Presentan no maior congreso mundial de cardioloxía un novo modelo de aprendizaxe probabilista para identificar a síndrome de Takotsubo
O congreso anual da European Society of Cardiology (ESC 2026), encontro internacional de referencia no ámbito cardiovascular, acolle a presentación dun traballo para diferenciar a síndrome de Takotsubo en pacientes con síntomas de infarto de miocardio, desenvolvido por investigadores do CiTIUS en colaboración co Karolinska Institutet e a Universidade de Cambridge.
A conferencia anual da Sociedade Europea de Cardioloxía (ESC), un dos principais escaparates da investigación cardiovascular en todo o mundo, acolleu na súa recente edición celebrada en Múnic a presentación dos resultados de un novo modelo de Intelixencia Artificial (IA) para a identificación da síndrome de Takotsubo, desenvolvido por investigadores do CiTIUS en colaboración con equipos multidisciplinares do Reino Unido e Suecia.
A correcta diferenciación desta afección cardíaca, coñecida por presentar inicialmente síntomas similares aos dun infarto agudo de miocardio, resulta crucial para facilitar unha toma de decisións rápida e informada. O modelo, desenvolvido como parte da tese de doutoramento defendida o pasado mes de xullo polo investigador Adrián Pérez Herrero, acada resultados superiores aos descritos previamente na literatura científica e proporciona explicacións interpretables das súas predicións, revelando así mesmo un importante potencial para a súa futura aplicación clínica.
«A colaboración deu lugar a resultados de grande utilidade para diferenciar a síndrome de Takotsubo dun infarto»
A síndrome de Takotsubo (TTS), coñecida tamén como «síndrome do corazón roto», é unha afección cardíaca aguda que pode presentar inicialmente síntomas e alteracións electrocardiográficas similares ás dun infarto de miocardio; unha semellanza que dificulta a súa diferenciación nas primeiras fases, precisamente cando dispoñer de información fiable pode resultar especialmente relevante para orientar a toma de decisións clínicas. Co obxectivo de contribuír á súa mellor comprensión e facilitar a súa diferenciación, a nova colaboración internacional ve agora a luz no encontro ESC Congress 2026, unha das principais citas internacionais no eido da cardioloxía.
Precisión e 'interpretabilidade'
O traballo xorde como parte da estadía internacional de doutoramento realizada polo investigador do CiTIUS Adrián Pérez Herrero na Universidade de Cambridge. A colaboración, que se estendería durante os seis meses posteriores á estadía, deu lugar a un proceso no que o diálogo entre disciplinas desempeñou un papel fundamental, tal e como explica o coautor do traballo: «desde que o meu supervisor me puxo en contacto co grupo de investigación en Coronary Heart Disease do Karolinska Institutet en Suecia», conta Adrián Pérez. «Unha parte importante do meu labor foi a comunicación constante, para trasladar de maneira adecuada ao ámbito da cardioloxía os desenvolvementos e a concepción do modelo desde a perspectiva de _Machine Learning_». Pérez-Herrero iniciaba así unha prometedora liña de traballo na que aplicar os avances desenvolvidos durante a súa tese a un novo ámbito clínico: a análise de datos cardiovasculares para a identificación e clasificación da síndrome de Takotsubo.
O equipo traballou con datos de 15.485 pacientes procedentes do rexistro sueco SCAAR, entre eles 507 casos de síndrome de Takotsubo e 14.978 pacientes de control. O modelo avaliouse en diferentes escenarios, comparando os casos de Takotsubo con pacientes con sospeita ou diagnóstico confirmado de distintos tipos de infarto de miocardio. A eficacia do modelo para diferenciar ambas as patoloxías mediuse mediante a área baixo a curva ROC (AUC), un indicador utilizado habitualmente en investigación biomédica e aprendizaxe automática para validar a eficacia deste tipo de sistemas, no que os valores máis próximos a 1 indican unha maior capacidade de diferenciación. Nas distintas comparacións realizadas, o modelo mellorou os resultados obtidos por outros enfoques de aprendizaxe automática, acadando valores de entre 0,89 e 0,94, o que reflicte a elevada capacidade da nova aproximación para distinguir a síndrome de Takotsubo dos diferentes tipos de infarto analizados.
Máis alá da súa capacidade para diferenciar ambas as patoloxías, unha das principais achegas do modelo é a súa interpretabilidade: o modelo descrito permite comprender en que basea os seus resultados, identificando que características concretas son relevantes para distinguir a síndrome de Takotsubo dun infarto. Esta análise respalda alteracións previamente descritas na literatura científica sobre o electrocardiograma (como 'cambios no segmento ST', 'inversión da onda T' ou 'prolongación do intervalo QT'), pero achega, adicionalmente, un achado novidoso: por primeira vez, identificáronse alteracións da activación auricular asociadas á síndrome de Takotsubo que, ademais, achegan información relevante ao modelo para diferenciala do infarto de miocardio.
«Os resultados son prometedores, e mostran o potencial que xorde cando se conectan disciplinas distintas»
Pérez-Herrero destaca especialmente o valor de poder trasladar os avances da súa tese a un novo ámbito de aplicación grazas a unha estreita colaboración entre especialistas en aprendizaxe automática e cardioloxía. «A estadía deunos a oportunidade de aplicar os desenvolvementos da tese a un problema diferente e actual en cardioloxía. Que esta colaboración dese lugar a resultados prometedores para diferenciar a síndrome de Takotsubo dun infarto amosa o potencial que xorde cando se conectan disciplinas distintas». conclúe o investigador do CiTIUS (un centro cofinanciado pola Unión Europea a través do Programa Galicia Feder 2021-2027).
Os resultados, presentados en agosto pola investigadora Felicia Håkansson (primeira autora do estudo e investigadora do grupo de Enfermidade Coronaria do Karolinska Institutet), abren novas posibilidades para combinar intelixencia artificial e coñecemento clínico na caracterización dunha afección cuxa similitude inicial co infarto de miocardio continúa dificultando a súa identificación. Un avance prometedor que reforza o potencial da colaboración entre intelixencia artificial e medicina para afrontar algúns dos retos actuais do diagnóstico cardiovascular.
A conferencia anual da Sociedade Europea de Cardioloxía (ESC), un dos principais escaparates da investigación cardiovascular en todo o mundo, acolleu na súa recente edición celebrada en Múnic a presentación dos resultados de un novo modelo de Intelixencia Artificial (IA) para a identificación da síndrome de Takotsubo, desenvolvido por investigadores do CiTIUS en colaboración con equipos multidisciplinares do Reino Unido e Suecia.
A correcta diferenciación desta afección cardíaca, coñecida por presentar inicialmente síntomas similares aos dun infarto agudo de miocardio, resulta crucial para facilitar unha toma de decisións rápida e informada. O modelo, desenvolvido como parte da tese de doutoramento defendida o pasado mes de xullo polo investigador Adrián Pérez Herrero, acada resultados superiores aos descritos previamente na literatura científica e proporciona explicacións interpretables das súas predicións, revelando así mesmo un importante potencial para a súa futura aplicación clínica.
«A colaboración deu lugar a resultados de grande utilidade para diferenciar a síndrome de Takotsubo dun infarto»
A síndrome de Takotsubo (TTS), coñecida tamén como «síndrome do corazón roto», é unha afección cardíaca aguda que pode presentar inicialmente síntomas e alteracións electrocardiográficas similares ás dun infarto de miocardio; unha semellanza que dificulta a súa diferenciación nas primeiras fases, precisamente cando dispoñer de información fiable pode resultar especialmente relevante para orientar a toma de decisións clínicas. Co obxectivo de contribuír á súa mellor comprensión e facilitar a súa diferenciación, a nova colaboración internacional ve agora a luz no encontro ESC Congress 2026, unha das principais citas internacionais no eido da cardioloxía.
Precisión e 'interpretabilidade'
O traballo xorde como parte da estadía internacional de doutoramento realizada polo investigador do CiTIUS Adrián Pérez Herrero na Universidade de Cambridge. A colaboración, que se estendería durante os seis meses posteriores á estadía, deu lugar a un proceso no que o diálogo entre disciplinas desempeñou un papel fundamental, tal e como explica o coautor do traballo: «desde que o meu supervisor me puxo en contacto co grupo de investigación en Coronary Heart Disease do Karolinska Institutet en Suecia», conta Adrián Pérez. «Unha parte importante do meu labor foi a comunicación constante, para trasladar de maneira adecuada ao ámbito da cardioloxía os desenvolvementos e a concepción do modelo desde a perspectiva de _Machine Learning_». Pérez-Herrero iniciaba así unha prometedora liña de traballo na que aplicar os avances desenvolvidos durante a súa tese a un novo ámbito clínico: a análise de datos cardiovasculares para a identificación e clasificación da síndrome de Takotsubo.
O equipo traballou con datos de 15.485 pacientes procedentes do rexistro sueco SCAAR, entre eles 507 casos de síndrome de Takotsubo e 14.978 pacientes de control. O modelo avaliouse en diferentes escenarios, comparando os casos de Takotsubo con pacientes con sospeita ou diagnóstico confirmado de distintos tipos de infarto de miocardio. A eficacia do modelo para diferenciar ambas as patoloxías mediuse mediante a área baixo a curva ROC (AUC), un indicador utilizado habitualmente en investigación biomédica e aprendizaxe automática para validar a eficacia deste tipo de sistemas, no que os valores máis próximos a 1 indican unha maior capacidade de diferenciación. Nas distintas comparacións realizadas, o modelo mellorou os resultados obtidos por outros enfoques de aprendizaxe automática, acadando valores de entre 0,89 e 0,94, o que reflicte a elevada capacidade da nova aproximación para distinguir a síndrome de Takotsubo dos diferentes tipos de infarto analizados.
Máis alá da súa capacidade para diferenciar ambas as patoloxías, unha das principais achegas do modelo é a súa interpretabilidade: o modelo descrito permite comprender en que basea os seus resultados, identificando que características concretas son relevantes para distinguir a síndrome de Takotsubo dun infarto. Esta análise respalda alteracións previamente descritas na literatura científica sobre o electrocardiograma (como 'cambios no segmento ST', 'inversión da onda T' ou 'prolongación do intervalo QT'), pero achega, adicionalmente, un achado novidoso: por primeira vez, identificáronse alteracións da activación auricular asociadas á síndrome de Takotsubo que, ademais, achegan información relevante ao modelo para diferenciala do infarto de miocardio.
«Os resultados son prometedores, e mostran o potencial que xorde cando se conectan disciplinas distintas»
Pérez-Herrero destaca especialmente o valor de poder trasladar os avances da súa tese a un novo ámbito de aplicación grazas a unha estreita colaboración entre especialistas en aprendizaxe automática e cardioloxía. «A estadía deunos a oportunidade de aplicar os desenvolvementos da tese a un problema diferente e actual en cardioloxía. Que esta colaboración dese lugar a resultados prometedores para diferenciar a síndrome de Takotsubo dun infarto amosa o potencial que xorde cando se conectan disciplinas distintas». conclúe o investigador do CiTIUS (un centro cofinanciado pola Unión Europea a través do Programa Galicia Feder 2021-2027).
Os resultados, presentados en agosto pola investigadora Felicia Håkansson (primeira autora do estudo e investigadora do grupo de Enfermidade Coronaria do Karolinska Institutet), abren novas posibilidades para combinar intelixencia artificial e coñecemento clínico na caracterización dunha afección cuxa similitude inicial co infarto de miocardio continúa dificultando a súa identificación. Un avance prometedor que reforza o potencial da colaboración entre intelixencia artificial e medicina para afrontar algúns dos retos actuais do diagnóstico cardiovascular.