Ciencia de datos en medicina

En los últimos años se ha visto un incremento en el uso de aplicaciones, herramientas y soluciones que utilizan modelos de machine learning en el campo de la medicina. Las soluciones abarcan la predicción de enfermedades, el análisis de imagenología para filtrar o seleccionar casos relevantes e inclusive aportar información extra a las y los médicos para una mejor toma de decisiones.

En este texto les compartiré una solución de ciencia de datos que incluye un componente de machine learning implementado en España. Este mecanismo tiene por objetivo filtrar los casos relevantes para que las y los cardiólogos aprovechen mejor su tiempo y su experiencia.

Un ecocardiograma es parecido a un ultrasonido: es un estudio no intrusivo que mide la fuerza, el tamaño y la forma del corazón para identificar o descartar diversos padecimientos en un determinado paciente. Para cuantificar la fuerza de eyección del corazón es necesario identificar sus cuatro cavidades, calcular su volumen, segmentarlas y/o delimitarlas.

El médico cardiólogo es el único responsable capacitado para realizar y analizar un ecocardiograma, mediante un proceso de dos fases: toma del ecocardiograma en presencia del paciente y su análisis. La primera fase toma aproximadamente 30 minutos o más, dependiendo de la edad del paciente; la segunda toma 20 minutos por estudio. Sin embargo, la entrega de los resultados puede tomar un par de días por la cantidad de trabajo de las y los cardiólogos.

Además, es común que un cardiólogo pase alrededor de tres horas al día sentado en la computadora delimitando objetos en una imagen para realizar la segmentación. Un error en la segmentación implica un error en el cálculo de volumen, en la fuerza de eyección y probablemente en definir si existe o no un problema en el corazón.

La solución de machine learning propuesta se concentra en poder identificar y delimitar las cuatro cavidades del corazón, así como calcular el volumen y la fuerza de eyección para generar una recomendación sobre si es necesario que un cardiólogo revise el caso, ya sea porque el modelo tiene dudas sobre si hay un problema –debido al valor de la fuerza de eyección producido– o bien porque el modelo está seguro que el estudio debe ser revisado por un cardiólogo.

Este modelo facilita el proceso mecanizado de identificación de cavidades y segmentación, para después poder generar el cálculo de volumen y la fuerza de eyección. De forma que esta sencilla solución permite liberar horas de trabajo a las y los cardiólogos para que puedan atender a más pacientes, aprovechar mejor su experiencia e invertir este tiempo en hacer lo que les apasiona. Con este ejemplo, se muestra que el uso de la inteligencia artificial con una correcta planeación puede impactar de forma positiva en ciertos campos, como la medicina.