Entre las enfermedades cardiovasculares, la enfermedad de las arterias coronarias (EAC) sigue siendo la principal causa de muerte y discapacidad crónica del mundo, por lo que se necesitan herramientas precisas, prácticas y rentables para su detección.

A excepción de los modelos de predicción convencionales basados ​​en factores de riesgo clínicos, algunos rasgos faciales asocian con un mayor riesgo de EAC, lo que podría proporcionar un medio potencial para la detección de la enfermedad.

Enfoque novedoso

Por ejemplo, se ha demostrado que la alopecia, las canas, las arrugas faciales, el pliegue del lóbulo de la oreja, los xantelasmas (pequeños depósitos amarillos de colesterol debajo de la piel, generalmente alrededor de los párpados) y el arco córneo (depósitos de grasa y colesterol que aparecen como un anillo blanco, gris o azul en los bordes exteriores de la córnea) se asocian con un mayor riesgo de enfermedad coronaria y mala salud cardiovascular.

Sin embargo, el uso de tales rasgos faciales para la detección de la EAC se han visto limitados por una variedad de factores.

El algoritmo detectó correctamente la enfermedad cardíaca en el 80 por ciento de los casos.

A medida que la inteligencia artificial ha evolucionado, el algoritmo de aprendizaje profundo se ha convertido en una herramienta prometedora para el diagnóstico y la predicción de enfermedades basadas en fotografías faciales. Por lo tanto, un equipo de investigadores chinos planteó la hipótesis de que este enfoque novedoso puede ayudar a integrar las características faciales para detectar la EAC.

Para probar su hipótesis, los investigadores realizaron un estudio que involucró a casi 7.000 personas, y cuyos resultados sugieren que enviar una selfie al médico podría ser una forma barata y sencilla de detectar enfermedades cardíacas.

El estudio es el primero en demostrar que es posible utilizar un algoritmo informático de aprendizaje profundo para detectar la enfermedad la EAC mediante el análisis de cuatro fotografías de la cara de una persona.

Algoritmo entrenado

Para el estudio, los investigadores seleccionaron más de 5.796 personas a quienes se les tomaron cuatro fotografías faciales con cámaras digitales: una frontal, los dos perfiles y una vista de la parte superior de la cabeza.

En complemento, los investigadores recopilaron datos sobre el estado socioeconómico de los participantes, así como el estilo de vida y su historial médico. Posteriormente se dividieron aleatoriamente en grupos de entrenamiento (5.216 pacientes, 90 %) o de validación (580, 10 %).

Entre las enfermedades cardiovasculares, la enfermedad de las arterias coronarias sigue siendo la principal causa de muerte y discapacidad crónica del mundo.

Los radiólogos revisaron los angiogramas de los pacientes y evaluaron el grado de enfermedad cardíaca según la cantidad de vasos sanguíneos que se habían estrechado en un 50 por ciento o más, y su ubicación. Esta información se utilizó para crear, entrenar y validar el algoritmo de aprendizaje profundo.

Luego, los investigadores probaron la herramienta informática en otros 1.013 pacientes y encontraron que el algoritmo superó los métodos existentes para predecir el riesgo de enfermedad cardíaca.

En general, el algoritmo detectó correctamente la enfermedad cardíaca en el 80 por ciento de los casos y detectó correctamente que la enfermedad cardíaca no estaba presente en el 61 por ciento de los casos, un resultado que fue ligeramente mejor que la tasa del 54 por ciento encontrada en las pruebas.

Aunque el algoritmo debe desarrollarse más y probarse en grupos de personas más grandes y de diferentes orígenes étnicos, los investigadores señalan que tiene el potencial de usarse como una herramienta de detección que podría identificar posibles enfermedades cardíacas en la población general o en personas de grupos de alto riesgo, quienes podrían ser remitidos para realizar más exploraciones clínicas.

Referencia: Feasibility of using deep learning to detect coronary artery disease based on facial photo. European Heart Journal, 2020. https://doi.org/10.1093/eurheartj/ehaa640