IFCA desarrolla un sistema para el diagnóstico en consultas de una condición de las arterias factor de riesgo de infarto

En concreto, esta condición es la "tortuosidad" de las arterias coronarias, donde las arterias parecen "retorcerse", y es poco frecuente.

Para detectarlo, cuando un paciente presenta síntomas de enfermedad coronaria, se realiza una angiografía coronaria (una prueba diagnóstica donde se utiliza un contraste para estudiar los vasos sanguíneos que no son visibles con los rayos X convencionales). Sin embargo, la detección de la tortuosidad arterial requiere de un examen exhaustivo y largo por parte de los cardiólogos.

Por ello, un equipo investigador del IFCA, formado por Miriam Cobo, Lara Lloret, y Ignacio Heredia, con la colaboración de la Universidad Católica del Maule, la Universidad Autónoma de Chile, el Hospital Regional de Talca y la Universidad de Oviedo, han desarrollado un modelo de inteligencia artificial basado en aprendizaje profundo (deep learning), capaz de detectar la tortuosidad coronaria con mayor rapidez y misma precisión que un especialista. El trabajo se ha publicado en la revista científica Nature, ha informado este viernes la Universidad de Cantabria (UC).

La investigadora en el Grupo de Computación y e-Ciencia del IFCA, Miriam Cobo, ha explicado que el objetivo es analizar la tortuosidad de las arterias coronarias en la angiografía coronaria con técnicas de inteligencia artificial para desarrollar un algoritmo capaz de detectar automáticamente esta condición en los pacientes.

Para ello, el equipo investigador ha utilizado técnicas de aprendizaje profundo, en concreto, las llamadas redes neuronales convolucionales, para clasificar a los pacientes en tortuosos o no tortuosos, en función de su angiografía coronaria.

El modelo se ha entrenado durante dos años con 658 angiografías coronarias de 401 pacientes seleccionados que acudieron entre 2016 y 2022 al Hospital de Talca (Chile), con síntomas de padecer una enfermedad coronaria.

Durante el estudio se observó que estas redes neuronales de aprendizaje profundo entrenadas tenían una sensibilidad y precisión comparables con el examen visual que realizan los cardiólogos a la hora de detectar la tortuosidad de la arteria coronaria en consultas.

Además, el modelo de aprendizaje profundo solo requiere una única imagen para realizar la detección de tortuosidad, mientras que el especialista examina toda la secuencia de vídeo para realizar el diagnóstico. Por tanto, la investigación ha logrado desarrollar un modelo de aprendizaje basado en imágenes que mejora la eficiencia del diagnóstico.