{"id":387747,"date":"2024-11-21T00:01:00","date_gmt":"2024-11-20T23:01:00","guid":{"rendered":"https:\/\/medizinonline.com\/?p=387747"},"modified":"2024-10-07T15:29:40","modified_gmt":"2024-10-07T13:29:40","slug":"retos-en-la-mejora-de-la-imagen-cardiaca","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/es\/retos-en-la-mejora-de-la-imagen-cardiaca\/","title":{"rendered":"Retos en la mejora de la imagen cardiaca"},"content":{"rendered":"\n

Las enfermedades cardiovasculares son la principal causa de muerte en todo el mundo, y la obtenci\u00f3n de im\u00e1genes cardiacas precisas desempe\u00f1a un papel clave en el diagn\u00f3stico, el tratamiento y el pron\u00f3stico de estas enfermedades.\nEn los \u00faltimos a\u00f1os, la inteligencia artificial (IA), en particular el aprendizaje profundo, ha hecho grandes avances para aportar automatizaci\u00f3n y capacidad predictiva al diagn\u00f3stico por imagen cardiaco.\nAunque la IA encierra un gran potencial, a\u00fan no ha tenido el efecto deseado en la reducci\u00f3n de los costes sanitarios ni en la mejora de los resultados cl\u00ednicos.\nEsto se debe en parte a retos metodol\u00f3gicos, t\u00e9cnicos y \u00e9ticos. <\/strong><\/p>\n\n\n\n

(rojo) <\/em>A pesar de la competencia entre el mundo acad\u00e9mico y la industria por desarrollar la soluci\u00f3n de IA m\u00e1s potente, todav\u00eda no hay pruebas procedentes de ensayos cl\u00ednicos aleatorizados que demuestren que los modelos de IA tengan una superioridad significativa sobre la interpretaci\u00f3n humana.\nEste art\u00edculo explora los retos existentes en la integraci\u00f3n de la IA en el diagn\u00f3stico por imagen cardiaco y subraya que la IA debe considerarse actualmente como “inteligencia aumentada”, una tecnolog\u00eda que apoya, pero no sustituye, la toma de decisiones cl\u00ednicas.\nPuede que haya llegado el momento de cambiar la perspectiva y ver la IA como una herramienta para ayudar a los m\u00e9dicos a tomar las mejores decisiones posibles. <\/p>\n\n

El desarrollo de la IA en la imagen cardiaca<\/h3>\n\n

La automatizaci\u00f3n de tareas repetitivas y que requieren mucho tiempo en el diagn\u00f3stico por imagen cardiaco es una de las principales ventajas que ofrece la IA.\n“El aprendizaje profundo ha demostrado ser superior a los m\u00e9todos tradicionales, ya que es capaz de reconocer autom\u00e1ticamente caracter\u00edsticas relevantes en las im\u00e1genes y utilizarlas con fines diagn\u00f3sticos.\nUn ejemplo es la segmentaci\u00f3n automatizada de im\u00e1genes cardiacas, que resulta especialmente \u00fatil para calcular el volumen y la funci\u00f3n, como la fracci\u00f3n de eyecci\u00f3n del ventr\u00edculo izquierdo (FEVI).\nAdem\u00e1s, cuando se entrena lo suficiente con los datos, la IA ofrece un procesamiento r\u00e1pido y preciso de nuevos datos de im\u00e1genes y es muy adecuada para la generalizaci\u00f3n a nuevos conjuntos de datos. <\/p>\n\n

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.\nEsto puede afectar a la confianza de los cl\u00ednicos en la tecnolog\u00eda.\nPara superar este reto, los investigadores han empezado a desarrollar mecanismos de interpretaci\u00f3n como la Grad-CAM o los valores de Shapley, que muestran qu\u00e9 \u00e1reas de la imagen son responsables de las decisiones de la IA.\nSin embargo, estas herramientas est\u00e1n a\u00fan en fase de desarrollo y tienen sus propias limitaciones.\nMejorar la interpretabilidad de los modelos de IA es crucial para promover su aceptaci\u00f3n en la pr\u00e1ctica cl\u00ednica. <\/p>\n\n

Desaf\u00edos con la calidad y la diversidad de los datos<\/h3>\n\n

Uno de los mayores obst\u00e1culos para la aplicaci\u00f3n con \u00e9xito de la IA en la imagen cardiaca es la disponibilidad de datos diversificados y de alta calidad.\nLos modelos de IA, especialmente los de aprendizaje profundo, requieren una enorme cantidad de datos bien anotados para proporcionar resultados fiables.\nSin embargo, a menudo se carece de tales datos y muchos de los datos existentes no est\u00e1n suficientemente diversificados, lo que da lugar a una generalizabilidad limitada de los modelos de IA.\nEs importante que los sistemas de IA se entrenen en una base de datos amplia que tenga en cuenta diferentes patrones de enfermedad, grupos \u00e9tnicos, grupos de edad y g\u00e9neros.\nEsta es la \u00fanica forma de garantizar que los modelos funcionen de forma fiable para un gran n\u00famero de pacientes en la pr\u00e1ctica cl\u00ednica. <\/p>\n\n

Las normativas de protecci\u00f3n de datos como el Reglamento General de Protecci\u00f3n de Datos (RGPD) en Europa dificultan la colaboraci\u00f3n entre instituciones y obstaculizan el intercambio de datos.\nEnfoques como el aprendizaje federado, en el que los modelos de IA se entrenan localmente sin compartir los propios datos, podr\u00edan aportar un remedio.\nEsto podr\u00eda ayudar a garantizar la protecci\u00f3n de los datos y, al mismo tiempo, utilizar conjuntos de datos m\u00e1s amplios para el entrenamiento de los modelos de IA.\nSin 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 pr\u00e1ctica cl\u00ednica. <\/p>\n\n

El papel de la IA en diferentes modalidades de imagen<\/h3>\n\n

En los \u00faltimos a\u00f1os, la IA se ha consolidado en diversas modalidades de diagn\u00f3stico por imagen:<\/p>\n\n

Ecocardiograf\u00eda:<\/strong> La IA se ha utilizado con \u00e9xito para automatizar el c\u00e1lculo del volumen y la evaluaci\u00f3n funcional.\nUn ejemplo es el c\u00e1lculo autom\u00e1tico de la FEVI a partir de datos de ecocardiograf\u00eda.\nLos estudios han demostrado que la IA es capaz de ofrecer resultados comparables a los de los ecografistas, pero funciona con mayor rapidez y coherencia.\nEsto abre nuevas posibilidades, sobre todo en regiones con pocos recursos donde faltan m\u00e9dicos cualificados.\nOtra ventaja es que los modelos basados en la IA tambi\u00e9n pueden utilizarse en cardiolog\u00eda prenatal y pedi\u00e1trica para diagnosticar defectos card\u00edacos cong\u00e9nitos complejos. <\/p>\n\n

Tomograf\u00eda computarizada (TC) cardiaca: <\/strong>En la obtenci\u00f3n de im\u00e1genes por TC, la IA puede mejorar significativamente los flujos de trabajo realizando cuantificaciones automatizadas de los datos de las im\u00e1genes cardiacas, por ejemplo, la evaluaci\u00f3n del calcio coronario, que sirve como marcador de la aterosclerosis coronaria y de los riesgos cardiovasculares.\nLa IA tambi\u00e9n se utiliza en la planificaci\u00f3n de procedimientos complejos como la implantaci\u00f3n de una v\u00e1lvula a\u00f3rtica transcat\u00e9ter (TAVI) para evaluar mejor los riesgos y optimizar la planificaci\u00f3n quir\u00fargica. <\/p>\n\n

Resonancia magn\u00e9tica cardiaca (RM): <\/strong>La RM es la t\u00e9cnica que m\u00e1s se ha beneficiado de la automatizaci\u00f3n basada en la IA, sobre todo en la segmentaci\u00f3n autom\u00e1tica de im\u00e1genes y el c\u00e1lculo de la FEVI.\nEsto ha permitido que grandes estudios de cohortes como el Biobanco del Reino Unido obtengan nuevos conocimientos sobre la progresi\u00f3n de las enfermedades y el envejecimiento saludable.\nSin embargo, a pesar de estos avances, existen pocos estudios cl\u00ednicos prospectivos que demuestren los beneficios de la IA en la pr\u00e1ctica cl\u00ednica. <\/p>\n\n

Im\u00e1genes de medicina nuclear:<\/strong> En medicina nuclear, la IA ha demostrado que es capaz de realizar an\u00e1lisis automatizados de grandes cantidades de datos para mejorar el diagn\u00f3stico de la cardiopat\u00eda coronaria y el pron\u00f3stico de los eventos cardiovasculares.<\/p>\n\n

Barreras a la implantaci\u00f3n cl\u00ednica y retos normativos<\/h3>\n\n

A pesar de los avances tecnol\u00f3gicos, la implantaci\u00f3n cl\u00ednica de la IA se enfrenta a importantes obst\u00e1culos.\nUno de estos retos es que la infraestructura de muchas organizaciones sanitarias no est\u00e1 preparada para la integraci\u00f3n de las nuevas herramientas de IA.\nMuchos de los sistemas existentes, como los de archivo de im\u00e1genes, est\u00e1n anticuados y son incapaces de soportar las interfaces necesarias para una integraci\u00f3n perfecta de la IA.\nEsto ralentiza considerablemente la introducci\u00f3n de la IA en la pr\u00e1ctica cl\u00ednica.\nTambi\u00e9n faltan modelos de reembolso claros para los servicios basados en la IA en el sector sanitario, lo que representa un obst\u00e1culo m\u00e1s para su implantaci\u00f3n. <\/p>\n\n

Los requisitos reglamentarios para los sistemas de IA tambi\u00e9n son complejos y requieren mucho tiempo.\nAunque la FDA estadounidense y la Uni\u00f3n Europea han elaborado unas directrices iniciales para los dispositivos m\u00e9dicos basados en la IA, \u00e9stas tienen dificultades para seguir el r\u00e1pido ritmo del desarrollo tecnol\u00f3gico.\nLas diferencias entre los mecanismos reguladores de los distintos pa\u00edses dificultan la cooperaci\u00f3n internacional.\nPara superar estos retos, es importante simplificar los procesos normativos y promover el uso de la IA en medicina mediante procedimientos normalizados. <\/p>\n\n

Aceptaci\u00f3n cl\u00ednica y factores humanos<\/h3>\n\n

Otro aspecto cr\u00edtico de la introducci\u00f3n de la IA en la pr\u00e1ctica cl\u00ednica es la aceptaci\u00f3n por parte de los implicados.\nLos pacientes, los m\u00e9dicos y otros profesionales sanitarios suelen tener reservas sobre la IA porque la ven como una amenaza o un obst\u00e1culo.\nPor lo tanto, es necesario implicar activamente a estos grupos objetivo en el proceso de desarrollo y proporcionarles una formaci\u00f3n exhaustiva para que comprendan mejor c\u00f3mo funciona la IA y sus ventajas.\nAdem\u00e1s, la integraci\u00f3n de la IA en los procesos cl\u00ednicos debe planificarse cuidadosamente para garantizar una interacci\u00f3n \u00f3ptima entre los seres humanos y el sistema. <\/p>\n\n

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.\nSin embargo, es importante que los modelos sigan siendo comprensibles y transparentes para garantizar que los m\u00e9dicos puedan entender las recomendaciones de la IA. <\/p>\n\n

Conclusi\u00f3n y perspectivas de futuro<\/h3>\n\n

La IA tiene el potencial de revolucionar el diagn\u00f3stico cardiaco por imagen automatizando las tareas repetitivas que consumen mucho tiempo y aumentando la eficacia en la pr\u00e1ctica cl\u00ednica.\nSin embargo, la IA debe considerarse una herramienta complementaria que respalda las decisiones cl\u00ednicas en lugar de sustituirlas.\nLos avances futuros deben centrarse en integrar la IA en la toma de decisiones cl\u00ednicas para identificar fenotipos de enfermedad m\u00e1s precisos y mejorar los resultados cl\u00ednicos. <\/p>\n\n

Un cambio de paradigma que pase de las mediciones aisladas a los an\u00e1lisis multiparam\u00e9tricos podr\u00eda promover el desarrollo de herramientas de IA que permitan un diagn\u00f3stico m\u00e1s preciso.\nSi esta tecnolog\u00eda puede integrarse con \u00e9xito en los flujos de trabajo existentes, podr\u00eda sentar las bases de una nueva era de “inteligencia aumentada”, en la que los m\u00e9dicos se vean aliviados por la IA y puedan centrarse en decisiones cl\u00ednicas m\u00e1s complejas. <\/p>\n\n

Fuente: Sengupta PP, et al: Challenges for augmenting intelligence in cardiac imaging. The Lancet Digital Health, volumen 6, n\u00famero 10, e739-e748.<\/p>\n\n

<\/p>\n\n

CARDIOVASC 2024; 23(3): 41-42<\/em><\/p>\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Las enfermedades cardiovasculares son la principal causa de muerte en todo el mundo, y la obtenci\u00f3n de im\u00e1genes cardiacas precisas desempe\u00f1a un papel clave en el diagn\u00f3stico, el tratamiento y…<\/p>\n","protected":false},"author":7,"featured_media":387748,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","cat_1_feature_home_top":false,"cat_2_editor_pick":false,"csco_eyebrow_text":"Inteligencia artificial","footnotes":""},"category":[11324,11478,11288,11381,11441,11552],"tags":[],"powerkit_post_featured":[],"class_list":["post-387747","post","type-post","status-publish","format-standard","has-post-thumbnail","category-cardiologia","category-formacion-continua","category-medicina-interna-general","category-medicina-nuclear","category-radiologia","category-rx-es","pmpro-has-access"],"acf":[],"publishpress_future_action":{"enabled":false,"date":"2026-05-01 04:45:11","action":"change-status","newStatus":"draft","terms":[],"taxonomy":"category","extraData":[]},"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"wpml_current_locale":"es_ES","wpml_translations":[],"_links":{"self":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/387747","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/comments?post=387747"}],"version-history":[{"count":1,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/387747\/revisions"}],"predecessor-version":[{"id":387749,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/387747\/revisions\/387749"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/media\/387748"}],"wp:attachment":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/media?parent=387747"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/category?post=387747"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/tags?post=387747"},{"taxonomy":"powerkit_post_featured","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/powerkit_post_featured?post=387747"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}