SciELO - Scientific Electronic Library Online

 
vol.88 número3Efectividad del tratamiento guiado por el péptido natriurético para la insuficiencia cardiaca crónica. Meta-análisisAnálisis de la cultura de seguridad en una Unidad de Cardiología gestionada por procesos índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay artículos similaresSimilares en SciELO

Compartir


Archivos de cardiología de México

versión On-line ISSN 1665-1731versión impresa ISSN 1405-9940

Arch. Cardiol. Méx. vol.88 no.3 Ciudad de México jul./sep. 2018

http://dx.doi.org/10.1016/j.acmx.2017.03.002 

INVESTIGACIÓN CLÍNICA

Herramientas de sistemas inteligentes en el diagnóstico de los síndromes coronarios agudos: una revisión sistemática

Intelligent systems tools in the diagnosis of acute coronary syndromes: A systemic review

John Sprockela   

Miguel Tejedaa 

José Yatea 

Juan Diaztaglea  b 

Enrique Gonzálezc 

aDepartamento de Medicina Interna, Hospital de San José, Fundación Universitaria de Ciencias de la Salud, Bogotá, Colombia

bDepartamento de Ciencias Fisiologicas, Universidad Nacional de Colombia, Bogotá, Colombia

cDepartamento de Ingeniería de Sistemas, Pontificia Universidad Javeriana, Bogotá, Colombia

Resumen

Antecedentes:

El infarto agudo de miocardio representa la primera causa de muerte no trasmisible a nivel mundial. Su diagnóstico es una tarea altamente compleja que se ha intentado modelar mediante métodos automáticos. Se expone una revisión sistemática de estudios de pruebas diagnósticas de los síndromes coronarios agudos mediante sistemas inteligentes.

Métodos:

Revisión sistemática de la literatura a partir de Medline, Embase, Scopus, IEEE/IET Electronic Library, ISI Web Of Science, Latindex y LILACS de la evaluación diagnóstica de los síndromes coronarios agudos mediante sistemas inteligentes. Fue realizada por 2 revisores de manera independiente y las discrepancias se resolvieron por una tercera persona. Se extrajeron las características operativas de cada herramienta.

Resultados:

En total, 35 artículos cumplieron los criterios de inclusión. En 22 (62.8%) se utilizaron redes neuronales. Cinco comparan varias herramientas de sistemas inteligentes. En 13 se abarcaba todos los síndromes coronarios agudos y en 22 solo los infartos. En 21 los datos de entrada fueron la clínica y el electrocardiograma, en 10 solo el electrocardiograma. La mayoría utilizan como referente estándar el contexto clínico. Se encontraron altos niveles de precisión diagnóstica con un mejor rendimiento en el caso de redes neuronales y máquinas de soporte de vectores en comparación con las herramientas estadísticas de reconocimiento de patrones y árboles de decisiones.

Conclusiones:

Encontramos una amplia evidencia de que los abordajes a través de las herramientas de sistemas inteligentes alcanzan un alto nivel de precisión por lo que deberían ser consideradas como herramientas para el soporte de las decisiones diagnósticas de los síndromes coronarios agudos.

PALABRAS CLAVE: Diagnóstico; Infarto de miocardio; Angina inestable; Inteligencia artificial; Colombia

Abstract

Background:

Acute myocardial infarction is the leading cause of non-communicable deaths worldwide. Its diagnosis is a highly complex task, for which modelling through automated methods has been attempted. A systematic review of the literature was performed on diagnostic tests that applied intelligent systems tools in the diagnosis of acute coronary syndromes.

Methods:

A systematic review of the literature is presented using Medline, Embase, Scopus, IEEE/IET Electronic Library, ISI Web of Science, Latindex and LILACS databases for articles that include the diagnostic evaluation of acute coronary syndromes using intelligent systems. The review process was conducted independently by 2 reviewers, and discrepancies were resolved through the participation of a third person. The operational characteristics of the studied tools were extracted.

Results:

A total of 35 references met the inclusion criteria. In 22 (62.8%) cases, neural networks were used. In five studies, the performances of several intelligent systems tools were compared. Thirteen studies sought to perform diagnoses of all acute coronary syndromes, and in 22, only infarctions were studied. In 21 cases, clinical and electrocardiographic aspects were used as input data, and in 10, only electrocardiographic data were used. Most intelligent systems use the clinical context as a reference standard. High rates of diagnostic accuracy were found with better performance using neural networks and support vector machines, compared with statistical tools of pattern recognition and decision trees.

Conclusions:

Extensive evidence was found that shows that using intelligent systems tools achieves a greater degree of accuracy than some clinical algorithms or scales and, thus, should be considered appropriate tools for supporting diagnostic decisions of acute coronary syndromes.

KEYWORDS: Diagnosis; Myocardial infarction; Unstable angina; Artificial intelligence; Colombia

Introducción

La enfermedad cardiovascular es la principal causa de muerte en los países industrializados y se espera que para el año 2020 también lo sea para los países en vía de desarrollo1. Una de sus formas de presentación, los síndromes coronarios agudos (SCA), es la principal causa mortalidad. Este síndrome es una entidad con un alto grado de complejidad que para su diagnóstico requiere considerar los datos de la historia clínica, los antecedentes personales y familiares, en conjunto con varias ayudas diagnósticas sustentadas principalmente en el electrocardiograma (ECG), biomarcadores, las pruebas de estratificación no invasivas y la angiografía coronaria. Por lo general, debe llevarse a cabo en el ambiente de urgencias en el que la rapidez del diagnóstico es esencial y existe además una amplia variedad de diagnósticos diferenciales que incluyen otras condiciones que pueden poner en peligro la vida del paciente.

Los esfuerzos en la atención clínica incluyen de manera cada vez más frecuente el uso de instrumentos de gestión electrónica, dentro de las que se incluyen las herramientas inteligentes, con el objetivo de mejorar los tiempos y la precisión en el diagnóstico para brindar una servicio de mayor calidad constituyendo esto un paradigma en el modelo de atención que incluye un soporte a las decisiones clínicas2. Se entiende como «sistemas inteligentes» aquellos intentos de emular la inteligencia humana, los cuales favorecen el razonamiento y aprendizaje en ambientes inciertos o imprecisos3, término que es sinónimo, hasta cierto punto, de los de inteligencia artificial, inteligencia computacional y reconocimiento de patrones. Está constituido principalmente por: sistemas basados en reglas (o sistemas expertos), redes neuronales artificiales (ANN), computación evolutiva, lógica difusa, máquinas de soporte de vectores (SVM), redes de creencia bayesianas, árboles de decisiones, sistemas de ensamble como Ada-Boost y Bagging, sistemas multiagentes (o agentes racionales colaborativos) entre otros.

Una revisión sistemática llevada a cabo en el 2010, en la que se evaluó el valor de los instrumentos para descartar los SCA, encontró que ninguna de ellas logró cumplir con los requerimientos de seguridad para los clínicos al momento de soportar el diagnóstico4. Dicha revisión incluyó solo herramientas basadas en reglas diseñadas por los médicos y modelos de regresión logística; no se tuvo en cuenta las que estaban basadas en sistemas inteligentes. Ninguna de las guías de práctica clínica actual que abordan el diagnóstico del dolor torácico hace alguna consideración acerca de su uso5-7.

Al tratarse de un problema altamente complejo, el diagnóstico médico ha generado la necesidad de buscar una forma para lograr su estandarización como proceso, se ha convertido en un campo de estudio para la aplicación de los sistemas inteligentes, por lo que su aplicación reviste interés especial en la entidad clínica responsable de la mayor cantidad de muertes en el mundo. Es por ello que en el presente trabajo se lleva a cabo una revisión sistemática de la literatura de los estudios de pruebas diagnósticas que evalúen la aplicación de herramientas de sistemas inteligentes en el diagnóstico de los SCA, las cuales puedan ser aplicadas al paciente que consulta por dolor torácico a urgencias.

Metodología

Estrategia de búsqueda

Se consultaron las siguientes bases de datos; Medline, Embase, Scopus, IEEE/IET Electronic Library e ISI Web Of Science, Latindex y LILACS; la búsqueda incluyó información hasta abril de 2014 y se limitó a estudios publicados en inglés o en español. En el material suplementario se exponen los términos usados en cada base de datos. La condición a estudio fueron los SCA que se encuentran constituidos por el infarto agudo de miocardio con y sin elevación del segmento ST así como por la angina inestable. Se tomó como prueba índice los diferentes aplicativos con el uso de sistemas inteligentes para el apoyo diagnóstico de los SCA.

Al poner en consideración la evolución temporal del diagnóstico de los SCA, principalmente del infarto, se decidió no limitar el referente de diagnóstico a un conjunto predefinido de estudios revisando que fueran apropiados para la época. En todo caso se describen rigurosamente dentro de los resultados los criterios de cada estudio para la definición de los casos.

Criterios de inclusión

Se incluyeron todos los estudios publicados que utilizaron herramientas de sistemas inteligentes para el diagnóstico de los SCA independientemente de la duración del seguimiento o el estatus de la publicación. Solo se incluyeron los artículos en idioma inglés o español.

Criterios de exclusión

No se consideraron aquellos estudios que evaluaron: solo el ECG mediante procesamiento directo de la señal, estudios de Holter, formas alternas para su toma (p. ej.: ECG ortogonal, magnetocardiogramas) o procesamiento alterno de la señal de este (p. ej.: transformación discreta de ondas), el resultados de la prueba de esfuerzo convencional (ECG de ejercicio), reconocimiento de imágenes de perfusiones miocárdicas, tomografía, resonancia magnética nuclear o angiografía coronaria invasiva, telemetría u otros conceptos de computación ubicua, evaluaciones de factores de riesgo o pronóstico del SCA o intervenciones terapéuticas, se descartaron los que evaluaban el síndrome de muerte súbita, debido a que corresponde a un espectro diferente de los SCA.

Selección de los estudios y extracción de los datos

Se hizo una selección de los artículos que cumplieran los criterios de inclusión para esta revisión mediante la lectura del título y el resumen; para los artículos restantes se procedió a la lectura del texto completo. Este proceso fue ejecutado por 2 revisores de manera independiente (MTy AY). Las discrepancias se resolvieron con la participación de una tercera persona (JS). La extracción de los datos fue llevada a cabo por uno de los revisores (JS) mediante un formato establecido previamente que reunió las características de la población, de la herramienta utilizada y la exactitud diagnóstica. Se extrajeron las características operativas de las herramientas estudiadas en términos de sensibilidad, especificidad, valores predictivos o área bajo la curva ROC (receiver-operating characteristic).

Riesgo de sesgos

Se utilizó la lista de chequeo del Quality Assessment of Diagnostic Accuracy Studies (QUADAS) 28 para el cual se realizó una definición operativa de cada uno de los ítems que la constituye.

El estudio fue aprobado por el comité de investigaciones y ética de la Fundación Universitaria de Ciencias de la Salud y el Hospital de San José de Bogotá.

Resultados

Se identificaron 2,187 referencias de la búsqueda en bases de datos. A partir de los títulos y los resúmenes se seleccionaron 91 para revisión del texto completo, de los cuales 35 artículos cumplieron los criterios de inclusión. En la figura 1 se muestra el flujograma de los artículos que fueron tenidos en cuenta durante el proceso de búsqueda (). La primera tabla resume los diseños empleados y la población sobre la que se desarrolló (tabla 1) y en la segunda se muestran los resultados de su desempeño diagnóstico organizando los artículos en estricto orden cronológico (tabla 2).

Al realizar el análisis del riesgo de sesgos mediante la herramienta QUADAS 2 (tabla 3), podemos notar que en general se obtuvo un bajo riesgo en la mayor parte de los estudios. El problema más frecuentemente descrito se centró en la descripción de la base de datos usada con lo que no quedan claro algunos aspectos de la selección de los pacientes y del referente para el diagnóstico11,14,22-24,37,39-41,43 (fig. 2). Los casos de riesgo alto incluyen estudios donde se usó solo las derivación DIII37 y V1 a V440 del ECG para el diagnóstico de los infartos, limitando la posibilidad diagnóstica a un subgrupo de infartos (de pared inferior o anterior respectivamente).

Se encuentra que en 22 (62.8%) de los casos se utilizaron las redes neuronales como la herramienta de sistemas inteligentes (fig. 3), las cuales fueron evaluadas con experimentos amplios que incluían diversas distribuciones en su arquitectura (números de datos de entrada, capas ocultas, neuronas de salida), algoritmos de entrenamiento, tipo de red (perceptron simple, múltiple o red probabilística29) y contextos clínicos. En 5 trabajos se comparan los rendimientos de varias herramientas de sistemas inteligentes (uno comparó 8 estrategias)23,36 ,40,42,43. En los últimos aos fueron publi- cados con mayor frecuencia estudios que evaluaron SVM31,36,40,41 y sistemas de ensamble28,34,35. En 7 casos se utilizaron estrategias de reconocimiento estadístico de patrones12,22,23,36,40,42,43 y un estudió evaluó un sistema de clustering39.

Figura 1: Flujograma de los trabajos durante el proceso de búsqueda. 

Figura 2:  Distribución de las frecuencias acumuladas de los riesgos de sesgos y de aplicabilidad de acuerdo a la herramienta QUADAS 2. 

En 13 trabajos se buscaba realizar el diagnóstico de todos los SCA9,12,13,17,19,22,26,27,30,33,35,38,42 y en 22 solo de los infartos (uno de ellos en casos de bloqueos completos de rama izquierda28). En 21 casos se tuvo en cuenta como datos de entrada aspectos clínicos y electrocardiográficos, en 10 solo datos electrocardiográficos14,20,24,28-30,34,38,40,41, en 2 solo datos clínicos22,25 y en 2 casos solo de biomarcadores de lesión miocárdica11,18. La mayoría de los sistemas inteligentes utilizan como referente estándar el contexto clínico dado por la combinación de aspectos clínicos, ECG, biomarcadores junto a alguna estrategia de estratificación; en un estudio estuvo determinado por el concepto de los cardiólogos18, en otro por angiografía coronaria41 y en uno se tuvo en cuenta los hallazgos de enfermedad en autopsias11. Se desconoce el referente estándar en 4 estudios 23,24,31,40. En 7 casos se compararon los resultados

Tabla 1 Estructura y características del entrenamiento de los diferentes sistemas inteligentes 

Estudio(ref.) Descripción de las herramientas usadas Datos de entrada Condición clínica Referente estándar a Número de pacientes b
Baxt,1991c9 RN con 20 entradas, 2capas ocultas con 10 neuronas cada una y una salida Clínicos y ECG Infartoagudo Contexto clínico 351 casos (50:50)
Harrison etal., 1991d10 RN con 53 entradas, unacapa oculta con 18 neuronas y una salida Clínicos y ECG Infartoagudo Contexto clínico 300 casos (50:50)
Furlong etal., 1991c11 RN con 21 entradas, unacapa oculta con 11 neuronas y una salida Biomarcadores Infartoagudo Contexto clínico 47 casos
Aase et al.,1993c 12 Bayes nativo (naïve) a partir de 31 variables Clínicos y ECG TodoslosSCA Contexto clínico 918 pacientes
Baxt ySkora, 1996c13 RN con 20 entradas, 2 capas ocultas con 10 neuronas cada una y una salida Clínicos y ECG TodoslosSCA Contexto clínico 1,070
Bozzola etal., 1996d14 Sistema híbrido neurofuzzy con8 neuronas deentrada ECG Infartoagudo Contexto clínico 539 casos (75:25)
Jørgensen etal., 1996c15 RN con 5, 10 y 20 entradas,una capa oculta y una neurona de salida Clínicos y ECG Infartoagudo Contexto clínico 250 casos (40:60)
Pedersen etal., 1996c16 RN con 5, 10 y 20 entradas,una capa oculta y una neurona de salida Clínicos y ECG Infartoagudo Contexto clínico 250 casos (40:60)
Hirshbergy Guttman,1996c 17 Sistema basadoenreglas Clínicos y ECG TodoslosSCA Contexto clínico 59 casos
Ellenius et al., 1997d18 Varios modelos de RN: perceptron simple ymulticapa Biomarcadores Infartoagudo Cardiólogos 80casos (84:16)
Kennedy etal., 1997d19 RN con 39 entradas, unacapa oculta con 18 neuronas y una salida ClínicosyECG TodoslosSCA Contexto clínico 290 entren, 91 validación
Hedén etal., 1997c20 RN con 72 entradas, unacapa oculta con 15 neuronas y una salida ECG Infartoagudo Contexto clínico 11572 casos
Tsienet al., 1998c 21 Árbol de decisiones C4,5 con45 datos deentrada ClínicosyECG Infartoagudo Contexto clínico 1,252 entren, 500
Aase,1999c22 Bayes nativo (naïve) a partirde 38 datos de la historia clínica Clínicos TodoslosSCA Contexto clínico 918 entren y 493 prueba
Dreiseitl et al., 1999c 23 Varios modelos: RN, red bayesiana y conjuntos de aproximación (Rough Set). Con8 a 40 datos ClínicosyECG Infartoagudo Nose describe 500 casos (67:33)
Lu et al.,2000d24 Sistema híbrido neurofuzzycon 22neuronasdeentraday4capas ECG Infartoagudo No se describe 124 casos
Wang et al., 2001d 25 RN con 30 entradas, unacapa oculta con 15 neuronas y una salida Clínicos Infartoagudo Contexto clínico 1,253 entren, 500 validación
Baxt et al., 2002-1c26 RN con 40 entradas, unacapa oculta con 10 neuronas y una salida ClínicosyECG TodoslosSCA Contexto clínico 2,204(83:17)
Baxt et al., 2002-2c27 RN con 40 entradas, unacapa oculta con 10 neuronas y una salida ClínicosyECG TodoslosSCA Contexto clínico 2,204(83:17)
Olsson etal., 2002c29 Sistema de ensamble de 50 RN cuya arquitectura consistía en30 entradas, una capa oculta con12 neuronas y unasalida ECG Infartoagudo Contexto clínico 518 casos (33:67
Haraldsson etal., 2004c29 RN probabilísticas con 48 a 108 entradas, una capa oculta con8 neuronas y unasalida ECG Infartoagudo Contexto clínico 2,248 casos (67:33)
Harrison y Kennedy, 2004c 30 RN con 13 entradas, unacapa oculta con 10 neuronas y una salida ECG TodoslosSCA Contexto clínico 1,253 entren, 1,268 validación
Conforti y Guido, 2005d31 SVM con varios tipos de kernel con 125 o con 25 datos de entrada ClínicosyECG Infartoagudo Nose describe 242 casos
Bulgiba,2006c32 RN con 9 datos aportados porel paciente para tamizaje ClínicosyECG Infartoagudo Contexto clínico 710 (90:10)
Coskun etal., 2006c33 Árbol de decisiones con 6 variables, uso de telemedicina ClínicosyECG TodoslosSCA Contexto clínico 365(68:32)
Olsson etal., 2006c34 Sistema de ensamble de 50 RN con 27 entradas, una capaoculta con 15 neuronas y una salida ECG Infartoagudo Contexto clínico 4,000casos (75:25)
Green etal., 2006c35 Ensamble de RN por Bagging y cross-spliting S-fold. 38, 22 o 16 variables deentrada ClínicosyECG TodoslosSCA Contexto clínico 634casos
Conforti etal., 2007c36 Varios modelos: SVM con varios kernel, Bayesnaïve, árbol de decisiones y RN ClínicosyECG Infartoagudo Contexto clínico 242casos
Al-Naima etal., 2008d37 RN entradas: 16, 21 o 32, 2 capas ocultas con 5 y 3 neuronas, una neurona de salida ClínicosyECG Infartoagudo Contexto clínico 42 (64:36)
Forberg etal., 2009c38 RN con 54 datos electrocardiográficos de entrada, una capa oculta con 10 neuronas. Se comparó con RL ECG TodoslosSCA Contexto clínico 861casos
Ainon et al.,2012c 39 Fuzzy C-meansClustering con 48, 5 o 7 datos de entrada ClínicosyECG Infartoagudo Contexto clínico 887casos
Chang et al., 2012d40 SVM y modelos de mezclas de gaussianas ECG Infartoagudo No se describe 1,129 entren y 200 pruebas
Dhawan et al., 2012d41 SVM multicapa con kernel de base radial en 4 capas ECG Infartoagudo Cateterísmo 201casos
Salari et al.,2013c Ocho estrategias: Modelo generalizado lineal, k-NN,ANFIS, Bayes, árbol de decisiones (ID3), Bagging, RBF yRN ClínicosyECG TodoslosSCA Contexto clínico más seguimientoto 809 paciente
Vila-Francés et al., 2013c 43 Compara varias estrategias de reconocimiento estadístico de patrones: Bayes, FAN, TAN y redes bayesianas ClínicosyECG Infartoagudo Contexto clínico 1,267 casos

ANFIS: adaptiveneurofuzzyinferencesystem; ECG: electrocardiograma; FAN: ForestAugmented Network; k-NN: k vecinos cercanos; RBF: función de base radial; RL: regresión logística; RN: red neuronal; SCA: síndromes coronarios agudos; SVM: máquina de soporte de vectores; TAN: TreeAugmented Network.

aEl contexto clínico hace referencia a la combinación de los datos clínicos, del ECG, biomarcadores y alguna estratificación.

bEntre paréntesis se describe cuánto fue el porcentaje tenido en cuenta para el entrenamiento y las pruebas.

cRevistas médicas.

dRevistas de ingeniería.

Tabla 2 Rendimiento diagnóstico de los sistemas inteligentes  

Estudio Sensibilidad Especificidad Precisión Otroreporte Comentarios
Baxt, 1991a 9 97.2 96.2 96.6 --- Fue comparada contra el rendimiento de los médicos de urgencia S
Harrison et al., 1991b10 96 86 89 --- Con los datos clínicos se mejora el desempen˜o
Furlong et al., 1991a 11 85.7 66.7 82.3 --- Entrenó RN con biomarcadores seriados (CPK y LDH). Analizó una sub población en que se realizó un diagnóstico a partir de autopsias
Aase et al., 1993a 12 NR NR 89 --- Evalúa la influencia del número de Grupos para la clasificación
Baxt y Skora, 1996a 13 96 96 96 --- Es la validación de un anterior trabajo
Bozzola et al., 1996b14 88 94.5 NR --- No se describe claramente cómo se diagnosticó el infarto ni la red neuronal con la que se comparó
Jørgensen et al., 1996a 15 NR NR 78 --- Hacen una magnífica exposición del Cómo afectan los cambios en la arquitectura de la RN a su rendimiento con el ejemplo de los infartos
Pedersen et al., 1996a 16 Ingreso: 79% 24 h: 99% Ingreso: 84% 24 h: 99% Ingreso: 81% 24 h: 99% --- Hace un análisis con los datos al ingreso, a las 12 y 24 h. Comparado con análisis discriminante que fue ligeramente inferior
Hirshberg y Guttman,1996c 17 100 39 NR --- Asigna a los cardiólogos una sensibilidad del 100% y una especificidad del 16%. Sistema comercial
Ellenius et al., 1997b18 100 93 NR --- Evalúan evolución en el tiempo de los Biomarcadores incluido mioglobina
Kennedy et al., 1997b19 prueba: 77.3% valid: 52.4% prueba: 86.6% valid: 80% prueba: 84.3% valid: 73.6% --- Analiza una población de difícil diagnóstico, con ECG sin cambios de infarto en 2 hospitales. Comparado con análisis discriminante
Hedén et al., 1997a 20 86.3 65.9 NR --- Para la misma sensibilidad los Cardiólogos tuvieron una especificidad del 55.4%
Tsien et al., 1998a 21 81.4 92.1 89.9 VPP: 72.9 Contó con datos de 2 hospitales, se comparó con el algoritmo computacional de Goldman y un trabajo previo, así como con 2 modelos de RL
Aase, 1999a 22 84.3 77.3 79.6 --- Fue usado en urgencias como un sistema de soporte a las decisiones clínicas
Dreiseitl et al., 1999a 23 NR NR NR AUC:RN 0.95,RB 0.96, RS 0.95 Compararon contra una regresión logística
Lu et al.,2000b24 84.6 90 --- --- En la publicación no se hace la descripción de la población
Wang et al., 2001b25 NR NR NR AUC: prueba 0.83 valid 0.85 Bases de datos de 2 hospitales tomando al segundo como validación. Rendimiento similar al de RL
Baxt et al., 2002-1a 26 94 93.3 NR AUC: 0.98 Se analiza el efecto de la falta de datos
Baxt et al., 2002-2 a 27 88.1 86.2 NR AUC:0.90 Comparado contra el ACI-TIPI, algoritmo de Goldman y una regresión logística
Olsson et al., 2002a 28 87 45 --- --- Casos de pacientes con bloqueo completo de rama izquierda en el ECG
Haraldsson et al., 2004a 29 NR NR NR AUC: 0.843 Comparan varias estrategias de análisis de adquisición de la información de los ECG, sin ser superior ninguna
Harrison y Kennedy, 2004a 30 Prueba: 93%, valid: 90% Prueba: 93%, valid: 89% NR AUC: prueba 0.93, valid 0.95 Se comparó contra una RL que present un rendimiento similar
Conforti etal., 2005b31 NR NR 96.2 --- No describe cómo se hizo el diagnóstico, el kernel polinomialtuvo el major desempen˜o
Bulgiba etal., 2006a 32 NR NR NR AUC: 0.792 Comparan las redes entrenadas por los Datos extraídos por PCA vs. la recomendación del experto
Coskun etal., 2006a 33 100 60 81 --- Lo comparan contra los médicos de Urgencias que logran una precisión del 85%
Olsson etal., 2006a 34 95 88 --- AUC: 0.98 Mejoraba el rendimiento diagnóstico de Los médicos al tener en cuenta su reporte. Concordancia con cardiólogos n de 0.71.
Green etal., 2006a 35 NR NR NR AUC: Bagging 81.1%, Cross- splitting 81%. El mejor rendimiento se obtuvo cuando Los datos de entrada fueron solo del ECG, los 2 sistemas de ensamble fueron casi equivalentes. Bajo desempen˜o de la RL. El AUC de una ANN fue del 80% y de RL del 76.4%
Conforti et al., 2007a 36 NR NR 93.8 --- En este caso el mejor kernel en pruebas fue el laplasiano. El C4.5 tuvo un 93%, Bayes un 91.7% y RN un 90.1%
Al-Naima et al., 2008b37 90 NR 90 --- Multicéntrico, 2 hospitales. Solo basa su diagnóstico en la derivación DIII.
Forberg etal., 2009a 38 95 44 NR AUC: 0.86 Le fue mejor a la regresión logística (AUC 0.88 y especificidad del 54%), a los expertos el AUC fue de 0.78 sensibilidad del 82% y especificidad del 63%
Ainon etal., 2012a 39 NR NR NR AUC: 0.75 Extraen los datos de los registros electrónicos de la historia clínica.
Dhawan etal., 2012b41 86.8 95 NR --- Comparado con cardiólogos que tuvieron Una sensibilidad del 55.3% y especificidad del 83.7%
Salari etal., 2013a 42 NR NR 83.2 --- El mejor resultado lo tuvo la RN, seguido por 7 NN. El Bagging de ID3 tuvo major resultado que el ID3 solo
Vila-Francés et al., 2013a 43 87.1 61.1 68.9 AUC: Bayes 0.72, FAN 0.74 El mejor resultado lo tuvieron las redes Bayesianas aunque no reportan su AUC

ANN: redes neuronales artificiales; AUC: área bajo la curva ROC; CPK: creatinfosfocinasa; ECG: electrocardiograma; FAN: ForestAug-mentedNetwork;LDH: lactato deshidrogenasa; PCA:análisisdecomponentesprincipales; RL:regresiónlogística; RN:redneuronal; SVM: máquina de soporte devectores.

aRevistas médicas.

bRevistas de ingeniería.

Figura 3: Distribución de la frecuencia de las herramientas de sistemas inteligentes usadas. 

con regresión logística21,23,25,27 ,30,35,38. En 4 casos se comparó con el desempeño de los médicos de urgencias9,33,34,38, en 3 casos con cardiólogos17,18,41 y en 2 casos se compararon con algoritmos computacionales (Goldman y ACI-TIPI)21,27.

En la mayor parte de los casos se alcanzaron altos niveles de precisión para el diagnóstico (tabla 2), encontrando el mejor rendimiento en el caso de varias redes neuronales con precisiones tan altas como el 96 y 98%9,13,26,31.

Discusión

El primer intento documentado para desarrollar y aplicar herramientas computacionales para el soporte del diagnóstico de los SCA fue quizá el expuesto por el grupo de Pozen en 198044,45. Aún hoy, luego de 35 años de intensa búsqueda de herramientas de apoyo al diagnóstico de la entidad que da cuenta de la mayor mortalidad en el mundo, no se encuentra una solución definitiva a este tema. Los sistemas inteligentes o de reconocimiento estadístico de patrones se constituyen en una ruta prometedora. Los resultados expuestos demuestran que, por lo general, son mejores que los expuestos para las reglas de predicción clínica que se apoyan en computadores4 o son independientes de ellos46.

En la revisión realizada se encontraron 35 artículos en los que se evaluaron herramientas de sistemas inteligentes en el diagnóstico de los SCA. A través de la experiencia previa, este número no logra abarcar por completo los trabajos que abordan este tema. Debe decirse al respecto que las bases de datos procedentes de ingeniería no tienen estandarizados los términos usados como palabras clave, de manera opuesta a lo que pasa en las que proceden de medicina. Esta situación parece ser más notoria en los artículos presenta- dos en congresos o conferencias. Como es de esperarse, los artículos que proceden de medicina hacen una descripción más completa de la población que es motivo de estudio y del referente para diagnóstico, mientras que en los de ingeniería tiende a descuidarse estos puntos y darse prelación a la descripción detallada de los aspectos metodológicos y de desarrollo del sistema.

Por tratarse de herramientas desarrolladas de manera automática a partir de la base de datos con la que se alimenta, en la que los datos de ingreso están pareados con el diagnóstico, el aspecto de flujo y tiempo por lo general no constituía riesgo de sesgo a pesar de conocerse el diagnóstico del referente de antemano. Se encuentra una amplia variabilidad en sus resultados con un mejor rendimiento aparente en el caso de ANN y SVM en comparación con las herramientas estadísticas de reconocimiento de patrones y árboles de decisiones (tabla 2). Cuando se comparó con los médicos, su resultado siempre fue superior a ellos. En los estudios en los que se podía establecer de antemano un umbral (principalmente en ANN) se dio prelación a una sensibilidad alta sacrificando la especificidad con el fin de favorecer el diagnóstico de los casos positivos.

Desde el planteamiento de la revisión se esperaba una amplia heterogeneidad entre los estudios, por lo que desde el principio se descartó la realización de un meta análisis. Las poblaciones investigadas eran diversas, los criterios aplicados como referentes variaron con el paso del tiempo, se consideraban en algunos los biomarcadores o ECG, mientras en otros solo correspondía a datos clínicos y, aun usando la misma herramienta, el método de entrenamiento y arquitectura tiene un gran nivel de variación.

Al analizar la escasa penetración de estos sistemas en la práctica médica Richardson46 propone 3 categorías de barreras para el diagnóstico clínico basado en la evidencia: desde el punto de vista de la evidencia disponible, aspectos del

Tabla 3: Valoración del riesgo de sesgos mediante la herramienta QUADAS 2 

diagnóstico y del sistema de salud. Al considerar el primero de estos puntos, la investigación realizada nos aporta una visión general acerca de la evidencia disponible, es claro que existe una buena cantidad de estudios que vienen lle- vándose a cabo desde hace bastante tiempo, pero que por lo general no son fácilmente disponibles para el profesional de la salud que finalmente tendrá a su cargo la toma de dichas decisiones. Parece ser visto como un experimento aislado, desligado de la práctica.

Una buena parte de los estudios que se encuentran en bases de datos procedentes de la ingeniería presentan limitaciones para el acceso y su consulta por parte del personal de la salud, y a no ser que sea la línea de trabajo habitual de este, no es tenida en cuenta. Vemos además que el enfoque de las publicaciones es amplio, consideran diversos espectros de la enfermedad, que van desde la isquemia inducida en laboratorio41, telemedicina33, triage inicial32 hasta la utilidad como punto definitorio de la conducta posterior22,34. En la mayor parte de ellos no se contemplan otras preguntas diagnósticas como los diagnósticos diferenciales.

Un aspecto fundamental que debe tenerse en cuenta es que existe la posibilidad que los estudios de precisión diagnóstica evalúen solo una parte del desempeño de las herramientas de soporte a las decisiones en el diagnóstico. En lugar de buscar niveles casi perfectos de sensibilidad y especificidad, otro camino podrían ser los estudios en los que se ponga de manifiesto la mejoría en la tasa de aciertos al momento de asignar a los pacientes a cierta área de hospitalización o decidir su alta. Como ejemplo presentamos los trabajos de Jonsbu et al.47 que expone como su herramienta mejora en la práctica la asignación de los pacientes en comparación con la forma tradicional, y el de Wilson et al.48 que incluye el dato de la lectura automática del ECG en la decisión de trombólisis prehospitalaria en pacientes con infarto. Ambos estudios fueron excluidos al no mostrar datos de precisión diagnóstica.

La interpretación de los hallazgos de los ECG presenta sus problemas particulares; es así como en una revisión sistemática se concluyó que tanto los médicos de diferentes especialidades como el software cometen frecuentemente errores en dicha interpretación49. En casi un tercio de los estudios de la revisión, solo se consideró como datos de entrada al sistema la señal electrocardiográfica, sometida o no a algún sistema de procesamiento; sus resultados muestran un desempeño muy bueno para el caso específico de los SCA.

Al considerar las limitaciones de la revisión encontramos que no hay una estandarización de los términos al interior de las bases de datos con lo cual es probable que algunos artículos hayan quedado fuera. A través del tiempo se ha dado una evolución en las definiciones de los SCA lo que hace que el referente no pueda ser aplicable a todos los trabajos de una forma uniforme. Por otro lado, se encuentra una heterogeneidad en la manera como es descrito el rendimiento diagnóstico de las pruebas evaluadas y en la mayor parte de los casos no se puede elaborar tablas de contingencia para ilustrar los falsos y verdaderos positivos/negativos.

Los sistemas inteligentes ya hacen parte de nuestra vida cotidiana. En medicina, el desarrollo más importante se ha centrado en el reconocimiento automático de imágenes especialmente en radiología, big data enfocado hacia farmacovigilancia y modelamiento de epidemias en salud pública. El presente trabajo expone la el extenso camino llevado a cabo en búsqueda de nuevas herramientas que ayuden al diagnóstico de los SCA, sobre todo cuando quien se enfrenta al paciente es personal médico no especializado como ocurre en muchas ocasiones. Aunque aún no se cuente con una aplicación que haga uso de estas herramientas a pie del paciente, es probable que pronto lo veamos en la práctica gracias al avance importante de la tecnología en los últimos años y la investigación creciente en estos temas.

Conclusiones

Esta revisión expone cómo las herramientas de sistemas inteligentes tienen alto rendimiento en el diagnóstico de los SCA utilizando diferentes fuentes de entradas como lo son datos clínicos, biomarcadores y ECG así como varias de estas herramientas en donde las redes neuronales son las más utilizadas. Teniendo en cuenta lo descrito se debe considerar a futuro el uso de estas herramientas en la práctica clínica habitual.

Bibliografía

1. HammCW, BassandJP, AgewallS, et al. ESC Guidelines for the management of acute coronary syndromes in patients presenting without persistent ST-segment elevation: The Task Force for the management of acute coronary syndromes (ACS) in patients presenting without persistent ST-segment elevation of the European Society of Cardiology (ESC). Eur Heart J. 2011;32:2999-3054. [ Links ]

2. LobachD, SandersGD, BrightTJ, et al. Enabling health care decisionmaking through clinical decision support and knowledge management. Evid Rep Technol Assess. 2012:1-784. [ Links ]

3. NegnevitskyM. Artificial intelligence. A guide to intelligent systems. 2.aed Harlow: Addison Wesley; 2004. p. 440. [ Links ]

4. SteurerJ, HeldU, SchmidD, et al. Clinical value of diagnostic instruments for ruling out acute coronary syndrome inpatients with chest pain: A systematic review. Emerg Med J. 2010;27:896-902. [ Links ]

5. LeeAJ, MichailM, QuaderiSA, et al. Implementation of NICE Clinical Guideline 95 for assessment of stable chest pain in a rapid access chest pain clinic reduces the mean number of investigations and cost per patient. Open Heart. 2015;2:e000151. [ Links ]

6. SkinnerJS, SmeethL, KendallJM, et al., Chest Pain Guideline Development Group. NICE guidance. Chest pain of recent onset: Assessment and diagnosis of recent onset chest pain or discomfort of suspected cardiac origin. Heart. 2010;96: 974---8. [ Links ]

7. AmsterdamEA, KirkJD, BluemkeDA, et al. Testing of low-risk patients presenting to the emergency department with chest pain: A scientific statement from the American Heart Association. Circulation. 2010;122:1756-76. [ Links ]

8. WhitingPF, RutjesAW, WestwoodME, et al. QUADAS-2: A revised tool for the quality assessment of diagnostic accuracy studies. Ann Intern Med. 2011;155:529-36. [ Links ]

9. BaxtWG. Use of an artificial neural network for the diagnosis of myocardial infarction. Ann Intern Med. 1991;115:843-8. [ Links ]

10. HarrisonRF, MarshallSJ, KennedyRL. The early diagnosis of heart attacks: A neuro computational approach. Seattle: IEEE; 1991. p. 1-5. [ Links ]

11. FurlongJW, DupuyME, HeinsimerJA. Neural network analysis of serial cardiac enzyme data. A clinical application of artificial machine intelligence. Am J Clin Pathol. 1991;96:134-41. [ Links ]

12. AaseO, JonsbuJ, LiestølK, et al. Decision support by computer analysis of selected case history variables in the emergency room among patients with acute chest pain. Eur Heart J. 1993;14:433-40. [ Links ]

13. BaxtWG, SkoraJ. Prospective validation of artificial neural network trained to identify acute myocardial infarction. Lancet. 1996;347:12-5. [ Links ]

14. BozzolaP, BortolanG, CombiC, et al. A hybrid neuro-fuzzy system for ECG classification of myocardial infarction. Comput Cardiol. 1996:24-4. [ Links ]

15. JørgensenJS, PedersenJB, PedersenSM. Use of neural networks to diagnose acute myocardial infarction. I. Methodology. Clin Chem. 1996;42:604-12. [ Links ]

16. PedersenSM, JørgensenJS, PedersenJB. Use of neural networks to diagnose acute myocardial infarction. II. A clinical application. Clin Chem. 1996;42:613-7. [ Links ]

17. HirshbergAJ, GuttmanTG. Criteria-based expert system for cardiac ischemia evaluation in the emergency department. Acad Emerg Med. 1996;3:689-93. [ Links ]

18. ElleniusJ, GrothT, LindahlB, et al. Early assessment of patients with suspected acute myocardial infarction by bio-chemical monitoring and neural network analysis. Clin Chem. 1997;43:1919-25. [ Links ]

19. KennedyRL, HarrisonRF, BurtonAM, et al. An artificial neural network system for diagnosis of acute myocardial infarction (AMI) in the accident and emergency department: Evaluation and comparison with serum myoglobin measurements. Comput Methods Programs Biomed. 1997;52:93-103. [ Links ]

20. HedénB, ÖhlinH, RittnerR, et al. Acute myocardial infarction detected in the 12-lead ECG by artificial neural networks. Circulation.1997;96:1798-802. [ Links ]

21. TsienCL, FraserHS, LongWJ, et al. Using classification tree and logistic regression methods to diagnose myocardial infarction. Stud Health Technol Inform. 1998;52 Pt 1:493-7. [ Links ]

22. AaseO. Clinical experience with a decision support computer program using Bayes’ theorem to diagnose chest pain patients. Cardiology. 1999;92:128-34. [ Links ]

23. DreiseitlS, Ohno-MachadoL, VinterboS. Evaluating variable selection methods for diagnosis of myocardial infarction. Proc AMIA Symp. 1999:246-50. [ Links ]

24. LuHL, OngK, ChiaP. Automated ECG classification system based on a neuro-fuzzy system. Comput Cardiol. 2000;27:387-90. [ Links ]

25. WangSJ, Ohno-MachadoL, FraserHS, et al. Using patientreportable clinical history factors to predict myocardial infarction. Comput Biol Med. 2001;31:1-13. [ Links ]

26. BaxtWG, ShoferFS, SitesFD, et al. A neural computational aid to the diagnosis of acute myocardial infarction. Ann Emerg Med. 2002;39:366-73. [ Links ]

27. BaxtWG, ShoferFS, SitesFD, et al. A neural network aid for the early diagnosis of cardiac ischemia in patients presenting to the emergency department with chest pain. Ann Emerg Med. 2002;40:575-83. [ Links ]

28. OlssonSE, OhlssonM, OhlinH, et al. Neural networks---a diagnostic tool in acute myocardial infarction with concomitant left bundle branch block. Clin Physiol Funct Imaging. 2002;22:295-9. [ Links ]

29. HaraldssonH, EdenbrandtL, OhlssonM. Detecting acute myocardial infarction in the 12-lead ECG using Hermite expansions and neural networks. Artif Intell Med. 2004;32:127-36. [ Links ]

30. HarrisonRF, KennedyRL. Artificial neural network models for prediction of acute coronary syndromes using clinical data from the time of presentation. Ann Emerg Med. 2005;46: 431-9. [ Links ]

31. ConfortiD, GuidoR. Kernel-based support vector machine classifiers for early detection of myocardial infarction. Optim Methods Softw. 2005;20:401-13. [ Links ]

32. BulgibaAM. Using neural networks and just nine patient- reportable factors of screen for AMI. Health Informatics J. 2006;12:213-25. [ Links ]

33. CoskunO, ErenA, ErenM. A computer based telemedicine pro- tocol to predict acute coronary syndrome in patients with chest pain at home. Int Heart J. 2006;47:491-500. [ Links ]

34. OlssonSE, OhlssonM, OhlinH, et al. Decision support for the initial triage of patients with acute coronary syndromes. Clin Physiol Funct Imaging. 2006;26:151-6. [ Links ]

35. GreenM, BjörkJ, ForbergJ, et al. Comparison between neural networks and multiple logistic regression to predict acute coronary syndrome in the emergency room. Artif Intell Med. 2006;38:305-18. [ Links ]

36. Al-NaimaFM, AliAH, MahdiSS. Data acquisition for myocardial infarction classification based on wavelets and Neural Networks. In IEEE SSD 2008.5th International Multi-Conference on Systems, Signals and Devices; 2008. p. 1-6. [ Links ]

37. Al-NaimaFM, AliAH, MahdiSS. Data acquisition for myocardial infarction classification based on wavelets and Neural Networks. Seattle: IEEE; 2008. p. 1-6. [ Links ]

38. ForbergJL, GreenM, BjörkJ, et al. In search of the best method to predict acute coronary syndrome using only the electrocardiogram from the emergency department. J Electrocardiol. 2009;42:58-63. [ Links ]

39. AinonRN, BulgibaAM, LahsasnaA. AMI screening using linguistic fuzzy rules. J Med Systems. 2010;36:463-73. [ Links ]

40. ChangP-C, LinJ-J, HsiehJ-C. Myocardial infarction classification with multi-lead ECG using hidden Markov models and Gaussian mixture models. Appl Soft Comput. 2012;12:3165-75. [ Links ]

41. DhawanA, WenzelB, GeorgeS, et al. Detection of acute myocardial infarction from serial ECG using multilayer support vector machine. Conf Proc IEEE Eng Med Biol Soc. 2012;2012:2704-7. [ Links ]

42. SalariN, ShohaimiS, NajafiF,etal. Application of pattern recognition tools for classifying acute coronary syndrome: An integrated medical modeling. Theor Biol Med Model. 2013;10:57. [ Links ]

43. Vila-FrancésJ, SanchísJ, Soria-OlivasE, et al. Expert system for predicting unstable angina based on Bayesian networks. Expert Syst Appl. 2013;40:5004-10. [ Links ]

44. PozenMW, D’AgostinoRB, MitchellJB, et al. The usefulness of a predictive instrument to reduce inappropriate admissions to the coronary care unit. Ann Intern Med. 1980; 92 (2 Pt 1): 238-42. [ Links ]

45. HessEP, ThiruganasambandamoorthyV, WellsGA, et al. Diagnostic accuracy of clinical prediction rules to exclude acute coronary syndrome in the emergency department setting: a systematic review. CJEM. 2008; 10: 373-82. [ Links ]

46. RichardsonWS. We should overcome the barriers to evidence- based clinical diagnosis!J Clin Epidemiol. 2007;60:217-27. [ Links ]

47. JonsbuJ, AaseO, RollagA, et al. Prospective evaluation of an EDB-based diagnostic program to be used in patients admitted to hospital with acute chest pain. Eur Heart J. 1993;14:441-6. [ Links ]

48. WilsonRE, KadoHS, PercyRF, et al. An algorithm for identification of ST-elevation myocardial infarction patients by emergency medicine services. Am J Emerg Med. 2013;31:1098-102. [ Links ]

49. SalernoSM, AlguirePC, WaxmanHS. Competency in interpretation of 12-lead electrocardiograms: A summary and appraisal of published evidence. Ann Intern Med. 2003;138:751-60. [ Links ]

Responsabilidades éticas Protección de personas y animales. Los autores declaran que para esta investigación no se han realizado experimentos en seres humanos ni en animales. Confidencialidad de los datos. Los autores declaran que en este artículo no aparecen datos de pacientes. Derecho a la privacidad y consentimiento informado. Los autores declaran que en este artículo no aparecen datos de pacientes.

Financiación Ninguna.

Anexo. Material adicional Se puede consultar material adicional a este artículo en su versión electrónica disponible en doi:10.1016/j.acmx. 2017.03.002.

Recibido: 11 de Mayo de 2016; Aprobado: 01 de Marzo de 2017

Autor para correspondencia. Cra. 19 No. 8.a-32 Pbx: 3538100. Correo electrónico: jjsprockel@fucsalud.edu.co(J. Sprockel).

Conflicto de intereses

Los investigadores dejamos constancia que no poseemos ningún conflicto de intereses.

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons