Electrocardiografía, Inteligencia artificial y Razonamiento Clínico

Alejandro Hernández-Arango
Médico Internista
Asp Msc Telesalud y salud digital
Profesor Universidad de Antioquia

Mientras terminaba de escribir la columna se me ocurrió entregar el título a una red neuronal llamada VQGAN CLIP (1), la cual está entrenada para generar imágenes a partir de texto.
Decidí darle el título de la columna y el resultado de como la red mueve los datos para generar una imagen, ejercicio que fue realmente interesante (ver la figura abajo).

Empezamos con ocurrencias de la historia sobre este tema, curiosamente, Wilhelmen Einthoven en 1906 introdujo el concepto de “cuidado desde la distancia” al transmitir una bioseñal de electrocardiografía desde su laboratorio de fisiología hasta un hospital ubicado a una milla de distancia. (2,5)

Más de 100 años después de recibir el premio Nobel de medicina, la genialidad de sus ideas aún siguen rindiendo frutos de forma masiva en la era de los datos y el surgimiento de la salud digital.

Nunca antes en la historia del ser humano se nos ha dado la oportunidad de recolectar, medir y estudiar nuestras bioseñales en forma tan masiva y bajo circunstancias cotidianas. La receta de esta innovación disruptiva y su crecimiento exponencial en los últimos años está basada en la disponibilidad y aumento en la cantidad de bioseñales almacenadas, combinadas con la capacidad de procesamiento computacional derivada del aumento del paralelismo de las máquinas (es decir la capacidad de realizar cálculos
simultáneos). Este escenario está potenciando desarrollos basados en datos derivados de las bioseñales recolectadas por medio de electrocardiógrafos cada vez más pequeños, que caben incluso en cualquier reloj. Bachtiger et al. (3) Publicó en Lancet un interesante estudio observacional prospectivo para validar una red neuronal entrenada con 35.970 electrocardiogramas relacionados a la fracción de eyección por ecocardiografía de la clínica mayo, lograba predecir la fracción de eyección disminuida a través de un estetoscopio unido a un electrocardiógrafo que toma una sola derivada de 15 segundos de duración.

Estamos entonces, rayando los límites de la cognición clínica, estamos pasando del razonamiento intuitivo e hipotético-deductivo (4) basado en largos años de entrenamiento a una simbiosis médico-máquina que nos deja serios retos éticos. Nos hemos dado cuenta que detrás del QRS existe información que no podemos identificar solamente con la experticia del ojo clínico humano más entrenado, pero si con técnicas de aprendizaje de máquinas; a través de redes neuronales y otros modelos que nos abren una ventana a un maravilloso mundo de lo desconocido. ¿Qué más sorpresas tendrá el electrocardiograma
detrás?. y, por último, sería un ejercicio interesante para el lector pensar como imaginar un dibujo para el título de esta columna…los leeremos.

VQGAN CLIP input “Electrocardiography, Artificial intelligence and clinical reasoning”

Lecturas Recomendadas

  1. Esser, P., Rombach, R., & Ommer, B. (2020). Taming Transformers for
    High-Resolution Image Synthesis. In arXiv [cs.CV]. arXiv.
    http://arxiv.org/abs/2012.09841
  2. SS Barold. Willem Einthoven and the birth of clinical electrocardiography a hundred
    years ago.Card Electrophysiol Rev2003;
    7:99-104https://link.springer.com/article/10.1023%2FA%3A1023667812925.10.1023/
    A:1023667812925.12766530.
  3. Bachtiger P Petri CF Scott FE et al. Point-of-care screening for heart failure with
    reduced ejection fraction using artificial intelligence during ECG-enabled stethoscope
    examination: a prospective, observational, multicentre study. Lancet Digi Health.
    2022; (published online Jan 5.) https://doi.org/10.1016/S2589-7500(21)00256-9
  4. Pelaccia T, Forestier G, Wemmert C. Deconstructing the diagnostic reasoning of
    human versus artificial intelligence [published correction appears in CMAJ. 2020 Jan
    6;192(1):E17]. CMAJ. 2019;191(48):E1332-E1335. doi:10.1503/cmaj.190506
  5. Lee Simin Gharib, Blood Alexander, Gordon William, & Scirica Benjamin. (n.d.).
    Disruptive and Sustaining Innovation in Telemedicine: A Strategic Roadmap. Catalyst
    Non-Issue Content, 2(6). https://doi.org/10.1056/CAT.21.0311

Deja una respuesta

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Salir /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Salir /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Salir /  Cambiar )

Conectando a %s

A %d blogueros les gusta esto: