En 2015, una startUP, AliveCor, desarrolló un dispositivo y una APP que permitía mostrar 1 derivación del ElectroCardioGrama (ECG) en un teléfono. Normalmente, cuando a uno le hacen un ECG se toman 12 derivaciones (12 ondas diferentes).
El proyecto era WOW, pero inútil. No había mayores beneficios a las personas, más que mostrar algo COOL (1 onda del ECG en una APP).
Un trabajo de la Clínica Mayo de 2015, mostraba que pequeños cambios en los niveles de potasio en sangre (cambios de 0,2 mEq/L) podían ser predecidos viendo las variaciones en la onda T del ECG
Link al trabajo
https://doi.org/10.1016/j.jelectrocard.2014.10.002
El potasio es un mineral que se encuentra en la sangre y que ayuda a controlar la actividad de los músculos (como el corazón) y de los nervios.
Los valores normales de potasio en sangre (calemia) para un adulto son entre 3,5 y 5,1 mEq/LDiferentes enfermedades pueden hacer que los niveles de potasio en sangre estén elevados (hipercalemia) que se ve en los problemas renales o disminuidos (hipocalemia)
El investigador de la Clínica Mayo, Friedman, se asoció con los investigadores de la empresa AliveCor para lograr usar el trazado de la derivación del ECG y predecir:
- trastornos de ritmo cardíaco
- el nivel de potasio en sangre
Ese objetivo sí que tenía impacto.
El Dr. Friedman firmó un acuerdo con la Clínica Mayo (donde trabajaba) para poder desarrollar el algoritmo, y así logró tener acceso a 1.300.000 ECG tomados en 20 años junto con los resultados de potasio en sangre de los pacientes.
El proyecto de predicción de potasio analizando la onda T fue un rotundo fracaso con un error altísimo (AUC = 0,63).
Después de mucho analizar los datos, llegaron a la conclusión que tenían un problema de filtro, y consultaron a Mayo Clinic si le habían filtrado los datos. Ahí entendieron que la Clínica Mayo les había pasado únicamente ECG y Potasio de pacientes Ambulatorios, que en general no tienen trastornos severos de potasio y además, el tiempo entre que se hacen un exámen de potasio y se toman un ECG dista varias horas (no tenían un valor de potasio mientras le hacían un ECG).
Así que cambiaron las ideas preconcebidas y volvieron a correr las redes neuronales con los siguientes datos:
- Analizando todo el trazado del ECG (y no únicamente la onda T)
- Pidieron a la Clínica Mayo todos los ECG que tenían y valores de laboratorio sin filtro. De esta forma, usaron 2.800.000 ECG y 4.280.000 resultados de potasio.
El error disminuyó de 0,63 a 0,86 (considerado bueno).
Después validaron el algoritmo en pacientes que están en diálisis haciendo exámen de potasio mientras se les hacía un ECG.
Esta historia encierra una importante lección para cualquiera que quiera trabajar en IA en medicina. No hay que filtrar los datos demasiado pronto. El aprendizaje automático tiende a funcionar mejor si le das suficientes datos y los datos lo más crudos que puedas. Porque si tienes suficiente, entonces debería ser capaz de filtrar el ruido por sí mismo.
En medicina, tiendes a no tener suficientes datos. No puedes hacer consultas a bases de datos y obtener mil millones de ellos llegando cada minuto… Cuando tienes un conjunto de datos de un millón de registros en medicina, es un conjunto de datos gigante.
No obstante, hay que compararlo con el orden o magnitud en que Google trabaja, que es un millón de veces más grande.
Pueden ver el link a la aprobación de la FDA de este algoritmo