Modelos fundacionales para la interpretación de electrocardiogramas: implicaciones clínicas

Área de la Ciencia:

• Inteligencia artificial en medicina
• Diagnóstico cardiovascular
• Aprendizaje automático para la atención médica

Sus antecedentes:

• La IA existente para la interpretación de ECG a menudo carece de generalización y se basa en el aprendizaje supervisado (SL) con datos etiquetados extensos.
• El aprendizaje autosupervisado (SSL) ofrece una solución potencial al aprender de datos no etiquetados, superando las limitaciones de los métodos tradicionales.
• Este estudio aborda la necesidad de soluciones de IA adaptables y de código abierto en el diagnóstico cardíaco.

Objetivo del estudio:

• Desarrollar y comparar dos modelos fundacionales de ECG de código abierto: DeepECG-SL (supervisado) y DeepECG-SSL (autosupervisado).
• Evaluar la generalización, equidad y rendimiento de SSL frente a SL en la interpretación de ECG en diversos entornos clínicos.
• Proporcionar herramientas de IA accesibles para diagnósticos cardíacos robustos y eficientes en datos.

Principales métodos:

• Se entrenaron dos modelos, DeepECG-SL y DeepECG-SSL, con más de 1 millón de ECGs para predecir 77 condiciones cardíacas.
• DeepECG-SSL utilizó aprendizaje contrastivo y modelado de derivaciones enmascaradas en datos no etiquetados antes del ajuste fino.
• Se evaluó el rendimiento en siete sistemas de salud privados y cuatro públicos multilingües, incluidas evaluaciones de equidad y privacidad.

Principales resultados:

• Ambos modelos lograron un alto rendimiento (AUROC ~0.98-0.99) en conjuntos de datos internos, públicos y externos privados.
• DeepECG-SSL mostró un rendimiento superior en tareas con datos limitados, como la clasificación genotípica del síndrome de QT largo y la predicción del riesgo de fibrilación auricular.
• Los análisis de equidad indicaron disparidades mínimas entre los grupos de edad y sexo para ambos modelos.

Conclusiones:

• El aprendizaje autosupervisado (SSL) es un paradigma prometedor para el análisis de ECG, que mejora la accesibilidad, la generalización y la equidad en el diagnóstico cardíaco impulsado por IA.
• La publicación de código abierto de modelos, herramientas y código tiene como objetivo fomentar diagnósticos de IA robustos y eficientes en datos.
• Los modelos SSL son particularmente beneficiosos en entornos clínicos con datos anotados limitados.