Implicancias de la inteligencia artificial en los métodos de imagen endovascular

Abstract

La angioplastia transluminal coronaria (ATC) es una de las principales estrategias de revascularización en pacientes con enfermedad coronaria aterosclerótica (ECA). Numerosos estudios respaldan la optimización de la ATC mediante métodos de imagen endovascular; sin embargo, estos métodos son subutilizados en la práctica clínica contemporánea y enfrentan desafíos en la interpretación de los datos obtenidos, por lo que la integración de la inteligencia artificial (IA) se vislumbra como una solución atractiva para promover y simplificar su uso. La IA se define como un programa computarizado que imita la capacidad del cerebro humano para recopilar y procesar datos. El aprendizaje de máquinas es una subdisciplina de la IA que implica la creación de algoritmos capaces de analizar grandes conjuntos de datos sin suposiciones previas, mientras que el aprendizaje profundo se centra en la construcción y entrenamiento de redes neuronales artificiales profundas y complejas. Así, se ha demostrado que la incorporación de sistemas de IA a los métodos de imagen endovascular incrementa la precisión de la ATC, disminuye el tiempo del procedimiento y la variabilidad interobservador en la interpretación de los datos obtenidos, promueve así una mayor adopción y facilita su utilización. El propósito de la presente revisión es destacar cómo los sistemas actuales basados en IA pueden desempeñar un papel fundamental en la interpretación de los datos generados por los métodos de imagen endovascular, lo que conduce a una mejora en la optimización de la ATC en pacientes con ECA.