La inteligencia artificial (IA) ha irrumpido con fuerza en el campo de la medicina personalizada, prometiendo transformar la forma en que se diagnostican, previenen y tratan enfermedades. En este contexto, el artículo “Artificial intelligence for cardiovascular disease risk assessment in personalised framework: a scoping review” (Singh et al., 2024) presenta una revisión exhaustiva de la literatura científica sobre la aplicación de la IA para evaluar el riesgo de enfermedades cardiovasculares (ECV) desde un enfoque personalizado. Este análisis resulta de especial interés para docentes universitarios involucrados en la formación de profesionales de la salud e interesados en la integración de tecnologías emergentes en los procesos de enseñanza e innovación clínica.
El propósito central del estudio fue examinar y sintetizar de manera sistemática la evidencia existente sobre el uso de IA en la medicina personalizada aplicada a las ECV. Mediante una revisión de alcance, los autores analizaron el uso de algoritmos de aprendizaje automático y profundo para la predicción del riesgo cardiovascular, la identificación de biomarcadores genéticos y el desarrollo de modelos de tratamiento personalizados. La investigación se propuso llenar un vacío en la literatura científica, consolidando conocimientos dispersos y destacando los avances más significativos en la convergencia entre IA, medicina de precisión y cardiología.
Contenidos clave y hallazgos relevantes en la investigación.
Contenidos clave y hallazgos relevantes en la investigación.
La revisión se basó en 121 estudios seleccionados de entre más de 2300 registros, tras aplicar rigurosos criterios de inclusión y exclusión (Singh et al., 2024). Los resultados evidencian cómo la IA ha mejorado significativamente la precisión de los modelos predictivos al integrar datos genéticos, clínicos y de estilo de vida. Esta integración permite una evaluación de riesgo más exacta y adaptada a cada paciente.
Uno de los hallazgos más notables es el uso de microARN (miRNA) como biomarcadores tempranos de enfermedades cardiovasculares. Por ejemplo, el miR-21 se asocia con inflamación y fibrosis en insuficiencia cardíaca, mientras que el miR-126 se vincula con la disfunción endotelial y la aterosclerosis (Singh et al., 2024, p. 8). La detección de estos biomarcadores permite diagnósticos más tempranos y personalizados.
Asimismo, se describen múltiples modelos de IA aplicados con éxito a tareas como la clasificación de tipos de cardiomiopatías, predicción de eventos cardíacos mayores a 10 años y diferenciación genética de fibrilación auricular. En uno de los estudios revisados, un modelo de red neuronal alcanzó un índice de concordancia (C-index) mejorado para la predicción de riesgo cardíaco (Steinfeldt et al., 2022, en Singh et al., 2024).
El documento también destaca el concepto de “gemelo digital”, una representación virtual del paciente que permite simular tratamientos antes de su aplicación real, lo cual podría revolucionar la medicina cardiovascular personalizada (Singh et al., 2024, p. 10).
Estadísticas y datos destacados
- Las enfermedades cardiovasculares son la principal causa de muerte en el mundo, con 17.9 millones de muertes anuales, lo que representa el 31% de todas las muertes globales (Singh et al., 2024, p. 7).
- La precisión de los modelos de IA para predecir enfermedades cardíacas alcanzó hasta un 97% en algunos casos, como en el estudio de Phan et al. (2012) para detección de biomarcadores (Singh et al., 2024, p. 9).
- Modelos de IA como Random Forest y redes neuronales demostraron ser especialmente eficaces en el análisis de datos genómicos complejos.
El estudio de Singh et al. (2024) ofrece una panorámica integral sobre el potencial transformador de la inteligencia artificial en el ámbito de la medicina cardiovascular personalizada. Para la comunidad docente universitaria, este trabajo representa una oportunidad para reflexionar sobre cómo integrar estos avances en la formación de profesionales de la salud, fomentando una educación que prepare a los futuros médicos y científicos para trabajar con herramientas de IA en contextos clínicos reales.
La incorporación de la IA no solo mejora la precisión diagnóstica, sino que también posibilita estrategias de tratamiento más eficaces y seguras, adaptadas a las características individuales de cada paciente. Además, resalta la importancia de formar profesionales capaces de interpretar y aplicar datos masivos (big data) en entornos éticos y regulados.
En conclusión, el documento revisado impulsa un cambio de paradigma en la medicina moderna y ofrece valiosos insumos para enriquecer la enseñanza universitaria, promoviendo una formación basada en la innovación, la tecnología y la medicina de precisión.
Lee la publicación original haciendo clic en el siguiente botón:
Referencias:
Singh, M., Kumar, A., Khanna, N. N., Laird, J. R., Nicolaides, A., Faa, G., Johri, A. M., Mantella, L. E., Fernandes, J. F. E., Teji, J. S., Singh, N., Fouda, M. M., Singh, R., Sharma, A., Kitas, G., Rathore, V., Singh, I. M., Tadepalli, K., Al-Maini, M., Isenovic, E. R., Chaturvedi, S., Garg, D., Paraskevas, K. I., Mikhailidis, D. P., Viswanathan, V., Kalra, M. K., Ruzsa, Z., Saba, L., Laine, A. F., Bhatt, D. L., & Suri, J. S. (2024). Artificial intelligence for cardiovascular disease risk assessment in personalised framework: a scoping review. eClinicalMedicine, 73, 102660. https://pubmed.ncbi.nlm.nih.gov/38846068/
