Las enfermedades cardiovasculares son la principal causa de muerte en todo el mundo, y la obtención de imágenes cardiacas precisas desempeña un papel clave en el diagnóstico, el tratamiento y el pronóstico de estas enfermedades. En los últimos años, la inteligencia artificial (IA), en particular el aprendizaje profundo, ha hecho grandes avances para aportar automatización y capacidad predictiva al diagnóstico por imagen cardiaco. Aunque la IA encierra un gran potencial, aún no ha tenido el efecto deseado en la reducción de los costes sanitarios ni en la mejora de los resultados clínicos. Esto se debe en parte a retos metodológicos, técnicos y éticos.
(rojo) A pesar de la competencia entre el mundo académico y la industria por desarrollar la solución de IA más potente, todavía no hay pruebas procedentes de ensayos clínicos aleatorizados que demuestren que los modelos de IA tengan una superioridad significativa sobre la interpretación humana. Este artículo explora los retos existentes en la integración de la IA en el diagnóstico por imagen cardiaco y subraya que la IA debe considerarse actualmente como “inteligencia aumentada”, una tecnología que apoya, pero no sustituye, la toma de decisiones clínicas. Puede que haya llegado el momento de cambiar la perspectiva y ver la IA como una herramienta para ayudar a los médicos a tomar las mejores decisiones posibles.
El desarrollo de la IA en la imagen cardiaca
La automatización de tareas repetitivas y que requieren mucho tiempo en el diagnóstico por imagen cardiaco es una de las principales ventajas que ofrece la IA. “El aprendizaje profundo ha demostrado ser superior a los métodos tradicionales, ya que es capaz de reconocer automáticamente características relevantes en las imágenes y utilizarlas con fines diagnósticos. Un ejemplo es la segmentación automatizada de imágenes cardiacas, que resulta especialmente útil para calcular el volumen y la función, como la fracción de eyección del ventrículo izquierdo (FEVI). Además, cuando se entrena lo suficiente con los datos, la IA ofrece un procesamiento rápido y preciso de nuevos datos de imágenes y es muy adecuada para la generalización a nuevos conjuntos de datos.
Sin embargo, a menudo se critica la IA como una “caja negra”, ya que los procesos de toma de decisiones no siempre son claramente comprensibles. Esto puede afectar a la confianza de los clínicos en la tecnología. Para superar este reto, los investigadores han empezado a desarrollar mecanismos de interpretación como la Grad-CAM o los valores de Shapley, que muestran qué áreas de la imagen son responsables de las decisiones de la IA. Sin embargo, estas herramientas están aún en fase de desarrollo y tienen sus propias limitaciones. Mejorar la interpretabilidad de los modelos de IA es crucial para promover su aceptación en la práctica clínica.
Desafíos con la calidad y la diversidad de los datos
Uno de los mayores obstáculos para la aplicación con éxito de la IA en la imagen cardiaca es la disponibilidad de datos diversificados y de alta calidad. Los modelos de IA, especialmente los de aprendizaje profundo, requieren una enorme cantidad de datos bien anotados para proporcionar resultados fiables. Sin embargo, a menudo se carece de tales datos y muchos de los datos existentes no están suficientemente diversificados, lo que da lugar a una generalizabilidad limitada de los modelos de IA. Es importante que los sistemas de IA se entrenen en una base de datos amplia que tenga en cuenta diferentes patrones de enfermedad, grupos étnicos, grupos de edad y géneros. Esta es la única forma de garantizar que los modelos funcionen de forma fiable para un gran número de pacientes en la práctica clínica.
Las normativas de protección de datos como el Reglamento General de Protección de Datos (RGPD) en Europa dificultan la colaboración entre instituciones y obstaculizan el intercambio de datos. Enfoques como el aprendizaje federado, en el que los modelos de IA se entrenan localmente sin compartir los propios datos, podrían aportar un remedio. Esto podría ayudar a garantizar la protección de los datos y, al mismo tiempo, utilizar conjuntos de datos más amplios para el entrenamiento de los modelos de IA. Sin embargo, faltan incentivos para que las instituciones entren en este tipo de colaboraciones de datos, lo que retrasa el desarrollo de la IA en la práctica clínica.
El papel de la IA en diferentes modalidades de imagen
En los últimos años, la IA se ha consolidado en diversas modalidades de diagnóstico por imagen:
Ecocardiografía: La IA se ha utilizado con éxito para automatizar el cálculo del volumen y la evaluación funcional. Un ejemplo es el cálculo automático de la FEVI a partir de datos de ecocardiografía. Los estudios han demostrado que la IA es capaz de ofrecer resultados comparables a los de los ecografistas, pero funciona con mayor rapidez y coherencia. Esto abre nuevas posibilidades, sobre todo en regiones con pocos recursos donde faltan médicos cualificados. Otra ventaja es que los modelos basados en la IA también pueden utilizarse en cardiología prenatal y pediátrica para diagnosticar defectos cardíacos congénitos complejos.
Tomografía computarizada (TC) cardiaca: En la obtención de imágenes por TC, la IA puede mejorar significativamente los flujos de trabajo realizando cuantificaciones automatizadas de los datos de las imágenes cardiacas, por ejemplo, la evaluación del calcio coronario, que sirve como marcador de la aterosclerosis coronaria y de los riesgos cardiovasculares. La IA también se utiliza en la planificación de procedimientos complejos como la implantación de una válvula aórtica transcatéter (TAVI) para evaluar mejor los riesgos y optimizar la planificación quirúrgica.
Resonancia magnética cardiaca (RM): La RM es la técnica que más se ha beneficiado de la automatización basada en la IA, sobre todo en la segmentación automática de imágenes y el cálculo de la FEVI. Esto ha permitido que grandes estudios de cohortes como el Biobanco del Reino Unido obtengan nuevos conocimientos sobre la progresión de las enfermedades y el envejecimiento saludable. Sin embargo, a pesar de estos avances, existen pocos estudios clínicos prospectivos que demuestren los beneficios de la IA en la práctica clínica.
Imágenes de medicina nuclear: En medicina nuclear, la IA ha demostrado que es capaz de realizar análisis automatizados de grandes cantidades de datos para mejorar el diagnóstico de la cardiopatía coronaria y el pronóstico de los eventos cardiovasculares.
Barreras a la implantación clínica y retos normativos
A pesar de los avances tecnológicos, la implantación clínica de la IA se enfrenta a importantes obstáculos. Uno de estos retos es que la infraestructura de muchas organizaciones sanitarias no está preparada para la integración de las nuevas herramientas de IA. Muchos de los sistemas existentes, como los de archivo de imágenes, están anticuados y son incapaces de soportar las interfaces necesarias para una integración perfecta de la IA. Esto ralentiza considerablemente la introducción de la IA en la práctica clínica. También faltan modelos de reembolso claros para los servicios basados en la IA en el sector sanitario, lo que representa un obstáculo más para su implantación.
Los requisitos reglamentarios para los sistemas de IA también son complejos y requieren mucho tiempo. Aunque la FDA estadounidense y la Unión Europea han elaborado unas directrices iniciales para los dispositivos médicos basados en la IA, éstas tienen dificultades para seguir el rápido ritmo del desarrollo tecnológico. Las diferencias entre los mecanismos reguladores de los distintos países dificultan la cooperación internacional. Para superar estos retos, es importante simplificar los procesos normativos y promover el uso de la IA en medicina mediante procedimientos normalizados.
Aceptación clínica y factores humanos
Otro aspecto crítico de la introducción de la IA en la práctica clínica es la aceptación por parte de los implicados. Los pacientes, los médicos y otros profesionales sanitarios suelen tener reservas sobre la IA porque la ven como una amenaza o un obstáculo. Por lo tanto, es necesario implicar activamente a estos grupos objetivo en el proceso de desarrollo y proporcionarles una formación exhaustiva para que comprendan mejor cómo funciona la IA y sus ventajas. Además, la integración de la IA en los procesos clínicos debe planificarse cuidadosamente para garantizar una interacción óptima entre los seres humanos y el sistema.
Un enfoque “human-in-the-loop”, en el que los humanos siguen siendo la autoridad final en la toma de decisiones, puede ayudar a reforzar la confianza en la IA. Sin embargo, es importante que los modelos sigan siendo comprensibles y transparentes para garantizar que los médicos puedan entender las recomendaciones de la IA.
Conclusión y perspectivas de futuro
La IA tiene el potencial de revolucionar el diagnóstico cardiaco por imagen automatizando las tareas repetitivas que consumen mucho tiempo y aumentando la eficacia en la práctica clínica. Sin embargo, la IA debe considerarse una herramienta complementaria que respalda las decisiones clínicas en lugar de sustituirlas. Los avances futuros deben centrarse en integrar la IA en la toma de decisiones clínicas para identificar fenotipos de enfermedad más precisos y mejorar los resultados clínicos.
Un cambio de paradigma que pase de las mediciones aisladas a los análisis multiparamétricos podría promover el desarrollo de herramientas de IA que permitan un diagnóstico más preciso. Si esta tecnología puede integrarse con éxito en los flujos de trabajo existentes, podría sentar las bases de una nueva era de “inteligencia aumentada”, en la que los médicos se vean aliviados por la IA y puedan centrarse en decisiones clínicas más complejas.
Fuente: Sengupta PP, et al: Challenges for augmenting intelligence in cardiac imaging. The Lancet Digital Health, volumen 6, número 10, e739-e748.
CARDIOVASC 2024; 23(3): 41-42
