Un grupo de investigadores ha presentado el Cardiac Sensing Foundation Model (CSFM), un sistema de IA entrenado con datos de 1,7 millones de individuos que mejora los métodos tradicionales para diagnosticar patologías cardíacas y predecir la evolución de los pacientes. Este innovador modelo, descrito hoy en Nature Machine Intelligence, logró hasta un 96,7% de precisión en pronósticos de cuidados críticos y se integra perfectamente tanto con ECG hospitalarios como con dispositivos wearables, lo que supone un avance significativo en la cardiología impulsada por IA.
El nuevo sistema mostró un desempeño excepcional en entornos de cuidados intensivos, alcanzando una tasa de precisión del 96,7% en la predicción de falsas alarmas, frente al 93,1% de los métodos convencionales, según el estudio publicado en Nature Machine Intelligence. Al pronosticar la mortalidad a un año utilizando datos de pacientes brasileños, el modelo logró una precisión del 84,4%, superando notablemente a los enfoques tradicionales que alcanzaban un máximo del 81,6%.
Más allá de su aplicación en cuidados críticos, el CSFM exhibió capacidades diagnósticas robustas en diversas afecciones cardiovasculares. El sistema obtuvo una puntuación Macro-F1 de 0,677 para la clasificación de enfermedades multietiqueta en datos de ECG de wearables, superando considerablemente la puntuación de 0,634 de los mejores modelos existentes.
Una de las características más destacadas del modelo es su adaptabilidad a distintos dispositivos médicos y entornos. El sistema de IA mantuvo un desempeño sólido tanto al analizar datos de ECG de 12 derivaciones hospitalarios como de sencillos dispositivos wearables de una sola derivación. Al adaptarse de los sistemas de ECG hospitalarios a los wearables de consumo, el CSFM requirió solo el 10% de los datos de entrenamiento típicos para igualar el rendimiento de los modelos convencionales entrenados con conjuntos de datos completos.
Versatilidad entre tecnologías
El equipo de investigación, dirigido por Gu et al., evaluó el CSFM frente a múltiples arquitecturas de aprendizaje profundo, incluyendo ResNet1d e Inception1D, donde el nuevo modelo demostró consistentemente un rendimiento superior. El sistema opera sin problemas con señales de ECG y datos de fotopletismografía (PPG) de relojes inteligentes, lo que lo hace muy versátil para diferentes escenarios de asistencia sanitaria.
El CSFM también destacó al inferir características del paciente basándose únicamente en señales cardíacas. El modelo mostró tasas de error más bajas al predecir la edad y el IMC, y logró una mayor precisión en la clasificación de género en comparación con modelos entrenados desde cero con el conjunto de datos VitalDB.
El sistema demostró incluso la capacidad de responder preguntas clínicas sobre lecturas de ECG, superando a los modelos Fusion Transformer de referencia en la evaluación ECG-QA. Esta capacidad podría ayudar a los profesionales sanitarios a interpretar rápidamente datos cardíacos complejos.
Aunque los resultados de validación son impresionantes, los investigadores señalan que aún no se han realizado comparaciones directas entre el CSFM y los médicos humanos. Estos estudios, junto con ensayos clínicos prospectivos, serán pasos esenciales antes de que la tecnología pueda implementarse en entornos médicos reales.
Sources
- Nature Machine Intelligence
