproximadamente medio millón de personas del Reino Unido de 40 años o más) que se habían sometido a estas pruebas. 'Si bien los modelos clínicos tradicionales son fáciles de usar, ahora podemos utilizar el aprendizaje automático para analizar miles de otros factores posibles y encontrar características nuevas y significativas que podrían mejorar significativamente la detección temprana de enfermedades', expone St. Pierre. Hace apenas 10 años, estos métodos no estaban disponibles, por lo que escalas de evaluación como el Framingham Risk Score se utilizan desde hace medio siglo. Utilizando el aprendizaje automático, los investigadores determinaron que, de las métricas probadas, los electrocardiógrafos eran los más eficaces para mejorar la detección de enfermedades cardiovasculares tanto en hombres como en mujeres. Sin embargo, esto no significa que los factores de riesgo tradicionales no sean herramientas importantes para la evaluación de riesgos, comentan los investigadores. 'Proponemos que los médicos primero evalúen a las personas mediante una encuesta simple con factores de riesgo tradicionales y luego realicen una segunda etapa de detección mediante electrocardiogramas para los pacientes de mayor riesgo'. El presente estudio proporciona un primer paso para repensar los factores de riesgo de enfermedad cardíaca. Aprovechar las nuevas tecnologías es una forma prometedora de mejorar la predicción de riesgos. Sin embargo, el estudio tiene algunas limitaciones que deberían abordarse en el futuro, explican los investigadores. Una de esas limitaciones es el hecho de que en el Biobanco del Reino Unido el sexo se trata como una variable binaria. El sexo, sin embargo, es intrínsecamente complejo y se relaciona con hormonas, cromosomas y características físicas, todas las cuales pueden caer en algún lugar de un espectro entre lo 'típicamente' masculino y lo 'típicamente' femenino. Además, la población del estudio eran personas de mediana edad y mayores que residían en el Reino Unido, por lo que es posible que los resultados no sean transferibles a personas de otros orígenes y edades. 'Si bien la medicina específica para cada sexo es un paso en la dirección correcta, la medicina específica para cada paciente proporcionaría los mejores resultados para todos', concluye St. Pierre.