Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use.

Any transmission of this document by any media or format is strictly prohibited.

Rev Esp Cardiol. 2019;72(12):1065–1075

Artı́culo de revisión

Aplicaciones de la inteligencia artificial en cardiologı́a:

el futuro ya está aquı́
P. Ignacio Dorado-Dı́aza,b,^, Jesús Sampedro-Gómeza,b,^, Vı́ctor Vicente-Palaciosa,c y Pedro L. Sáncheza,b,*
a
Servicio de Cardiologı´a, Hospital Universitario de Salamanca-Instituto de Investigación Biomédica de Salamanca (IBSAL), Universidad de Salamanca, Salamanca, España
b
Centro de Investigación Biomédica en Red de Enfermedades Cardiovasculares (CIBERCV), Instituto de Salud Carlos III, Madrid, España
c
Philips Healthcare, Madrid, España

Historia del artı´culo: RESUMEN

Recibido el 1 de mayo de 2019
Aceptado el 10 de junio de 2019 Existen pocos temas de actualidad equiparables a la posibilidad de la tecnologı́a actual para desarrollar
On-line el 1 de agosto de 2019
las mismas capacidades que el ser humano, incluso en medicina. Esta capacidad de simular los procesos
de inteligencia humana por parte de máquinas o sistemas informáticos es lo que conocemos hoy en dı́a
Palabras clave: como inteligencia artificial (IA). Este artı́culo pretende aclarar diferentes términos que todavı́a nos
Inteligencia artificial
resultan lejanos como IA, machine learning (aprendizaje automático, AA), deep learning (aprendizaje
Machine learning
profundo, AP), data science o big data; describir en profundidad el concepto de IA y sus tipos, las técnicas
Deep learning
Cardiologı́a de aprendizaje y la metodologı́a que se utiliza en el AA, el análisis en imagen cardiaca con AP, la
aportación de esta revolución tecnológica a la estadı́stica clásica, sus limitaciones actuales, sus aspectos
legales y, fundamentalmente, sus aplicaciones iniciales en cardiologı́a. En este sentido se ha realizado
una búsqueda detallada en PubMed de la evolución en el último lustro de las contribuciones de la IA a las
diferentes áreas de aplicación en cardiologı́a, y se ha identificado un total de 673 artı́culos originales. Se
describen en detalle 19 ejemplos de diferentes áreas de la cardiologı́a que utilizando IA han mostrado
mejoras diagnósticas y terapéuticas, y que facilitarán la comprensión de la metodologı́a AA y AP.
C 2019 Sociedad Española de Cardiologı́a. Publicado por Elsevier España, S.L.U. Todos los derechos reservados.

Applications of Artificial Intelligence in Cardiology. The Future is Already Here

ABSTRACT

Keywords: There is currently no other hot topic like the ability of current technology to develop capabilities similar
Artificial intelligence to those of human beings, even in medicine. This ability to simulate the processes of human intelligence
Machine learning with computer systems is known as artificial intelligence (AI). This article aims to clarify the various
Deep learning
terms that still sound foreign to us, such as AI, machine learning (ML), deep learning (DL), and big data. It
Cardiology
also provides an in-depth description of the concept of AI and its types; the learning techniques and
technology used by ML; cardiac imaging analysis with DL; and the contribution of this technological
revolution to classical statistics, as well as its current limitations, legal aspects, and initial applications in
cardiology. To do this, we conducted a detailed PubMed search on the evolution of original contributions
on AI to the various areas of application in cardiology in the last 5 years and identified 673 research
articles. We provide 19 detailed examples from distinct areas of cardiology that, by using AI, have shown
diagnostic and therapeutic improvements, and which will aid understanding of ML and DL methodology.
C 2019 Sociedad Española de Cardiologı́a. Published by Elsevier España, S.L.U. All rights reserved.

INTRODUCCIÓN muy desarrollada en otras disciplinas profesionales y nuestro reto

actual debe ser trasladar todo este desarrollo al ámbito médico y en
Existen pocos temas de actualidad equiparables a la posibilidad concreto a la cardiologı́a.
que tiene la tecnologı́a actual para desarrollar las mismas Este artı́culo pretende aclarar al lector diferentes términos que
capacidades que el ser humano, incluso en medicina. Esta todavı́a nos resultan lejanos y misteriosos, como la mencionada IA,
capacidad de simular los procesos de la inteligencia humana por el machine learning o aprendizaje automático (AA), el deep learning
parte de las máquinas o sistemas informáticos es lo que conocemos o aprendizaje profundo (AP), la ciencia de datos o data science y el
hoy en dı́a como inteligencia artificial (IA). La IA empieza a estar big data o datos masivos; describir en profundidad el concepto de
IA y sus tipos, las técnicas de aprendizaje y la metodologı́a que se
* Autor para correspondencia: Servicio de Cardiologı́a, Hospital Universitario de utiliza en AA, el análisis en imagen cardiaca con AP, la aportación
Salamanca-IBSAL-CIBERCV, P.8 San Vicente 58-187, 38007 Salamanca, España. de esta revolución tecnológica sobre la estadı́stica clásica, sus
Correo electrónico: pedrolsanchez@secardiologia.es (P.L. Sánchez).
^
Ambos autores han contribuido al manuscrito de forma similar como primer
limitaciones actuales, sus aspectos legales y, fundamentalmente,
autor. sus aplicaciones iniciales en cardiologı́a.

https://doi.org/10.1016/j.recesp.2019.05.016
0300-8932/ C 2019 Sociedad Española de Cardiologı́a. Publicado por Elsevier España, S.L.U. Todos los derechos reservados.
Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use. Any transmission of this document by any media or format is strictly prohibited.

1066 P.I. Dorado-Dı´az et al. / Rev Esp Cardiol. 2019;72(12):1065–1075

término más relevante; en Estados Unidos, Canadá, Reino Unido,

Abreviaturas norte de Europa y Australia es machine learning; en China y Japón,
deep learning.
AA: aprendizaje automático
AP: aprendizaje profundo
IA: inteligencia artificial INTELIGENCIA ARTIFICIAL
RN: red neuronal
A dı́a de hoy es difı́cil encontrar una definición universal de lo
que se conoce como IA. A menudo se refiere al campo de las
CIENCIA DE DATOS ciencias de la computación que trata de imitar los procesos
cognitivos humanos, la capacidad de aprendizaje y el almacena-
Los términos ciencia de datos, big data, IA y AA son diferentes, miento de conocimiento. Otras definiciones lo estudian en un
aunque pertenezcan a una misma disciplina: el análisis y la sentido más amplio, a través de la comprensión y construcción de
extracción de información de los datos. Sin embargo, son conceptos entidades inteligentes, generalmente entendidas como software
que en ocasiones se utilizan indistintamente y de forma ambigua. informático. Centrándonos en el tipo de tareas, se podrı́a
El término big data fue acuñado por primera vez en 2005 por R. considerar la IA como sistemas automáticos capaces de, por
Magoulas, que lo describió como un volumen masivo de datos que ejemplo, traducir un documento, reconocer a una persona por sus
por tamaño supera al software tradicional de almacenaje y rasgos faciales o conducir un automóvil. La IA no se limita a imitar
tratamiento. El big data gravita en torno a 7 uves: volumen, tareas humanas, sino que en algunos casos es capaz de superar al
velocidad, variedad, veracidad, validez, volatilidad y valor de los mejor experto en la materia tomando decisiones con menores tasas
datos. Es decir, el big data genera información a gran velocidad, de error que una persona o identificando patrones imperceptibles
controlando la integridad de los datos y con mucha variedad en para el ojo humano4. Por lo tanto, la IA permite analizar
cuanto al tipo y la naturaleza de los estos (texto, imágenes, vı́deos, información con una aproximación diferente de la tradicional.
diferentes sistemas, diferentes proveedores, etc.). En cardiologı́a, el Ya no nos limitamos a describir la información de la que
big data serı́a viable desde un marco de colaboración nacional, disponemos para dar respuesta a lo sucedido. La IA permite
? ?
europeo o mundial, en el que entidades hospitalarias homogenei- responder otras preguntas: qué sucedió? (diagnosticar), qué
?
zaran y compartieran datos para la creación de repositorios de gran pasará? (predecir) y qué deberı́a hacer? (prescribir).
volumen. Estos grandes repositorios de datos servirı́an de apoyo en Dentro de las áreas de aplicación de la IA más relevantes, con
nuestra práctica diaria en el establecimiento de protocolos, aportación en el ámbito de la salud, se pueden citar las siguientes:
diagnóstico estandarizado y temprano de enfermedades, pronós- el reconocimiento automático de voz y el procesamiento de
tico de la evolución de enfermedades y planificación del lenguaje natural, los algoritmos de predicción, recomendación o
tratamiento de nuestros pacientes1. diagnóstico, la visión artificial y el análisis de imagen, la robótica y
Este tipo de tratamiento de la información no serı́a posible sin la IA y los sistemas expertos.
los recientes avances tecnológicos en IA. La IA utiliza herramientas
capaces de identificar los patrones existentes en los datos. La IA se
define por primera vez en la década de los años cincuenta, y Reconocimiento automático de voz y procesamiento de
engloba múltiples subdisciplinas, desde los sistemas expertos o la lenguaje natural
robótica hasta el AA. Es justamente este último término sobre el
que vamos a hacer énfasis en esta revisión debido a los grandes El objetivo de estas disciplinas es desarrollar mecanismos para
avances experimentados en los últimos años. la comunicación entre personas y máquinas utilizando lenguajes
El término machine learning fue acuñado por primera vez en naturales. En el ámbito médico el reconocimiento automático de
1959 por A.L. Samuel2, y su objetivo es desarrollar algoritmos que voz ya se está empleando para el registro de información clı́nica de
permitan que unos sistemas informáticos tomen decisiones y pacientes5. Asimismo, el procesamiento de lenguaje natural está
aprendan de su resultado; que estos sistemas sean capaces de permitiendo, como ya se ve en varios ejemplos en España en el
aprender a hacer algo sin haber sido programados explı́citamente ámbito de la cardiologı́a, clasificar enfermedades o elegir la cohorte
para ello. más adecuada para un estudio clı́nico analizando registros de
Dentro de las técnicas de AA existe cada dı́a mayor interés por historial médico6.
los modelos de AP3. Estos basan su poder predictivo en redes
neuronales (RN) artificiales y se caracterizan por disponer de Algoritmos de predicción, recomendación o diagnóstico
múltiples capas de procesamiento (transformaciones) de la
información, lo que les permite analizar conjuntos de datos con Esta probablemente sea el área más madura en el mundo de la
patrones de mayor complejidad. Estos algoritmos están permi- medicina y la cardiologı́a, AA y AP. El mayor interés reside tanto en
tiendo avances muy importantes en el reconocimiento de voz y de la automatización de tareas repetitivas, como puede ser la
imágenes, aspecto este último muy relevante en cardiologı́a. evaluación de una prueba diagnóstica; como en la generación de
La ciencia de datos es el campo en el que se pueden englobar conocimiento a través del análisis de datos clı́nicos. Una parte
todos los aspectos relacionados con la obtención del conocimiento importante de este artı́culo se centra en describir la metodologı́a a
existente en los datos. Involucra métodos cientı́ficos, procesos y seguir en este tipo de estudios y casos de uso en cardiologı́a.
sistemas para extraer conocimiento o una mejor comprensión de
los datos, normalmente aplicando técnicas novedosas en el
tratamiento como la IA. Aunque es frecuente utilizar como Visión artificial y análisis de imagen
sinónimos IA y AA, no lo son. La IA cubre un ámbito más amplio
de esta revolución tecnológica incluyendo AA y AP (figura 1A). En el En esta disciplina cientı́fica se incluyen los métodos para
panel derecho de la figura 2 se muestra el interés que despiertan adquirir, procesar, analizar y comprender las imágenes del mundo
estos conceptos durante los últimos 3 años, con un interés cada vez real con el fin de producir información numérica o simbólica para
más alto por el AA, la IA, la ciencia de datos y el AP. En España, sur que puedan ser tratados por un ordenador. Estas técnicas han
de Europa y Sudamérica sigue apareciendo big data como el experimentado una auténtica revolución en los últimos años
Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use. Any transmission of this document by any media or format is strictly prohibited.

P.I. Dorado-Dı´az et al. / Rev Esp Cardiol. 2019;72(12):1065–1075 1067

A B
Machine learning Big data Artificial intelligence
Data science Deep learning
100
80
60
Data 40
science 20
0

ene-14

abr-14
jul-14

oct-14
ene-15
abr-15
jul-15

oct-15
ene-16

abr-16
jul-16

oct-16

ene-17
abr-17
jul-17

oct-17
ene-18

abr-18
jul-18
oct-18

ene-19
abr-19
Artificial
Machine intelligence
learning
C
Big data
100%
Deep 80%
learning 60%
40%
20%
0%

un ur

o
Is a

ga

nl a

G ia
Ir cia
C da
Po adá

em l
ia
Es ea sia

Ja os
n
N no lia

g a
Bé ng
Au gica

Pa Fra a
es a
Es jos
ña
or l
N rae

Al tuga

va nid
i

Fi hin

pó

on d

ís nci
li
do l S
ec

an

Ko
ei Ita

ra
id
ue

H elan

pa
Ba
re

or Ru
an

la
an

U
Su

l
ta de

st
C

Z
s

R
ue
C
Machine learning Big data Artificial intelligence Data science Deep learning

Figura 1. A: diagrama de Venn de los términos más comúnmente empleados en las disciplinas de la ciencia de datos. B: búsquedas totales (fuente: Google Trends), en
los últimos 5 años completos, de términos relacionados con inteligencia artificial y ciencia de datos; el eje vertical del diagrama representa la proporción de un tema
con respecto al total de búsquedas sobre los temas. C: término más buscado en cada paı́s en el mismo periodo.

OBTENCIÓN Y PREPARACIÓN DE LOS DATOS SELECCIÓN DE

LAS VARIABLES
1
2
PREPROCESADO
Adaptar ANÁLISIS
DATOS Seleccionar DESCRIPTIVO
BBDD
CRUDOS Limpiar EXPLORATORIO
INICIAL
Completar
Transformar

DATOS: ENTRENAMIENTO, VALIDACIÓN Y TEST SELECCIÓN

DE LAS VARIABLES
3 Análisis multivariante
BBDD Reducción dimensional
60% AA 20%

20%

BBDD
BBDD BBDD BBDD AA
ENTRENAMIENTO VALIDACIÓN TEST

AJUSTE DE LOS DIFERENTES ALGORITMOS DE AA TEST FINAL DEL

MODELO DE AA
X, veces por 6
4 modelo
candidato BBDD
BBDD TEST
ENTRENAMIENTO N, modelos
analizados
TEST FINAL
MODELO DE AA
VALIDACIÓN Y SELECCIÓN DEL MODELO DE AA ELEGIDO
5
N, modelos
BBDD ajustados UTILIZACIÓN DEL
VALIDACIÓN MODELO DE AA
7

SELECCIÓN DEL
MODELO DE AA UTILIZACIÓN DEL
… de acuerdo con MODELO DE AA
la métrica fijada

Figura 2. Metodologı́a de aplicación de un modelo de aprendizaje automático (machine learning). AA: aprendizaje automático; BBDD: bases de datos.
Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use. Any transmission of this document by any media or format is strictly prohibited.

1068 P.I. Dorado-Dı´az et al. / Rev Esp Cardiol. 2019;72(12):1065–1075

gracias a la aplicación de algoritmos de AP y es una de las un conjunto de datos y clasificarlos sin apoyarse en etiquetas o
disciplinas que más están aportando a la medicina hoy en dı́a, y por categorı́as. Para ello, estos procedimientos buscan estructuras,
ende en cardiologı́a como se detalla más adelante. patrones o caracterı́sticas en los datos de origen que puedan ser
reproducibles en nuevos conjuntos de datos. Los métodos de
agrupamiento o clustering son los más empleados para esta tarea.
Robótica e inteligencia artificial

La robótica y la IA es un área cuyo objetivo es construir sistemas EL APRENDIZAJE AUTOMÁTICO: METODOLOGÍA

fı́sicos con comportamiento inteligente. Lleva mucho tiempo
desarrollándose, pero está teniendo un nuevo auge apoyada en Construir un modelo AA no se reduce solo a utilizar un
las distintas áreas descritas (reconocimiento automático de voz, algoritmo de aprendizaje sobre una base de datos, sino que es todo
visión artificial, etc.). En el área cardiovascular se está desarro- un proceso9,10, que suele involucrar los pasos que se muestran en la
llando desde hace años en el ámbito de la cirugı́a; el sistema figura 2.
quirúrgico Da Vinci es un claro ejemplo7. Las primeras etapas son comunes a la estadı́stica convencional;
partiendo de datos brutos (raw data) se pasa a una información con
Sistemas expertos datos estructurados (preprocesado), y se construye una base de
datos inicial (paso 1 de la figura 2). A partir de esta base de datos
En IA, un sistema experto es un sistema computacional realizamos un análisis descriptivo y exploratorio, con el objetivo de
(software) que emula la capacidad de tomar decisiones de un identificar y seleccionar las variables más significativas, sobre las
humano experto. Estos sistemas están basados en reglas o incluso que aplicaremos directamente los algoritmos AA (paso 2 de la
en casos clı́nicos. Desde hace tiempo, también en cardiologı́a, se figura 2).
están desarrollando sistemas expertos médicos que tratan de La siguiente etapa, que se puede ya considerar especı́fica de las
simular el razonamiento del especialista y de proporcionar el técnicas AA, es la división del conjunto de datos en 3 subconjuntos:
diagnóstico probable y el manejo del paciente8. entrenamiento, validación y test; en porcentajes habituales del 60,
el 20 y el 20% respectivamente (paso 3 de la figura 2).
El conjunto de entrenamiento es el que usaremos para ajustar
EL APRENDIZAJE AUTOMÁTICO: TÉCNICAS los distintos algoritmos AA seleccionados (paso 4 de la figura 2).
Existe una amplia gama de algoritmos de clasificación y
El AA es un área de la ciencia de datos que forma parte de lo que regresión11 (tabla 1), desde técnicas lineales más clásicas como
hoy conocemos como IA, en la que se crean sistemas que aprenden la regresión logı́stica o el análisis discriminante lineal, a otras más
automáticamente, entendiendo por «aprender» la capacidad de modernas como los algoritmos de tipo agregación o bagging
reconocer patrones complejos de manera autónoma, sin necesidad (random forest) y de empaquetado o boosting (xgboost). Además, se
de intervención humana, en conjuntos de datos de cualquier tipo, pueden utilizar técnicas de submuestreo y sobremuestreo cuando,
ya sean numéricos, visuales, texto, etc. A medida que la experiencia como a menudo ocurre en datos de salud, hay una categorı́a con
de estos sistemas aumenta, es decir, se les suministran nuevos muchos más casos que otra. Ningún algoritmo es en principio
datos, su desempeño mejora hasta un lı́mite que puede o no ser mejor que otro, su capacidad para realizar un buen ajuste
superior a la capacidad humana en dicha tarea. dependerá de las caracterı́sticas de nuestros datos (número de
Aunque existen varias técnicas de aprendizaje AA, suelen variables, linealidad, normalidad, valores faltantes, variables
agruparse en 2 tipos: aprendizaje supervisado y no supervisado. continuas o categóricas, etc.).
Las técnicas de aprendizaje supervisado son, sin lugar a duda, Realizado el ajuste, se utiliza el subconjunto de datos de
los métodos más empleados en AA y aquellos con mejores validación para evaluar la calidad del modelo (paso 5 de la figura 2).
resultados. En estos procedimientos se cuenta con un conjunto de Para ello trataremos de maximizar la métrica que más interese
datos del que se conoce la variable respuesta que se quiere predecir para nuestro caso particular: área bajo la curva ROC, exhaustividad,
(un diagnóstico, parámetro, segmentación, etc.) a través del precisión, exactitud u otras (figura 3). Es común que este proceso
correcto etiquetado de cada registro. En función del tipo de de entrenamiento-validación se repita un número de veces
predicción, se emplean algoritmos de clasificación o algoritmos aleatorizando ambos subconjuntos, lo que se conoce como k-folds.
regresivos. En el primer caso la meta es identificar 2 o más clases a El objetivo es optimizar los parámetros internos del algoritmo
través de una serie de variables. Por contra, los algoritmos empleado, evaluar la robustez del modelo y saber si nuestro
regresivos buscan aproximarse lo más posible a un valor continuo. modelo está subajustando o sobreajustando nuestros datos,
En las técnicas de aprendizaje no supervisado, no se cuenta con tratando de encontrar un equilibrio entre ambos escenarios.
la información sobre la variable que se quiere predecir. Estas Construido un modelo final, se emplea el subconjunto de datos
técnicas deben aprender de las relaciones entre los elementos de de test para comprobar que el modelo AA final se comporta según

Tabla 1
Algoritmos más utilizados en machine learning

Algoritmo Tipo Descripción

Random forest Métodos combinados Combinación de árboles predictores no correlacionados

Gradient boosting Métodos combinados Combinación de árboles predictores escalonados
Regresión logı́stica Regresión Análisis de regresión utilizado para predecir el resultado de una variable categórica
Máquinas de vectores de soporte Clasificador supervisado Clasificador a través de construcción de hiperplanos disociadores
K vecinos más próximos Clasificador supervisado Estimación de la función de densidad de las variables predictoras en función
de las clases
Análisis discriminante lineal Discriminante lineal Generalización del discriminante lineal de Fisher
Clasificador bayesiano ingenuo Clasificador supervisado probabilı́stico Clasificador probabilı́stico fundamentado en el teorema de Bayes
Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use. Any transmission of this document by any media or format is strictly prohibited.

P.I. Dorado-Dı´az et al. / Rev Esp Cardiol. 2019;72(12):1065–1075 1069

lo previsto con datos que no han sido utilizados para su registro de imágenes o la clasificación de tejidos a partir de imagen
construcción y validación (paso 6 de la figura 2). Si este resultado histológica. Otro tipo de tareas se relacionan con la generación de
difiere del obtenido en el conjunto de validación, probablemente el imágenes artificiales lo más realistas posible.
conjunto de datos utilizado para el entrenamiento es insuficiente y La investigación con técnicas de AP aplicadas en la imagen
se debe ampliar si se quiere un estimador fiable antes de cardiológica ha crecido considerablemente en los últimos 3 años.
generalizar su utilización (paso 7 de la figura 2). Sin embargo, el uso de técnicas de AP en imagen médica ha calado
Para la implementación del AA, los lenguajes de programación algo más en otras disciplinas, como la neurologı́a o la neumolo-
de código abierto más usados en la actualidad son Python y R. gı́a14. Entre los retos que probablemente se explorarán en los
Ambas plataformas disponen de librerı́as como Scikit-learn próximos años se encuentran el análisis combinado con diferentes
(Python) o Caret (R) con implementaciones de las técnicas y fuentes de imagen, la incorporación de datos clı́nicos e informes
algoritmos más utilizadas. médicos o el estudio de la evolución temporal de imágenes
cardiacas.

EL APRENDIZAJE PROFUNDO Y LA IMAGEN CARDIACA

LIMITACIONES DEL APRENDIZAJE AUTOMÁTICO Y EL
El análisis de imagen es el campo en el que la IA está avanzando APRENDIZAJE PROFUNDO
a mayor velocidad y, por lo tanto, es de gran interés en cardiologı́a.
El análisis que a diario hacemos de las diferentes imágenes La principal caracterı́stica de la IA en el contexto de los modelos
cardiológicas puede ser tedioso y consume gran parte de nuestro AA o AP es el hecho de que el aprendizaje se basa en la
tiempo. Existen ya herramientas para el tratamiento automático de identificación de patrones en conjuntos de datos. Esta filosofı́a es a
imágenes, basados en RN, que podrı́an mejorar el rendimiento de la vez su punto fuerte, pues los ordenadores son extremadamente
nuestro quehacer diario. eficientes y precisos para encontrar dichos patrones cuando estos
Las RN3 son un tipo de algoritmos de IA que guardan analogı́a existen, pero es a la vez una limitación. En primer lugar, porque la
con el proceso de aprendizaje que se da en las propias neuronas del cantidad de datos que se requieren para obtener un modelo fiable
cerebro. Desde su formulación como modelo computacional, han puede llegar a ser muy grande. Esto puede ser un problema en
ido surgiendo algoritmos de entrenamiento y arquitecturas de medicina, donde los sistemas de recogida automática de datos
redes que han mejorado considerablemente la precisión y la están comenzando a implantarse, deben cumplir los criterios
eficiencia del aprendizaje con cada vez menores cantidades de legales y éticos establecidos, y algunas enfermedades poco
datos para su entrenamiento. Cuando estas arquitecturas constan frecuentes necesariamente cuentan con pocos estudios. Por otro
de numerosas capas de neuronas, es cuando actualmente se utiliza lado, aun contando con algoritmos con buenos resultados para un
el término AP. En la actualidad, entre las RN más empleadas se conjunto de datos, los modelos de AA y AP adolecen de la
encuentran las convolutional neural networks, las recursive neural incapacidad de detectar y clasificar correctamente casos que no
networks, las generative adversarial networks o las U-nets, cada una hayan visto previamente. En relación con esto, la fiabilidad y la
con diferentes usos y subtipos de arquitecturas. Las RN son además calidad de la fuente de datos es fundamental para que un algoritmo
muy flexibles a la hora de utilizarlas en contextos supervisados, no sea realista y correcto. Si existe sesgo en el propio conjunto de
supervisados o de aprendizaje por refuerzo. Para su implemen- datos empleado para ajustar el modelo, es posible que este no se
tación, se dispone de diferentes plataformas de código abierto generalice bien a otras poblaciones15. Este problema no es nuevo
como TensorFlow, Pytorch, Keras o Caffe. Como desventajas de las en nuestro quehacer diario, en el que hemos aceptado escalas de
técnicas de AP, se puede destacar su alto coste computacional. riesgo basadas en datos de otras poblaciones, por ejemplo, la de
Además, se requiere un alto grado de pericia para su ajuste correcto Framingham para riesgo cardiovascular, dando lugar a resultados
y, en el caso del aprendizaje supervisado, se necesita contar con un erróneos sobrestimando o subestimando el riesgo al aplicarla a
conjunto de imágenes informadas manualmente, lo cual en otras poblaciones16. Existen ya iniciativas para estandarizar los
ocasiones puede resultar muy costoso. requisitos que debe cumplir un algoritmo de IA para su posible
Dentro del campo de la imagen cardiaca existen diferentes aplicación práctica17. Por todas estas razones, parece claro que se
objetivos a la hora de emplear técnicas de IA. Estos pasan por la va a necesitar un especial esfuerzo en la integración de conjuntos
segmentación e identificación de las diferentes estructuras del de datos procedentes de diferentes poblaciones.
corazón (figura 4)12,13, la clasificación de imágenes catalogadas con Otra limitación importante es la opacidad e interpretabilidad de
diferentes afecciones, la detección y segmentación de lesiones, el los modelos de AA y en especial, del AP. Estas técnicas se emplean

Situación real de la enfermedad

Exhaustividad (precision) o valor predictivo positivo:
+ –
Resultado estimado

porcentaje de predicciones positivas correctas

CURVA ROC
Verdaderos Falsos (VP / VP + FP = VP / Total prediccciones positivas) 1,0
+ positivos (VP) positivos (FP)

Valor predictivo negativo: 0,8

– Falsos Verdaderos
porcentaje de predicciones negativas correctas
negativos (FN) negativos (VN)
(VN / VN + FN = VN / Total predicciones negativas)

0,6
Sensibilidad

Sensibilidad (recall) o precisión: Especificidad (specificity): Exactitud (accuracy):

porcentaje de enfermos que predecimos porcentaje de sanos porcentaje de predicciones correctas
bien (VP / VP + FN = VP / Total enfermos) que predecimos bien (VP + VN / Total)
(VN / FP + VN = VN / Total sanos) 0,4

Discriminación global u odds ratio: Indicador F1: media armónica de la exhaustividad y la sensibilidad
(VP x VN) / (FP x FN) F1 = 2VP / (2VP + FP + FN) 0,2

0,0
0,0 0,2 0,4 0,6 0,8 1,0
1 - Especificidad

Figura 3. Métricas comúnmente empleadas en la evaluación de algoritmos de clasificación supervisada. Entre paréntesis y en cursiva se indican los términos en inglés.
Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use. Any transmission of this document by any media or format is strictly prohibited.

1070 P.I. Dorado-Dı´az et al. / Rev Esp Cardiol. 2019;72(12):1065–1075

A B
250 250

200 200

150 150

100 100

50 50

0 0
0 50 100 150 200 250 0 50 100 150 200 250

Figura 4. Ejemplo de segmentación e identificación automáticas del ventrı́culo izquierdo y derecho realizado en nuestro servicio a partir de imágenes obtenidas con
una resonancia Philips Achieva 1.5 T12 mediante deep learning. A partir de imágenes originales (A), la red neuronal libre empleada13 es capaz de identificar y
segmentar los ventrı́culos izquierdo y derecho (B, color blanco para el ventrı́culo izquierdo, color gris claro para el miocardio del ventrı́culo izquierdo y, color gris
oscuro para el ventrı́culo derecho).

como «cajas negras» a las que se dan unos inputs para obtener una legales del tratamiento automático de datos personales o cómo
predicción como output. Ası́, las máquinas nos ofrecen respuestas aplicar el AA en el dı́a a dı́a de la práctica clı́nica.
en forma de predictores, pero no una explicación biológica. Aunque Prácticamente todas las técnicas de IA estudiadas hasta la fecha
existen diferentes metodologı́as para poder interpretar los requieren una determinada cantidad de datos para entrenar y
resultados de un modelo y verificar su correcto funcionamiento validar los modelos predictivos. En nuestro caso, la información
a través del análisis de los pesos especı́ficos de parámetros o empleada es especialmente sensible, ya que generalmente consiste
variables, resaltar las partes más discriminantes o la explicación en datos personales y clı́nicos de pacientes. Por ello, el uso
individualizada de cada predicción18, a dı́a de hoy no es posible adecuado de esta información desde un punto de vista legal es un
saber de forma clara por qué los modelos de AA y AP más complejos aspecto crı́tico.
toman una determinada decisión, lo que dificulta la generación de La protección de los datos de carácter personal es un derecho
conocimiento y la aplicabilidad de la IA en un ámbito tan crı́tico fundamental recogido en la Constitución Española; sin embargo, se
como es la medicina. reconoce la posibilidad de utilización de dichos datos bajo ciertas
condiciones si con ello se da un servicio a la sociedad. Si tanto la
organización que recoge los datos como la que los trata tienen
residencia en España, desde 2018 deben ajustarse a la Ley Orgánica
EL APRENDIZAJE AUTOMÁTICO Y LA ESTADÍSTICA CLÁSICA:
3/2018, de 5 de diciembre, de Protección de Datos Personales y
SIMILITUDES Y DIFERENCIAS
garantı́a de los derechos digitales19. Según esta, se permite el uso
de datos personales con fines estadı́sticos, siempre y cuando los
Aunque los campos de los que provienen son diferentes, ambas
resultados sean de carácter agregado. Además, también es
especialidades guardan rasgos comunes, aunque con distinta
necesario adoptar medidas para anonimizar y proteger dichos
finalidad.
datos y se reconocen una serie de derechos de los interesados como
El pilar de la estadı́stica clásica es la inferencia. Extender lo
el de ser informado, el de acceso o el de rectificación. Por todo ello,
observado en una muestra a toda la población, generalmente
dado que la utilización de servicios de computación en la nube es
creando un modelo matemático que define la relación entre las
muy habitual en IA por su flexibilidad y mayor potencia
variables. El AA basa su fortaleza en la predicción basada en la
computacional, los proveedores más importantes han adaptado
información disponible, sin necesidad de tener que conocer cuáles
sus polı́ticas de procesado de datos para suministrar un servicio
son los mecanismos que relacionan entre sı́ las variables. Estas
completamente seguro. Además de suscribirse al Código de
caracterı́sticas no son exclusivas, ya que en mayor o menor medida
Conducta CISPE (Cloud Infrastructure Services Providers in Europe)
ambas disciplinas usan técnicas inferenciales para mejorar sus
para garantizar los estándares de protección de datos apropiados
resultados (AA) o algoritmos predictivos para corroborar conclu-
asociados con la legislación. Asimismo, en situaciones en las que se
siones inferenciales (estadı́stica).
emplee un modelo de IA como herramienta diagnóstica o de toma
Las técnicas de AA, comparadas con las estadı́sticas, no
de decisiones, es obligado informar al paciente y obtener su
requieren suposiciones previas sobre las variables, tienen la
consentimiento.
capacidad de manejar casos en los que hay datos faltantes y
La discriminación sutil inherente a la prestación de servicios de
mejoran su fiabilidad cuando se dispone de grandes volúmenes de
salud puede significar también un problema a la hora de
datos al detectar relaciones complejas entre variables.
desarrollar y aplicar modelos de IA15. Por ejemplo, se considera
la edad al racionar recursos escasos como el trasplante cardiaco. Tal
consideración puede llevar a profecı́as autocumplidas: si los
ASPECTOS LEGALES Y ÉTICOS DE LA INTELIGENCIA ARTIFICIAL médicos retiramos la atención a los pacientes por su edad
avanzada, los sistemas AA pueden concluir que la atención de
Existen cuestiones a la hora de aplicar la IA en el mundo de la los pacientes mayores es siempre fatal. Por otro lado, también es
medicina no estrictamente relacionadas con la calidad de los posible que los modelos de AA permitan ayudar a resolver
algoritmos del AA y AP. Estas tienen que ver con los problemas disparidades en la prestación de asistencia médica si se pudieran
Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use. Any transmission of this document by any media or format is strictly prohibited.

P.I. Dorado-Dı´az et al. / Rev Esp Cardiol. 2019;72(12):1065–1075 1071

construir algoritmos para compensar sesgos conocidos o identi- Arritmias cardiacas

ficar áreas de investigación necesarias.
Existe una amplia discusión sobre cómo la IA afectará al flujo de Una de las aplicaciones más extendidas de AA en cardiologı́a es
trabajo del personal médico. La IA no tiene por qué eliminar la predicción de arritmias cardiacas. Un gran número de estudios
puestos de trabajo, sino más bien desplazar tareas de la práctica abordan modelos predictivos de aparición de fibrilación auricular,
médica. Trabajos rutinarios y fatigantes pueden ser llevados a cabo incluso paroxı́stica, por su significación y sus implicaciones
por máquinas para liberar tiempo y permitir a los profesionales clı́nicas, utilizando aprendizaje supervisado con sistemas predic-
médicos su desempeño en las tareas más complejas y sensibles. Sin tivos de AA compuestos de diferentes subprocesos: preprocesado
embargo, el empleo de herramientas diagnósticas automáticas de señal, extracción de variables significativas y algoritmos de
puede conllevar problemas de sesgo en la toma de decisiones y en clasificación22,42. Modelos similares de AA se han desarrollado en
la depuración de responsabilidades en caso de error. Un médico la mejora de la gestión de alarmas de telemonitorización24, para
puede inclinarse a revisar una prueba diagnóstica de modo más predecir la aparición de arritmias ventriculares43,44, en la
relajado si un algoritmo previamente ha catalogado el caso como predicción a la respuesta de procedimientos de ablación invasivos
negativo. El diseño de sistemas de toma de decisiones que como la crioablación23, incluso para predecir la mortalidad tras
involucren máquinas y humanos es un aspecto crucial para la parada cardiaca resucitada25. Se han empleado técnicas de AP con
IA, existen modelos intermedios entre la práctica clı́nica conven- gran éxito en la detección de diferentes tipos de arritmias a partir
cional y los sistemas totalmente automatizados, cada uno con del análisis directo de imágenes o señales electrocardiográficas26.
diferentes caracterı́sticas de eficiencia en coste y tiempo, riesgo o Otra aplicación ha sido la búsqueda de fenotipos para clasificar
interpretabilidad20. La implementación de estos sistemas será un miocardiopatı́as hipertróficas con diferente riesgo arrı́tmico
área en la que el papel del clı́nico como validador será utilizando aprendizaje no supervisado45.
fundamental.
Cardiopatı́a isquémica

INTELIGENCIA ARTIFICIAL EN LA CARDIOLOGÍA La IA se ha aplicado a los datos habituales de la historia

electrónica proveniente de atención primaria para predecir el
Los ejemplos de IA, utilizando AA o AP, comienzan a ser riesgo de enfermedad cardiovascular en la población general, y se
numerosos en cardiologı́a21. Esta sección presenta una evolución ha mostrado superior a las escalas de riesgo utilizadas tradicio-
de las contribuciones de IA a las diferentes áreas de aplicación en nalmente27. Asimismo, se han aplicado técnicas de aprendizaje
cardiologı́a (figura 5). supervisado en la predicción pronóstica de la cardiopatı́a
En el material adicional de este artı́culo, se incluye la lista de isquémica estable46, en el sı́ndrome coronario28 o la predicción
contribuciones de las técnicas descritas en varias áreas de la de mortalidad de enfermos con infarto de miocardio analizando
cardiologı́a en los últimos 5 años completos y de enero a marzo resultados de hospitales individuales29 o grandes registros como el
2019, y una descripción detallada de las publicaciones que hemos SWEDEHEART30. Los resultados son dispares debido al tamaño de
considerado de mayor interés y que facilitarán la compresión de los las muestras, lo que demuestra que las técnicas de AA obtienen
modelos AA y AP (tabla 2)22–40. Es importante reseñar que muchas mejores resultados con tamaños de muestra grandes.
de las publicaciones revisadas son resultado de iniciativas
habituales en IA como retos promovidos en conferencias24,41 y Insuficiencia cardiaca
datathons. El datathon es un concurso público y abierto, en el que
personas interesadas en el tema, desde novatos a expertos, Los sistemas de AA podrı́an permitir optimizar los ingresos
trabajan conjuntamente con bases de datos comunes con un hospitalarios evitables por insuficiencia cardiaca identificando de
objetivo concreto previamente establecido. Los participantes manera más precisa qué pacientes son susceptibles de descom-
deben encontrar una solución al objetivo marcado en los conjuntos pensación cardiaca tras el alta hospitalaria que las escalas de riesgo
de datos proporcionados. Las soluciones más precisas y creativas clásico31,47; este es un ejemplo de resultados contradictorios de la
son premiadas y de acceso público. experiencia inicial en este campo tecnológico48 que apunta a la
importancia en el ajuste en la metodologı́a de los sistemas49.
600 Asimismo, hay estudios iniciales que abordan la utilidad de la IA
como sistema de gestión en la telemonitorización remota de
500 pacientes con IC. Los estudios realizados hasta el momento han
mostrado que la utilización de AA es factible50, y que es posible que
400
pueda mejorar la evolución clı́nica de estos pacientes32. Otra área
importante es el trasplante cardiaco, en el que se han aplicado
300
sistemas AA para predecir la probabilidad de muerte o trasplante
de pacientes incluidos en lista de espera o la predicción de éxito del
200
paciente trasplantado33. Es reseñable que se puede predecir la
respuesta clı́nica a la resincronización cardiaca utilizando sistemas
100
de AA51.
Un excelente ejemplo de combinación de metodologı́a de AA y
0
2014 2015 2016 2017 2018 2019 (predicción) AP en este campo es la probabilidad de clasificación de la
disfunción diastólica analizando medidas ecocardiográficas52. Esta
Totales Arritmias Cardiopatía Insuficiencia Imagen Otras investigación, junto con otros ejemplos que han utilizado
isquémica cardiaca cardiaca
aprendizaje no supervisado34,53, ha demostrado que estos proce-
Figura 5. Evolución en las publicaciones referenciadas en PubMed sobre
dimientos pueden facilitar la estandarización e interpretación de
inteligencia artificial, machine learning y deep learning según el área de interés enfermedades cardiacas complejas, como el diagnóstico de
en cardiologı́a. En el material adicional se describen los detalles de las insuficiencia cardiaca con función sistólica conservada, ayudando
publicaciones por áreas de interés y la metodologı́a de búsqueda empleada. a la toma de decisiones.
Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use. Any transmission of this document by any media or format is strictly prohibited.

1072 P.I. Dorado-Dı´az et al. / Rev Esp Cardiol. 2019;72(12):1065–1075

Tabla 2
Contribuciones relevantes de la inteligencia artificial en las diferentes áreas de aplicación de la cardiologı́a

Referencia (año) Área Aplicación Técnica Método Resultados

Ebrahimzadeh Arritmias Predicción de FA paroxı́stica Aprendizaje supervisado Datos: 106 señales de Sensibilidad (100%),
et al.22 (2018) a partir de la variabilidad de 53 pares de especificidad (95%),
frecuencia cardiaca electrocardiogramas exactitud (98%)
para el entrenamiento
Algoritmos: KNN, SVM,
RN
Budzianowski Arritmias Predicción de recurrencia de Aprendizaje supervisado Datos: 118 pacientes con Identificación de
et al.23 (2018) FA tras crioablación de venas 56 señales clı́nicas, 7 predictores en
pulmonares laboratorio y del concordancia con
procedimiento de cada análisis estadı́stico
paciente univariante
Algoritmos: GB, SVM,
sobremuestreo
Eerikainen Arritmias Clasificación de alarmas por Aprendizaje supervisado Datos: PhysioNet/ VP 95%, VN 83%
et al.24 (2016) arritmias cardiacas en Computing in Cardiology
telemetrı́a Challenge 2015
Algoritmo: RF
Nanayakkara Arritmias Predicción de mortalidad Aprendizaje supervisado Datos: Registro ANZICS, Área bajo la curva del
et al.25 (2018) hospitalaria en pacientes con 39.566 pacientes mejor algoritmo: 0,87
parada cardiaca resucitada a Algoritmos: RL, GB, SVM, (frente al 0,80 de la
partir de un registro RN, RF, en conjunto (RF, escala APACHE III y
SVM, GM) 0,81 ANZROD)
Yildirim et al.26 Arritmias Detección de hasta 17 tipos Aprendizaje supervisado Datos: 1.000 señales de Exactitud (91%)
(2018) de arritmias a partir del ECG ECG de la base de datos
MIT-BIH Arrhythmia
database
Algoritmo: RN
convolucional
Weng et al.27 Riesgo cardiovascular Predicción de eventos Aprendizaje supervisado Datos: 378.256 Área bajo la curva del
(2017) cardiovasculares a 10 años a individuos; datos mejor algoritmo: 0,76
partir de historia electrónica demográficos, historiales (frente al 0,72 de las
médicos, prescripciones escalas de predicción
médicas y tests de riesgo ACC/AHA)
biológicos
Algoritmos: RF, RL, GB,
RN
Huang et al.28 Cardiopatı́a isquémica Predicción de eventos Aprendizaje supervisado Datos: 2.930 pacientes y Área bajo la curva del
(2017) adversos cardiacos mayores 268 variables mejor algoritmo:
en pacientes con sı́ndrome Algoritmos: SVM, RF 0,672 (mejorando
coronario agudo a partir de junto a técnicas de significativamente a la
historia electrónica submuestreo y escala GRACE, + 4,8%)
sobremuestreo
Shouval et al.29 Cardiopatı́a isquémica Predicción de mortalidad a Aprendizaje supervisado Datos: 2.782 pacientes Área bajo la curva del
(2017) 30 dı́as tras infarto de con 54 variables mejor algoritmo: 0,91
miocardio a partir de un Algoritmos: Naive Bayes, (frente al 0,87 de la
registro RL, RF, PART, ADABoost, escala GRACE y 0,82 de
ADtree la escala TIMI).
Identificación
15 variables
predictoras
Wallert et al.30 Cardiopatı́a isquémica Predicción de supervivencia Aprendizaje supervisado Datos: Registro Área bajo la curva del
(2017) a 2 años tras infarto de SWEDEHEART, 51.943 mejor algoritmo
miocardio a partir de datos pacientes y 54 variables (0,84), valor predictivo
poblacionales, clı́nicos y de Algoritmos: SVM, LR, RF y negativo (97%)
ecocardiograma BoostedC5.0.
Shameer et al.31 Insuficiencia cardiaca Predicción de reingresos Aprendizaje supervisado Datos: MOUNT SINAI Área bajo la curva 0,78
(2017) hospitalarios por HEART FAILURE y exactitud
insuficiencia cardiaca a partir COHORT: 1.068 84%modelos previos
de la historia electrónica pacientes hospitalizados con áreas bajo la curva
y 4.205 variables de 0,6-0,7)
Algoritmo: Naive Bayes
Inan et al.32 Insuficiencia cardiaca Seguimiento remoto de Aprendizaje no Datos: 45 pacientes Diferencias
(2018) pacientes con insuficiencia supervisado (13 descompensados) significativas entre
cardiaca para el ajuste de Algoritmo: Graph grupos (compensados
tratamiento y evitar Similarity Score frente
hospitalizaciones a partir de descompensados)
señales electrocardiogáficas
de dispositivos electrónicos
inteligentes
Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use. Any transmission of this document by any media or format is strictly prohibited.

P.I. Dorado-Dı´az et al. / Rev Esp Cardiol. 2019;72(12):1065–1075 1073

Tabla 2 (Continuación)
Contribuciones relevantes de la inteligencia artificial en las diferentes áreas de aplicación de la cardiologı́a

Referencia (año) Área Aplicación Técnica Método Resultados

Medved et al.33 Insuficiencia cardiaca Predicción de diagnóstico en Aprendizaje supervisado Datos: Registro UNOS F1: 0,674, 0,680, y
(2017) pacientes en lista de espera (United Network for Organ 0,680 para la
de trasplante cardiaco Sharing), 27,444 predicción a 180, 365 y
pacientes 730 dı́as
Algoritmo: RN respectivamente
Sanchez- Insuficiencia cardiaca Caracterización de la Aprendizaje no Datos: 156 pacientes y Verdaderos positivos
Martinez et al.34 insuficiencia cardiaca con supervisado 22 variables (71%)
(2018) función de eyección (20 correspondientes a
conservada a partir de trazados de velocidad
variables ecocardiográficas por ecocardiograma)
Algoritmo: clustering
Ahmad et al.35 Insuficiencia cardiaca Predicción de evolución y Aprendizaje supervisado Datos: 44.886 pacientes Identificación de
(2018) fenotipado de pacientes de y no supervisado con datos demográficos, 4 fenotipos con
insuficiencia cardiaca clı́nicos y diferencia significativa
farmacológicos. en evolución y
Algoritmos: RF, cluster respuesta terapéutica
analysis
Samad et al.36 Imagen cardiaca Predicción de mortalidad a Aprendizaje supervisado Datos: variables Área bajo la curva del
(2018) partir de variables cuantificadas mejor algoritmo: 0,89
ecocardiográficas e historias ecocardiográficas (frente al 0,61 de la
electrónicas (331,317 ecos) y escala Framingham,
variables de la historia 0,74 escala ACC/AHA,
electrónica (171,510 0,79 escala Charlson)
pacientes)
Algoritmos: RF
Narula et al.37 Imagen cardiaca Identificación de hipertrofia Aprendizaje supervisado Datos: 77 atletas y Sensibilidad (96%),
(2016) ventricular fisiológica frente 62 miocardiopatı́as especificidad (77%)
a patológica a partir de hipertróficas familiares superiores a las de E/A,
variables ecocardiográficas Algoritmos: SVM, RF, RN é, strain longitudinal
Knackstedt Imagen cardiaca Estudio comparativo entre la Aprendizaje supervisado Datos: 255 pacientes Factibilidad medida
et al.38 (2015) cuantificación automática Algoritmo: automática (98%).
frente a manual de la función cuantificación Concordancia 0,83
ventricular izquierda automática mediante
ecocardiográfica algoritmo de aprendizaje
profundo para imágenes
DICOM
Tesche et al.39 Imagen cardiaca Cálculo de la reserva Aprendizaje supervisado Datos: TC coronario Sensibilidad (79%),
(2018) fraccional de flujo a partir de 85 pacientes especificidad (93%)
imágenes de tomografı́a Algoritmo: SVM
coronaria
Sengupta et al.40 Otras aplicaciones Diferenciación entre Aprendizaje supervisado Datos: clı́nicos y Área bajo la curva del
(2016) pericarditis constrictiva y ecocardiográficos de algoritmo 0,96 (frente
miocardiopatı́a restrictiva a 50 pacientes con al 0,82 de la velocidad
partir de variables clı́nicas y pericarditis constrictiva anular mitral y, 0,64
ecocardiográficas y 44 con miocardiopatı́a del strain
restrictiva longitudinal).
Algoritmos: RF, KNN,
SVM

ACC/AHA: American College of Cardiology/American Heart Association; ECG: electrocardiograma; FA: fibrilación auricular; GB: gradient boosting; KNN: K vecinos más próximos;
RF: random forest; RL: regresión logı́stica; RN: red neuronal; SVM: máquinas de vectores de soporte.

Otro estudio realizado con una gran cantidad de datos del Aparte de los métodos de AA, la metodologı́a de AP se ha
Swedish Heart Failure Registry ha sido capaz de identificar 4 tipos de utilizado para el análisis directo sobre imágenes en varios
fenotipos con diferentes evoluciones y respuestas terapéuticas a dominios de aplicación diferentes. La mayor parte de los esfuerzos
partir de técnicas no supervisadas35. se han enfocado en tareas de segmentación del tejido y estructuras
anatómicas cardiacas (p. ej., el endocardio; figura 4), que por lo
general es el paso previo para realizar cualquier otro tipo de
Imagen cardiaca estudio, como la detección de lesiones o la clasificación por
enfermedades. El primer estudio puramente realizado con AP data
Los ejemplos de IA utilizando datos provenientes de imagen de 2013, y en él se aplicó a la segmentación del ventrı́culo
comienzan a marcar tendencia y serán responsables de una nueva izquierdo a partir de ecocardiografı́a54. Los concursos tipo datathon
revolución en el mundo de la imagen cardiaca. Se han empleado se han utilizado sistemáticamente desde 2009 como herramienta
con éxito técnicas de AA que utilizan los datos generados de la de explotación de imágenes cardiacas, principalmente con
cuantificación de imágenes cardiacas para, por ejemplo, predecir la objetivos de segmentación del ventrı́culo izquierdo y derecho, a
mortalidad cardiovascular a partir de bases de datos ecocardio- partir de diferentes imágenes, fundamentalmente resonancia
gráficos extensas36. Se han desarrollado modelos similares de AA magnética y tomografı́a computarizada14,41,55. Durante los últimos
para diferenciar los patrones ecocardiográficos de hipertrofia años, no se ha cesado en la publicación de arquitecturas de RN que
ventricular fisiológica propia de los atletas de la patológica propia han ido mejorando el estado de la técnica en la segmentación del
de la miocardiopatı́a hipertrófica familiar37. corazón; tanto en 256,57 como en 3 dimensiones41,58,59. Incluso se
Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use. Any transmission of this document by any media or format is strictly prohibited.

1074 P.I. Dorado-Dı´az et al. / Rev Esp Cardiol. 2019;72(12):1065–1075

han realizado estudios cientı́ficos comparativos de la determina- FINANCIACIÓN

ción automática del endocardio y cálculo de la fracción de eyección
del ventrı́culo izquierdo a partir de algoritmos de AP aplicados El presente trabajo ha sido financiado por el Instituto de Salud
directamente a imágenes DICOM frente a la determinación Carlos III (Ministerio de Ciencia, Innovación y Universidades)
manual, con excelente similitud y el consecuente ahorro de dentro del CIBERCV, por el que están contratados P.I. Dorado-Dı́az.
tiempos38. y J. Sampedro-Gómez.
En el campo de la imagen ecocardiográfica, se han realizado ya
avances para implementar una interpretación totalmente auto-
mática, a través de la identificación de vistas, la segmentación de la CONFLICTO DE INTERESES
imagen, la cuantificación de estructuras y funciones y la detección
de afecciones60. V. Vicente-Palacios es trabajador de Philips Healthcare Ibérica.
Entre otros resultados obtenidos en los últimos años relacio- El resto de los investigadores declaran no tener conflictos de
nados con tareas no de segmentación, se puede citar como intereses.
ejemplos el cálculo de la reserva fraccional de flujo a partir de
imágenes de tomografı́a computarizada coronaria39, la medición
de calcio en arterias coronarias61, la cuantificación y caracteriza-
ANEXO. MATERIAL ADICIONAL
ción de tejidos de arterias coronarias y carótida62,63, la mejora o
generación de imágenes cardiacas64, la detección de estenosis y
Se puede consultar material adicional a este artı́culo en su
ateroesclerosis65 o la diferenciación de la pericarditis constrictiva
versión electrónica disponible en https://doi.org/10.1016/j.recesp.
de la miocardiopatı́a restrictiva40.
2019.05.016

BIBLIOGRAFÍA
Otras aplicaciones
1. Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging:
La IA se está utilizando ampliamente en otros dominios de harnessing big data and advanced computing to provide personalized medical
aplicación diferentes, hecho que refleja su amplio espectro de uso. diagnosis and treatment. Curr Cardiol Rep. 2014;16:441.
La búsqueda de patrones abarca multitud de funcionalidades, 2. Samuel AL. Some studies in machine learning using the game of checkers. IBM J Res
Dev. 1959;3:210–229.
desde la predicción del riesgo cardiovascular a partir del análisis de 3. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521:436–444.
fondo de ojo4 a la predicción del fallo renal agudo tras cirugı́a 4. Poplin R, Varadarajan AV, Blumer K, et al. Prediction of cardiovascular risk
cardiaca66, etc. Estos patrones pueden identificar mejor los grupos factors from retinal fundus photographs via deep learning. Nat Biomed Eng.
2018;2:158–164.
de pacientes con riesgo no similar, y su incorporación a la práctica 5. Medrano IH, Guijarro JT, Belda C, et al. Savana: Re-using electronic health records
clı́nica puede ayudar a eliminar indeterminaciones y mejorar el with artificial intelligence. International Journal of Interactive Multimedia and
resultado clı́nico. Artificial Intelligence. 2018;4:8–12.
6. Gonzalez-Mansilla A, Martinez-Legazpi P, Prieto A, et al. Valve area and the risk of
overestimating aortic stenosis. Heart. 2019;105:911–919.
7. Yoo JS, Kim JB, Jung SH, et al. Mitral durability after robotic mitral valve repair:
analysis of 200 consecutive mitral regurgitation repairs. J Thorac Cardiovasc Surg.
CONCLUSIONES 2014;148:2773–2779.
8. Miller RA, Pople Jr HE, Myers JD. Internist-1, an experimental computer-based
Aunque a menudo se identifica la IA como un concepto futurista diagnostic consultant for general internal medicine. N Engl J Med.
1982;307:468–476.
y lejano, lo cierto es que es una tecnologı́a que ya se emplea hoy en 9. Melero-Alegria JI, Cascon M, Romero A, et al. SALMANTICOR study. Rationale and
todo tipo de áreas, entre ellas, la cardiologı́a. Gracias a la design of a population-based study to identify structural heart disease abnormali-
digitalización de grandes cantidades de datos, el desarrollo de ties: a spatial and machine learning analysis. BMJ Open. 2019;9:e024605.
10. Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med.
algoritmos de AA y la mejora de la capacidad de cálculo de los 2019;380:1347–1358.
ordenadores de las últimas décadas, la IA puede abrir excelentes 11. Murphy KP. Machine learning: a probabilistic perspective. Cambridge, Massachu-
oportunidades para la automatización de tareas, la aplicación de la setts: MIT press; 2012. Disponible en: https://doc.lagout.org/science/
Artificial%20Intelligence/Machine%20learning/Machine%20Learning_%20A%
medicina de precisión o el avance en la investigación a través de la 20Probabilistic%20Perspective%20%5BMurphy%202012-08-24%5D.pdf
detección de patrones complejos en bases de datos médicas67. Un 12. Barreiro-Perez M, Tundidor-Sanz E, Martin-Garcia A, et al. First magnetic reso-
caso particular es el del análisis de imagen médica, en el que las nance managed by a cardiology department in the Spanish public healthcare
system. Experience and difficulties of an innovative model. Rev Esp Cardiol.
técnicas de AP han supuesto una auténtica revolución y su
2018;71:365–372.
aplicación en el área de la cardiologı́a está ya obteniendo 13. Baumgartner CF, Koch LM, Pollefeys M, Konukoglu E. An exploration of 2 D and 3 D
excelentes resultados. Sin embargo, aún queda un largo camino deep learning techniques for cardiac MR image segmentation. Disponible en:
https://arxiv.org/abs/1709.04496
que recorrer para aplicar de manera generalizada estas técnicas en
14. Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image
la práctica clı́nica, para lo cual será fundamental la generación de analysis. Med Image Anal. 2017;42:60–88.
grandes bases de datos con información de calidad y la evaluación e 15. Char DS, Shah NH, Magnus D. Implementing machine learning in health care —
integración de la IA en contextos clı́nicos realistas; por ello, addressing ethical challenges. N Engl J Med. 2018;378:981–983.
16. Gijsberts CM, Groenewegen KA, Hoefer IE, et al. Race/ethnic differences in the
conocer en qué consiste la IA y sus aplicaciones en nuestro campo associations of the Framingham risk factors with carotid IMT and cardiovascular
se antoja esencial para la cardiologı́a presente y futura. events. PLoS One. 2015;10:e0132321.
17. Vayena E, Blasimme A, Cohen IG. Machine learning in medicine: Addressing ethical
challenges. PLoS Med. 2018;15:e1002689.
AGRADECIMIENTOS 18. Sturm I, Lapuschkin S, Samek W, Muller KR. Interpretable deep neural networks for
single-trial EEG classification. J Neurosci Methods. 2016;274:141–145.
19. Ley Orgánica 3/2018, de 5 de diciembre, de Protección de Datos Personales y
Los autores de este artı́culo queremos agradecer a Antonio
garantı́a de los derechos digitales. Boletı´n Oficial del Estado. 2018. Disponible en:
Sánchez, Rafael Vidal, Manuel Jiménez-Navarro y Purificación https://www.boe.es/eli/es/lo/2018/12/05/3/con
Galindo la revisión del manuscrito previa a su envı́o para 20. Mesko B, Hetenyi G, Gyorffy Z. Will artificial intelligence solve the human resource
evaluación a Revista Española de Cardiologı´a. Sus comentarios y crisis in healthcare? BMC Health Serv Res. 2018;18:545.
21. Al’Aref SJ, Anchouche K, Singh G, et al. Clinical applications of machine learning in
recomendaciones fueron de gran ayuda y contribuyeron, sin duda, cardiovascular disease and its relevance to cardiac imaging. Eur Heart J.
en la elaboración de este artı́culo. 2019;40:1975–1986.
Document downloaded from https://www.revespcardiol.org/, day 01/05/2022. This copy is for personal use. Any transmission of this document by any media or format is strictly prohibited.

P.I. Dorado-Dı´az et al. / Rev Esp Cardiol. 2019;72(12):1065–1075 1075

22. Ebrahimzadeh E, Kalantari M, Joulani M, Shahraki RS, Fayaz F, Ahmadi F. Prediction 44. Figuera C, Irusta U, Morgado E, et al. Machine learning techniques for the detection
of paroxysmal atrial fibrillation: A machine learning based approach using com- of shockable rhythms in automated external defibrillators. PLoS One.
bined feature vector and mixture of expert classification on HRV signal. Comput 2016;11:e0159654.
Methods Programs Biomed. 2018;165:53–67. 45. Lyon A, Ariga R, Minchole A, et al. Distinct ECG phenotypes identified in hypertro-
23. Budzianowski J, Hiczkiewicz J, Burchardt P, et al. Predictors of atrial fibrillation phic cardiomyopathy using machine learning associate with arrhythmic risk
early recurrence following cryoballoon ablation of pulmonary veins using sta- markers. Front Physiol. 2018;9:213.
tistical assessment and machine learning algorithms. Heart Vessels. 46. Betancur J, Otaki Y, Motwani M, et al. Prognostic value of combined clinical and
2019;34:352–359. myocardial perfusion imaging data using machine learning. JACC Cardiovasc Imag-
24. Eerikainen LM, Vanschoren J, Rooijakkers MJ, Vullings R, Aarts RM. Reduction of ing. 2018;11:1000–1009.
false arrhythmia alarms using signal selection and machine learning. Physiol Meas. 47. Mortazavi BJ, Downing NS, Bucholz EM, et al. Analysis of machine learning
2016;37:1204–1216. techniques for heart failure readmissions. Circ Cardiovasc Qual Outcomes.
25. Nanayakkara S, Fogarty S, Tremeer M, et al. Characterising risk of in-hospital 2016;9:629–640.
mortality following cardiac arrest using machine learning: A retrospective inter- 48. Frizzell JD, Liang L, Schulte PJ, et al. Prediction of 30-day all-cause readmissions in
national registry study. PLoS Med. 2018;15:e1002709. patients hospitalized for heart failure: comparison of machine learning and other
26. Yildirim O, Plawiak P, Tan RS, Acharya UR. Arrhythmia detection using deep statistical approaches. JAMA Cardiol. 2017;2:204–209.
convolutional neural network with long duration ECG signals. Comput Biol Med. 49. Johnson KW, Torres Soto J, Glicksberg BS, et al. Artificial intelligence in cardiology.
2018;102:411–420. J Am Coll Cardiol. 2018;71:2668–2679.
27. Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve 50. Fallahzadeh R, Pedram M, Ghasemzadeh H. SmartSock: a wearable platform for
cardiovascular risk prediction using routine clinical data? PLoS One. context-aware assessment of ankle edema. Conf Proc IEEE Eng Med Biol Soc.
2017;12:e0174944. 2016;2016:6302–6306.
28. Huang Z, Chan TM, Dong W. MACE prediction of acute coronary syndrome via 51. Kalscheur MM, Kipp RT, Tattersall MC, et al. Machine learning algorithm predicts
boosted resampling classification using electronic medical records. J Biomed cardiac resynchronization therapy outcomes: lessons from the COMPANION Trial.
Inform. 2017;66:161–170. Circ Arrhythm Electrophysiol. 2018;11:e005499.
29. Shouval R, Hadanny A, Shlomo N, et al. Machine learning for prediction of 30-day 52. Salem Omar AM, Shameer K, Narula S, et al. Artificial intelligence-based assess-
mortality after ST elevation myocardial infraction: An acute coronary syndrome ment of left ventricular filling pressures from 2-dimensional cardiac ultrasound
Israeli survey data mining study. Int J Cardiol. 2017;246:7–13. images. JACC Cardiovasc Imaging. 2018;11:509–510.
30. Wallert J, Tomasoni M, Madison G, Held C. Predicting two-year survival versus 53. Lancaster MC, Salem Omar AM, Narula S, Kulkarni H, Narula J, Sengupta PP.
non-survival after first myocardial infarction using machine learning and Swedish Phenotypic clustering of left ventricular diastolic function parameters: patterns
national register data. BMC Med Inform Decis Mak. 2017;17:99. and prognostic relevance. JACC Cardiovasc Imaging. 2019;12(7 Pt 1):1149–1161.
31. Shameer K, Johnson KW, Yahi A, et al. Predictive modeling of hospital readmission 54. Carneiro G, Nascimento JC. Combining multiple dynamic models and deep learning
rates using electronic medical record-wide machine learning: a case-study using architectures for tracking the left ventricle endocardium in ultrasound data. IEEE
Mount Sinai Heart Failure cohort. Pac Symp Biocomput. 2017;22:276–287. Trans Pattern Anal Mach Intell. 2013;35:2592–2607.
32. Inan OT, Baran Pouyan M, Javaid AQ, et al. Novel wearable seismocardiography and 55. Slomka PJ, Dey D, Sitek A, Motwani M, Berman DS, Germano G. Cardiac imaging:
machine learning algorithms can assess clinical status of heart failure patients. Circ working towards fully-automated machine analysis & interpretation. Expert Rev
Heart Fail. 2018;11:e004313. Med Devices. 2017;14:197–212.
33. Medved D, Ohlsson M, Hoglund P, Andersson B, Nugues P, Nilsson J. Improving 56. Avendi MR, Kheradvar A, Jafarkhani H. A combined deep-learning and deformable-
prediction of heart transplantation outcome using deep learning techniques. Sci model approach to fully automatic segmentation of the left ventricle in cardiac
Rep. 2018;8:3613. MRI. Med Image Anal. 2016;30:108–119.
34. Sanchez-Martinez S, Duchateau N, Erdei T, et al. Machine learning analysis of left 57. Ngo TA, Lu Z, Carneiro G. Combining deep learning and level set for the automated
ventricular function to characterize heart failure with preserved ejection fraction. segmentation of the left ventricle of the heart from cardiac cine magnetic reso-
Circ Cardiovasc Imaging. 2018;11:e007138. nance. Med Image Anal. 2017;35:159–171.
35. Ahmad T, Lund LH, Rao P, et al. Machine learning methods improve prognostica- 58. Dou Q, Yu L, Chen H, et al. 3 D deeply supervised network for automated segmen-
tion, identify clinically distinct phenotypes, and detect heterogeneity in response tation of volumetric medical images. Med Image Anal. 2017;41:40–54.
to therapy in a large cohort of heart failure patients. J Am Heart Assoc. 2018. http:// 59. Zheng Q, Delingette H, Duchateau N, Ayache N. 3-D Consistent and robust
dx.doi.org/10.1161/JAHA.117.008081. segmentation of cardiac images by deep learning with spatial propagation. IEEE
36. Samad MD, Ulloa A, Wehner GJ, et al. Predicting survival from large echocardiog- Trans Med Imaging. 2018;37:2137–2148.
raphy and electronic health record datasets: optimization with machine learning. 60. Zhang J, Gajjala S, Agrawal P, et al. Fully automated echocardiogram interpretation
JACC Cardiovasc Imaging. 2018;12:681–689. in clinical practice. Circulation. 2018;138:1623–1635.
37. Narula S, Shameer K, Salem Omar AM, Dudley JT, Sengupta PP. Machine-learning 61. Wolterink JM, Leiner T, De Vos BD, Van Hamersvelt RW, Viergever MA, Isgum I.
algorithms to automate morphological and functional assessments in 2 D echo- Automatic coronary artery calcium scoring in cardiac CT angiography using paired
cardiography. J Am Coll Cardiol. 2016;68:2287–2295. convolutional neural networks. Med Image Anal. 2016;34:123–136.
38. Knackstedt C, Bekkers SC, Schummers G, et al. Fully automated versus standard 62. Abdolmanafi A, Duong L, Dahdah N, Cheriet F. Deep feature learning for automatic
tracking of left ventricular ejection fraction and longitudinal strain: The FAST-EFs tissue classification of coronary artery using optical coherence tomography.
Multicenter Study. J Am Coll Cardiol. 2015;66:1456–1466. Biomed Opt Express. 2017;8:1203–1220.
39. Tesche C, De Cecco CN, Baumann S, et al. Coronary CT. angiography-derived 63. Lekadir K, Galimzianova A, Betriu A, et al. A convolutional neural network for
fractional flow reserve: machine learning algorithm versus computational fluid automatic characterization of plaque composition in carotid ultrasound. IEEE J
dynamics modeling. Radiology. 2018;288:64–72. Biomed Health Inform. 2017;21:48–55.
40. Sengupta PP, Huang YM, Bansal M, et al. Cognitive machine-learning algorithm for 64. Schlemper J, Caballero J, Hajnal JV, Price AN, Rueckert D. A deep cascade of
cardiac imaging: a pilot study for differentiating constrictive pericarditis from convolutional neural networks for dynamic MR image reconstruction. IEEE Trans
restrictive cardiomyopathy. Circ Cardiovasc Imaging. 2016. http://dx.doi.org/ Med Imaging. 2018;37:491–503.
10.1161/CIRCIMAGING.115.004330. 65. Zreik M, Lessmann N, Van Hamersvelt RW, et al. Deep learning analysis of the
41. Bernard O, Lalande A, Zotti C, et al. Deep learning techniques for automatic MRI myocardium in coronary CT angiography for identification of patients with func-
cardiac multi-structures segmentation and diagnosis: is the problem solved? IEEE tionally significant coronary artery stenosis. Med Image Anal. 2018;44:72–85.
Trans Med Imaging. 2018;37:2514–2525. 66. Lee HC, Yoon HK, Nam K, et al. Derivation and validation of machine learning
42. Xiong Z, Liu T, Tse G, et al. A machine learning aided systematic review and meta- approaches to predict acute kidney injury after cardiac surgery. J Clin Med. 2018.
analysis of the relative risk of atrial fibrillation in patients with diabetes mellitus. http://dx.doi.org/10.3390/jcm7100322.
Front Physiol. 2018;9:835. 67. De la Torre-Hernández. Edelman ER. From nonclinical research to clinical trials and
43. Li Q, Rajagopalan C, Clifford GD. Ventricular fibrillation and tachycardia classification patient-registries: challenges and opportunities in biomedical research. Rev Esp
using a machine learning approach. IEEE Trans Biomed Eng. 2014;61:1607–1613. Cardiol. 2017;70:1121–1133.