La IA podría ayudar con el problema de infradiagnóstico de cardiopatías en mujeres

Un tercio de todas las muertes femeninas en el mundo está ocasionado por enfermedades cardiovasculares. Tras un infarto de miocardio, las mujeres tienen más probabilidad de fallecer que los hombres, según datos de Sociedad Europea de Cardiología. Esto se debe a errores en el diagnóstico y en los tratamientos que se basan en modelos preclínicos y clínicos predominantemente masculinos.

Un equipo de investigadores de la Universidad de Satnford (EE UU) y la Universidad Tecnológica de Delft (Países Bajos) intenta mejorar estos problemas de infradiagnóstico mediante el uso de herramientas de inteligencia artificial (IA). Los resultados del estudio se han publicado en el último número de la revista Frontiers.

En la actualidad, se sigue usando la puntuación de riesgo de Framingham para estimar la probabilidad de que una persona desarrolle una enfermedad cardiovascular en los próximos 10 años. El sistema se basa en factores como la edad, el sexo, los niveles de colesterol y la tensión arterial.

En el nuevo trabajo, los autores han utilizado un amplio conjunto de datos para elaborar modelos de riesgo cardiaco más precisos utilizando herramientas de aprendizaje automático de IA. Además, han cuantificado el infradiagnóstico de las mujeres en comparación con los hombres.

Anatómicamente, los corazones de hombres y mujeres son diferentes. Por ejemplo, los femeninos son más pequeños y tienen paredes más delgadas. Sin embargo, los criterios de diagnóstico de determinadas cardiopatías son los mismos para ambos sexos, lo que significa que el corazón de las mujeres debería aumentar desproporcionadamente para que se cumplieran los mismos criterios de riesgo.

Descubrieron que el uso de criterios neutrales en cuanto al sexo conduce a un infradiagnóstico grave de las pacientes

Cuando los investigadores cuantificaron los problemas en el diagnóstico de mujeres en estas enfermedades, descubrieron que el uso de criterios neutrales en cuanto al sexo conduce a un infradiagnóstico grave de las pacientes.

“Las mujeres están infradiagnosticadas de bloqueo auriculoventricular (AV) de primer grado, que afecta a los latidos del corazón, y de miocardiopatía dilatada, una enfermedad del músculo cardiaco, que les afecta entre 1,4 y dos veces más que a los hombres, respectivamente”, afirma Skyler St. Pierre, investigadora Living Matter Lab de Stanford y coautora del estudio. También se detectó este problema en el diagnóstico femenino en otras dolencias cardiacas.

Patrones en grandes volúmenes de datos

St. Pierre comenta a SINC que recurrieron a la IA porque “es una tecnología idónea para encontrar patrones en grandes volúmenes de datos. En concreto –explica– queríamos determinar qué factores son los más importantes para detectar enfermedades cardiovasculares de entre cuatro pruebas: resonancia magnética cardiaca, electrocardiograma, análisis de las ondas del pulso y ecografía carotídea, así como los factores tradicionales de la puntuación de riesgo de Framingham”.

El equipo utilizó datos de más de 20.000 individuos del UK Biobank, una base de datos biomédica con información de cerca de medio millón de pacientes británicos mayores de 40 años, que se habían sometido a estas cuatro pruebas. “Con este volumen de datos, el uso de la IA permite clasificar qué factores son los más predictivos de una manera mucho más fácil que con los métodos tradicionales”, dice St. Pierre.

El electrocardiograma era la prueba más eficaz para detectar cardiopatías tanto en hombres como en mujeres, pero es necesario usar criterios diagnósticos específicos por sexo

Skyler St. Pierre, coautora (Stanford)

“La IA también facilita la clasificación de grupos diferentes, como hombres frente a mujeres o cardiopatía isquémica versus hipertensión, y permite ver cómo cambian los patrones y qué factores se vuelven más predictivos para determinados subconjuntos”

Mediante el aprendizaje automático, “determinamos que el electrocardiograma era la prueba más eficaz para la detección de enfermedades cardiovasculares tanto en hombres como en mujeres, pero deben utilizarse criterios diagnósticos específicos para cada sexo”, aclara la investigadora.

Skyler St. Pierre indica que la otra parte del estudio consistía en cuantificar el infradiagnóstico de enfermedades cardiovasculares en mujeres en el Biobanco de Reino Unido

“Para esta parte del trabajo no utilizamos IA. En realidad, fue extremadamente sencillo: trazamos los datos brutos y los diagramas de violín –distribuciones agregadas– de hombres y mujeres para varias enfermedades cardiovasculares comunes, así como los criterios de corte para el diagnóstico. Incluso a simple vista, quedó claro que las distribuciones eran diferentes y que, al utilizar criterios no específicos por sexo, las mujeres estaban infradiagnosticadas en comparación con los hombres para una misma dolencia cardiaca”, subraya.

El problema de la desigualdad en los ensayos

Aparte de la utilidad que pueda tener la inteligencia artificial para mejorar el diagnóstico de estas enfermedades, la investigadora opina que “para empezar, hay que cambiar la forma de estudiar las cardiopatías, ya que hasta ahora se ha basado en ensayos que usan mayoritariamente modelos masculinos”.

La IA es muy buena para encontrar patrones en los datos, por ello es muy importante que al recopilarlos se haga de forma que no repita sesgos

Skyler St. Pierre

“La IA –dice– es una gran herramienta para encontrar patrones en los datos, pero esto hace que sea aún más importante que cuando los recopilemos lo hagamos de una manera que no repita sesgos, como tener menos mujeres que hombres en los ensayos clínicos ya que la inteligencia artificial replicará esos sesgos”.

Por ejemplo, prosigue, “aunque nuestro estudio adopte un enfoque basado en datos para cuantificar el infradiagnóstico de las mujeres y sostengamos que los criterios diagnósticos específicos por sexo mejorarán los resultados para ellas, no tiene en cuenta la misoginia médica ni el hecho de que las mujeres pueden experimentar síntomas diferentes a los de los hombres en la misma enfermedad cardiovascular”, destaca.

Criterios específicos para cada sexo

Skyler St. Pierre sostiene que en este estudio se pone de manifiesto que “se necesitan criterios y límites específicos para cada sexo a la hora de diagnosticar determinadas enfermedades cardiovasculares”.

Sin embargo, subraya, “los modelos que hemos desarrollado no nos permiten determinar con exactitud cuáles deberían ser esos valores de corte. Creo que los médicos y los científicos deben colaborar y analizar grandes volúmenes de datos –como, por ejemplo, los del UK Biobank– para tratar de averiguarlo”.

La investigadora concluye: “En conjunto, nos encantaría ver un sistema actualizado en el que se combinaran parámetros de cribado fáciles de usar, como la puntuación de riesgo de Framingham, con criterios de diagnóstico específicos por sexo a partir de los electrocardiogramas, para asegurarnos de que no se pasa por alto a las personas que necesiten tratamiento”.

Toma de decisiones informada

Por su parte, Sara Cogliati, investigadora del Centro de Biología Molecular Severo Ochoa (UAM-CSIC) –que no participa en el estudio– comenta a SINC que “la inteligencia artificial puede ser una herramienta valiosa en la prevención y diagnóstico de enfermedades cardiovasculares en mujeres”.

Es preciso que los sistemas de IA tengan en cuenta los resultados de las investigaciones que hayan incluido modelos femeninos en las fases de estudio animal y de ensayos clínicos. Esto permitirá afinar y mejorar los modelos predictivos

Sara Cogliati, investigadora de UAM-CSIC que no participa en el estudio

Esta doctora en Biología Celular opina que la IA “permite a los médicos evaluar el riesgo cardiovascular de las pacientes y tomar decisiones informadas. Además –señala– estas herramientas pueden ayudar a identificar factores de riesgo específicos y a comprender mejor los mecanismos moleculares subyacentes a estas enfermedades. En última instancia, esta tecnología tiene el potencial de mejorar significativamente la atención médica y la salud cardiovascular de las mujeres”.

Sin embargo, agrega, “es necesario que estos sistemas de IA tengan en cuenta los resultados de las investigaciones que hayan incluido modelos femeninos en las fases de estudio animal y en los ensayos clínicos. Esto permitirá afinar y mejorar esos modelos predictivos”.

Referencia:

Skyler St. Pierre et al “Sex-specific cardiovascular risk factors in the UK Biobank”. Frontiers.