Recientes desarrollos en el ámbito de la inteligencia artificial han demostrado su potencial en la gestión de enfermedades crónicas, especialmente en el contexto de la insuficiencia cardiaca. En un esfuerzo por avanzar en esta dirección, el proyecto PrediHealth ha implementado un modelo predictivo basado en técnicas de Machine Learning (ML) para identificar pacientes en riesgo de insuficiencia cardiaca (IC). Este modelo, desarrollado por investigadores de la Universidad de Salento y la Scuola Superiore Sant’Anna di Pisa, utiliza un enfoque de aprendizaje en equipo, que combina las predicciones de tres modelos ML distintos.
El proyecto PrediHealth integra avanzadas tecnologías de telemedicina, dispositivos de salud móvil y un análisis predictivo en una plataforma de atención sanitaria mediante IoT para gestionar pacientes en riesgo de IC. A través de un kit de telemonitorización y sensores ambientales, la plataforma permite un monitoreo continuo y remoto, optimizando la gestión de pacientes con IC.
Una de las principales ventajas del modelo es su alta sensibilidad de 91%, lo que asegura una identificación precisa de casi todos los pacientes que realmente están en riesgo. Esta fiabilidad es crucial, ya que permite la inclusión oportuna de pacientes en programas de telemonitorización, previniendo así complicaciones graves.
Para la validación del modelo, se utilizó un conjunto de datos reales, compuesto por el historial clínico y parámetros ecocardiográficos de pacientes, obteniendo un equilibrio entre sensibilidad y precisión. El estudio destaca que, mediante un procesamiento especializado, el modelo puede superar las técnicas tradicionales de ML, como los árboles de decisión y las máquinas de soporte vectorial, en la identificación de pacientes en riesgo.
La plataforma proporciona un enfoque innovador al segmentar los datos en características clínicas y ecocardiográficas, permitiendo que cada modelo se especialice en su ámbito respectivo. Así, los resultados superan a los modelos estándar al demostrar un 78% de precisión general y un Odds Ratio de 20, subrayando la capacidad del conjunto para distinguir eficazmente entre pacientes en riesgo y no en riesgo.
Con la alta tasa de precisión y sensibilidad obtenidas, esta metodología promete mejorar la detección temprana y la estratificación del riesgo en pacientes con IC, impactando significativamente en la manera en que se monitorizan y tratan a los pacientes, garantizando así intervenciones médicas más oportunas y personalizadas. Esto no solo muestra el valor de la integración tecnológica en la atención médica, sino que también destaca el impacto positivo que estos desarrollos pueden tener en la reducción de muertes relacionadas con enfermedades cardiovasculares, mejorando la calidad de vida de aquellos que padecen estas condiciones.