La hipertensión, también conocida como presión arterial alta, afecta a casi la mitad de los estadounidenses y provocó 700.000 muertes en 2021 según los Centros para el Control y la Prevención de Enfermedades de Estados Unidos (CDC). En todo el mundo el número de fallecidos anualmente se eleva hasta los 7,5 millones según la World Health Organization (WHO).
Además, la hipertensión aumenta el riesgo de accidentes cerebrovasculares y enfermedades cardíacas crónicas. Aunque es relativamente fácil prevenirla o moderarla si se detecta temprano, llevando un estilo de vida saludable con buena alimentación, ejercicio y reduciendo el consumo de alcohol, puede ser difícil de tratar. Los médicos tienen a su disposición una gran variedad de medicamentos para tratar la hipertensión, pero cada uno tiene pros y contras, lo que hace que recetar el más efectivo sea un desafío: los betabloqueantes ralentizan el corazón, pero pueden provocar asma; los inhibidores de la enzima convertidora de angiotensina (IECA) relajan los vasos sanguíneos, pero pueden causar una tos irritante. Ahora, un nuevo programa de inteligencia artificial puede ayudar a los médicos a encontrar el medicamento adecuado para cada paciente.
El modelo ofrece recomendaciones de tratamiento basándose en las características específicas de cada paciente
Este modelo basado en datos, desarrollado conjuntamente por científicos de datos y médicos de la Universidad de Boston (BU), tiene como objetivo brindar recomendaciones de tratamiento para la hipertensión en tiempo real basadas en características específicas de cada paciente, como su demografía, signos vitales, historial médico y registros de pruebas clínicas. El modelo, descrito en un estudio reciente publicado en BMC Medical Informatics and Decision Making, tiene el potencial de reducir la presión arterial sistólica (medida cuando el corazón está latiendo, en lugar de estar en reposo) de manera más efectiva que el estándar de atención actual. Según los investigadores, el enfoque transparente del programa también podría mejorar la confianza de los médicos en los resultados generados por la inteligencia artificial.
"Este es un nuevo algoritmo de aprendizaje automático que aprovecha la información en los registros electrónicos de salud y muestra el poder de la IA en el campo de la salud", explica Ioannis Paschalidis, profesor de la Facultad de Ingeniería de BU y director del Instituto Rafik B. Hariri de Computación y Ciencia e Ingeniería Computacional. "Nuestro modelo basado en datos no solo predice un resultado, sino que sugiere el medicamento más adecuado para cada paciente según sus características", añade.
El modelo de IA busca maximizar la efectividad de los medicamentos para la hipertensión a nivel individual
Actualmente, cuando un médico elige qué medicamento recetar a un paciente, considera su historial, objetivos de tratamiento y los beneficios y riesgos asociados con medicamentos específicos. A menudo, seleccionar qué medicamento recetar cuando hay múltiples opciones, y ninguna es mejor o peor que la otra, por lo que la decisión puede ser un poco aleatoria.
Para evitar esto, el modelo desarrollado por BU genera una prescripción personalizada para la hipertensión utilizando el perfil de cada paciente, proporcionando a los médicos una lista de medicamentos sugeridos con una probabilidad asociada de éxito. El objetivo de los investigadores era resaltar el tratamiento que mejor controla la presión arterial sistólica en cada paciente, basándose en su eficacia en un grupo de pacientes similares.
"Nuestro objetivo es facilitar un enfoque de personalización para el tratamiento de la hipertensión basado en algoritmos de aprendizaje automático, buscando maximizar la efectividad de los medicamentos para la hipertensión a nivel individual", dice Paschalidis.
El modelo se desarrolló con datos de 42,752 pacientes hipertensos del Boston Medical Center (BMC) recopilados entre 2012 y 2020. Los pacientes se clasificaron en grupos de afinidad según similitudes en características clínicamente relevantes, como demografía, registros de presión arterial pasados y antecedentes médicos. Durante el estudio, la efectividad del modelo se comparó con el estándar de atención actual, así como con otros tres algoritmos diseñados para predecir planes de tratamiento adecuados. Los investigadores encontraron que el modelo logró una reducción de la presión arterial sistólica un 70,3 por ciento mayor que el estándar de atención y superó en un 7,08 por ciento al segundo mejor modelo. El algoritmo fue validado clínicamente, y los investigadores revisaron manualmente una muestra aleatoria de 350 casos.
El modelo también ha mostrado beneficios de reducir la prescripción de medicamentos para algunos pacientes que toman varios medicamentos
Los investigadores apuntan que dado que el algoritmo proporciona a los médicos varias terapias óptimas sugeridas, podría ofrecer información valiosa cuando la comunidad médica está dividida sobre la efectividad de un medicamento en comparación con otro, una situación que se conoce como equilibrio clínico.
"Estas avanzadas analíticas predictivas tienen la capacidad de mejorar la toma de decisiones de un médico y tener un impacto positivo en la calidad de la atención que brindamos y, por lo tanto, en los resultados para nuestros pacientes", señala Rebecca Mishuris, directora médica de información de Mass General Brigham. "Este es un primer paso importante que demuestra que estos modelos en realidad tienen un mejor rendimiento que el estándar de atención y podrían ayudarnos a ser mejores médicos", añade.
Aunque muchos reconocen que la capacidad del aprendizaje automático para manejar grandes cantidades de datos y descubrir patrones y correlaciones podría beneficiar a la atención médica, su adopción ha sido limitada, en parte debido a las dificultades para interpretar los resultados y debido a los bajos niveles de confianza en la inteligencia artificial. “La medicina personalizada y modelos como este son una oportunidad para servir mejor a las poblaciones que no necesariamente están bien representadas en los estudios nacionales o que no se tomaron en cuenta cuando se elaboraron las pautas”, señala Nicholas J. Cordella, director médico de calidad y seguridad del paciente de BMC .
En el pasado, el aprendizaje automático en la atención médica también se ha visto obstaculizado por datos incompletos o inexactos, así como por historiales escasos de pacientes, lo que puede sesgar los resultados de las predicciones. Un aspecto importante de este estudio fue garantizar que los datos fueran transparentes y que los médicos, especialmente aquellos sin experiencia técnica, comprendieran claramente cómo funcionaba el algoritmo y cómo y por qué el modelo proponía recomendaciones terapéuticas específicas.