Detección temprana del ictus mediante el aprendizaje automático en el entorno prehospitalario

Área de la Ciencia:

• Neurología
• La informática médica
• Medicina de emergencia

Sus antecedentes:

• El accidente cerebrovascular es una de las principales causas mundiales de muerte y discapacidad, agravada por los estilos de vida modernos.
• El diagnóstico pre-hospitalario actual del accidente cerebrovascular se basa en los síntomas, lo que puede retrasar el tratamiento de afecciones críticas como las oclusiones vasculares grandes (OVM).
• El diagnóstico y la intervención inmediatos son cruciales para un tratamiento eficaz del ictus.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para la identificación precisa del tipo y la gravedad del accidente cerebrovascular antes del ingreso en el hospital.
• Mejorar el diagnóstico de accidentes cerebrovasculares en los servicios médicos de emergencia (SME) utilizando datos hemodinámicos.
• Optimizar la selección de hospitales y mejorar los resultados de los pacientes a través de la intervención oportuna en centros especializados.

Principales métodos:

• Se desarrollaron dos modelos especializados de aprendizaje automático para predecir el tipo de accidente cerebrovascular (isquémico o hemorrágico).
• Se utilizó una regla bayesiana para la clasificación final del accidente cerebrovascular.
• Un modelo separado identificó oclusiones vasculares grandes (OVM) en casos de accidente cerebrovascular isquémico utilizando un conjunto reducido de variables clave.

Principales resultados:

• El modelo LVO logró un 91,67% de recuperación y una precisión del 64,71% para los episodios isquémicos, superando las escalas pre-hospitalarias existentes.
• Las variables predictivas clave incluyeron la presión arterial, la frecuencia cardíaca, la saturación de oxígeno y el movimiento del brazo.
• Los modelos integrados mostraron un recuerdo del 74% y una precisión del 59% para la detección de LVO.

Conclusiones:

• El aprendizaje automático mejora significativamente la precisión del diagnóstico del accidente cerebrovascular en entornos de EMS.
• El modelo LVO demostró una mejora del 10% al 13% en los recuerdos positivos en comparación con los métodos de referencia.
• Los datos objetivos como la presión arterial y la frecuencia cardíaca son cruciales para mejorar el diagnóstico del accidente cerebrovascular basado en el ML y facilitar las intervenciones oportunas.