An explainable machine learning model integrating multidimensional clinical information for early identification and probability stratification of Non-ST-Segment Elevation Myocardial Infarction

Cada año, millones de personas acuden de urgencia a las salas de emergencias con dolor en el pecho, un síntoma que señala un posible ataque al corazón. Los médicos se enfrentan a un rompecabezas difícil: distinguir entre un ataque al corazón donde el músculo cardíaco está muriendo activamente y una condición llamada angina inestable, donde el corazón se está quedando sin oxígeno pero el músculo aún no ha sufrido un daño permanente. La herramienta estándar para este trabajo es un análisis de sangre que mide una proteína llamada troponina I cardíaca de alta sensibilidad. Cuando las células cardíacas se dañan, filtran esta proteína al torrente sanguíneo. Si bien esta prueba es excelente para detectar daños graves, a menudo deja a los médicos en una zona gris cuando los niveles están solo ligeramente elevados. En estos momentos de incertidumbre, la proteína por sí sola no siempre puede decir si el paciente está sufriendo un ataque al corazón en toda regla o solo un dolor de pecho severo, lo que dificulta decidir quién necesita un tratamiento inmediato y agresivo y quién puede ser monitorizado más de cerca.

Un equipo de investigadores del Hospital Beijing Jishuitan ha desarrollado una nueva forma de navegar esta incertidumbre. Crearon un modelo informático que actúa como un asistente altamente capacitado, mirando no solo la prueba de la proteína única, sino una amplia gama de análisis de sangre rutinarios e historial del paciente, todo a la vez. Al alimentar a la computadora con información sobre inflamación, coagulación sanguínea, función renal y el tiempo de los síntomas, junto con la prueba de proteína estándar, el modelo aprende a detectar patrones sutiles que el ojo humano podría pasar por alto. El objetivo no era reemplazar al médico, sino proporcionar una probabilidad más clara y personalizada de un ataque al corazón, convirtiendo una suposición vaga en un riesgo calculado que pueda guiar decisiones que salvan vidas.

Los investigadores comenzaron recopilando datos de casi 3,700 pacientes que habían sido admitidos en su hospital entre 2021 y 2025 con sospechas de problemas cardíacos. Revisaron cuidadosamente los registros médicos de cada persona, separándolos en dos grupos: aquellos que finalmente fueron diagnosticados con un infarto de miocardio sin elevación del segmento ST, el tipo específico de ataque al corazón que querían identificar, y aquellos que tenían angina inestable. De una lista masiva de 124 posibles pistas encontradas en los registros de los pacientes, el equipo utilizó un proceso de selección sofisticado para encontrar las 16 piezas de información más útiles. Estas incluían la prueba de proteína estándar, pero también marcadores de inflamación, azúcar en la sangre, salud renal y cuánto tiempo había estado sintiendo el paciente el dolor antes de llegar al hospital.

Luego entrenaron un algoritmo informático, un tipo de sistema de aprendizaje automático conocido como árbol de decisión de aumento de gradiente (gradient boosting decision tree), para aprender la diferencia entre los dos grupos. Este sistema funciona construyendo una serie de reglas de decisión simples que, al combinarse, crean un predictor poderoso. La computadora fue probada con un grupo de pacientes que nunca había visto para asegurar que pudiera manejar situaciones del mundo real. Los resultados mostraron que el modelo era notablemente preciso, identificando correctamente la gran mayoría de los casos de ataque al corazón. Más importante aún, cuando los investigadores compararon su nuevo modelo con el método estándar de usar solo la prueba de la proteína, encontraron que el nuevo enfoque era significativamente mejor para estimar el riesgo real de cada paciente individual. Redujo el número de errores en la predicción y fue mucho mejor reclasificando a los pacientes en los grupos de riesgo correctos, asegurando que se perdiera a menos personas con ataques al corazón.

Uno de los aspectos más valiosos de este trabajo es que es explicable. A diferencia de muchos sistemas informáticos que actúan como una "caja negra", dando una respuesta sin decir por qué, este modelo puede mostrar exactamente qué factores empujaron la predicción hacia un lado u otro. Los investigadores utilizaron un método para visualizar cómo la computadora ponderaba cada pieza de información. Encontraron que, si bien la prueba de la proteína seguía siendo la pista más importante, los otros factores jugaban un papel crucial para refinar la respuesta. Por ejemplo, si un paciente tenía un nivel de proteína ligeramente elevado, la computadora observaría sus marcadores de inflamación y su función renal para decidir si esa ligera elevación era signo de un ataque al corazón serio o solo un problema menor. El modelo aprendió que la importancia de estas pistas adicionales cambiaba dependiendo de qué tan alta fuera la nivel de la proteína. En casos donde la proteína estaba solo ligeramente alta, las otras pruebas de sangre se volvían mucho más críticas para tomar la decisión correcta.

Para hacer que esta herramienta sea útil para los médicos, el equipo construyó una calculadora en línea sencilla. Un médico puede ingresar los 16 números de rutina del análisis de sangre e historial del paciente, y el sistema genera instantáneamente una puntuación de probabilidad. Luego desglosa esta puntuación en tres categorías claras: riesgo bajo, riesgo intermedio y riesgo alto. Para los pacientes en el grupo de bajo riesgo, el modelo sugiere una probabilidad muy baja de un ataque al corazón, lo que potencialmente permite un alta más rápida o un monitoreo menos intensivo. Para aquellos en el grupo de alto riesgo, la probabilidad es tan alta que respalda un tratamiento inmediato y agresivo. El grupo intermedio, que representa una parte significativa de los pacientes, es señalado para una observación más cercana y más pruebas, reconociendo que la respuesta aún no está clara. Este enfoque ayuda a los médicos a alejarse de un diagnóstico de sí o no y, en su lugar, proporciona una visión matizada del riesgo que coincide con la complejidad del cuerpo humano.

El estudio sugiere que, al combinar la prueba de proteína estándar con una visión amplia de la salud general del paciente, los médicos pueden tomar decisiones más precisas y tempranas en la sala de emergencias. El modelo no pretende ser una bola de cristal perfecta; es una herramienta diseñada para apoyar el juicio clínico, no para reemplazarlo. Los investigadores enfatizan que su trabajo se basa en datos de un solo hospital y que el modelo necesita ser probado en otros entornos para confirmar su confiabilidad en diferentes poblaciones. Sin embargo, los hallazgos ofrecen un camino prometedor, mostrando que el futuro del diagnóstico de ataques al corazón puede residir en la capacidad de sintetizar muchas piezas pequeñas y rutinarias de información en una sola imagen clara del riesgo de un paciente.