Predecir la muerte súbita cardiaca puede ser posible gracias a la inteligencia artificial (IA), algo que podría ofrecer un nuevo avance hacia las estrategias de prevención y salud global, según una investigación preliminar que se presentará en el ´Simposio Científico de Reanimación 2023´ de la Asociación Americana del Corazón.

La reunión, que se celebra los días 11 y 12 de noviembre en Filadelfia, servirá como un intercambio mundial de primer orden sobre los avances más recientes relacionados con el tratamiento de la parada cardiorrespiratoria y las lesiones traumáticas potencialmente mortales.

"La muerte súbita cardiaca, una carga para la salud pública, representa entre el 10 y el 20 por ciento del total de fallecimientos. Predecirla es difícil, y los enfoques habituales no consiguen identificar a las personas de alto riesgo, sobre todo a nivel individual", ha informado el autor principal del estudio y profesor de cardiología y epidemiología en el Centro de Investigación Cardiovascular de París, Inserm U970-Universidad de París, Xavier Jouven.

"Propusimos un nuevo enfoque que no se limita a los factores de riesgo cardiovascular habituales, sino que abarca toda la información médica disponible en las historias clínicas electrónicas", ha añadido el experto.

El equipo de investigación analizó información médica con IA procedente de registros y bases de datos de París (Francia) y Seattle (EEUU) de 25.000 personas fallecidas por parada cardiaca súbita y 70.000 personas de la población general, con datos de los dos grupos emparejados por edad, sexo y zona de residencia. Los datos, que representaban más de un millón de diagnósticos hospitalarios y 10 millones de prescripciones de medicamentos, se recopilaron a partir de historiales médicos hasta diez años antes de cada fallecimiento.

Utilizando IA para analizar los datos, los investigadores construyeron casi 25.000 ecuaciones con factores de salud personalizados que se utilizaron para identificar a aquellas personas que presentaban un riesgo muy elevado de muerte súbita cardiaca. Además, desarrollaron un perfil de riesgo personalizado para cada uno de los individuos del estudio.

Las ecuaciones de riesgo personalizadas incluían los datos médicos de la persona, como el tratamiento para la hipertensión y antecedentes de cardiopatías, así como trastornos mentales y de conducta, incluido el abuso de alcohol. El análisis identificó los factores con más probabilidades de disminuir o aumentar el riesgo de muerte súbita cardiaca en un porcentaje y un plazo determinados, por ejemplo, un 89 por ciento de riesgo de muerte súbita cardiaca en un plazo de tres meses.

Asimismo, el análisis de IA pudo identificar a las personas que tenían más de un 90 por ciento de riesgo de morir súbitamente y representaban más de una cuarta parte de todos los casos de muerte súbita cardiaca.

"Llevamos casi 30 años trabajando en el campo de la predicción de la muerte súbita cardiaca, sin embargo, no esperábamos alcanzar un nivel de precisión tan alto. También descubrimos que los factores de riesgo personalizados son muy diferentes entre los participantes y a menudo proceden de distintos campos médicos (una mezcla de datos neurológicos, psiquiátricos, metabólicos y cardiovasculares), una imagen difícil de captar para los ojos médicos y el cerebro de un especialista en un campo determinado", ha afirmado Jouven, que también es fundador del Centro de Especialización en Muerte Súbita de París.

"Mientras que los médicos disponen de tratamientos eficaces como la corrección de los factores de riesgo, medicamentos específicos y desfibriladores implantables, el uso de la IA es necesario para detectar en un sujeto dado una sucesión de información médica registrada a lo largo de los años que conformará una trayectoria asociada a un mayor riesgo de muerte súbita cardiaca. Esperamos que, con una lista personalizada de factores de riesgo, los pacientes puedan colaborar con sus médicos para reducir esos factores de riesgo y, en última instancia, disminuir el potencial de muerte súbita cardiaca", ha añadido el especialista.

Entre las limitaciones del estudio se encuentra el uso potencial de los modelos de predicción más allá de esta investigación. Además, los datos médicos recogidos en las historias clínicas electrónicas a veces incluyen datos indirectos en lugar de datos brutos, y los datos recogidos pueden ser diferentes entre países, lo que requiere una adaptación de los modelos de predicción.