¿Cómo diseñar un protocolo de IA en ECG para descartar SICA en urgencias?
Redacta el diseño de un protocolo de investigación acerca del uso de una app de IA para la interpretacion de electrocardiogramas en urgencias, para evaluar o descartar SICA, en pacientes con dolor toracico. El protocolo puede realizarse primero cegado a las decisiones institucionales, por motivos de etica y seguridad, pero con un analisis para ver si hubiera cambiado la decision terapeutica el uso de la app
Resumen
Se propone un protocolo de investigación observacional prospectivo, cegado a las decisiones clínicas institucionales, para evaluar el impacto potencial del uso de una aplicación de inteligencia artificial (IA) en la interpretación de electrocardiogramas (ECG) en urgencias, orientada a la evaluación o descarte del síndrome coronario agudo (SICA) en pacientes con dolor torácico. El objetivo principal es analizar si la información proporcionada por la app habría modificado la decisión terapéutica tomada por el equipo médico, sin influir en la atención real, garantizando la ética y seguridad del paciente.
Diseño del Protocolo de Investigación
1. Objetivo
- Principal: Evaluar retrospectivamente si el uso de una app de IA para la interpretación del ECG en pacientes con dolor torácico en urgencias habría modificado la decisión terapéutica respecto al diagnóstico o descarte de SICA.
- Secundarios: Determinar la precisión diagnóstica de la app frente a la interpretación clínica estándar y analizar la concordancia entre ambas.
2. Tipo de estudio
- Estudio observacional, prospectivo y cegado.
- Se registrarán datos clínicos y ECG de pacientes que acudan a urgencias con dolor torácico.
- La app de IA interpretará los ECGs de forma paralela y ciega, sin que su resultado influya en la toma de decisiones clínicas.
3. Población y muestra
- Criterios de inclusión:
- Adultos (>18 años) que consulten en urgencias por dolor torácico sugestivo de SICA.
- ECG realizado en urgencias.
- Criterios de exclusión:
- Pacientes con diagnóstico previo confirmado de SICA en la misma consulta.
- ECG no disponible o de mala calidad.
- Tamaño muestral estimado: según prevalencia local de SICA y precisión esperada de la app, se calculará para obtener potencia estadística adecuada.
4. Variables
- Demográficas: edad, sexo, factores de riesgo cardiovascular.
- Clínicas: características del dolor, signos vitales, antecedentes.
- ECG: interpretación clínica estándar y resultado de la app de IA.
- Decisión terapéutica: tratamiento instaurado (observación, angiografía, trombolisis, etc.).
- Resultado final: diagnóstico confirmado de SICA (por criterios clínicos, biomarcadores, angiografía, seguimiento).
5. Procedimiento
- En urgencias, tras evaluación clínica y ECG, se registran datos y se toma la decisión terapéutica según protocolo institucional.
- Paralelamente, el ECG se procesa con la app de IA, cuyos resultados quedan cegados al equipo clínico.
- Posteriormente, un comité independiente compara las decisiones reales con las que se habrían tomado si se hubiera considerado la interpretación de la app.
- Se realiza análisis para determinar discrepancias y posibles cambios en la conducta clínica.
6. Análisis estadístico
- Cálculo de sensibilidad, especificidad, valor predictivo positivo y negativo de la app para detección de SICA.
- Concordancia entre interpretación clínica y app (kappa de Cohen).
- Análisis de casos en los que la app habría modificado la decisión terapéutica (por ejemplo, indicar angiografía o descartar SICA).
- Análisis descriptivo y multivariado para identificar factores asociados a discrepancias.
7. Consideraciones éticas y de seguridad
- El estudio no modifica la atención clínica ni las decisiones terapéuticas reales, garantizando la seguridad del paciente.
- Se obtiene consentimiento informado para uso de datos y ECG.
- Aprobación por comité ético institucional.
- Protección de datos y confidencialidad según normativa vigente.
- Evaluación continua para detectar posibles riesgos o sesgos.
8. Impacto esperado
- Validación clínica preliminar del uso de IA en interpretación de ECG en urgencias.
- Identificación de escenarios en los que la app puede aportar valor diagnóstico o mejorar la toma de decisiones.
- Base para futuros estudios con intervención directa.
Fundamentación científica y referencias
- La IA ha demostrado alta precisión para detectar infarto agudo de miocardio y otras alteraciones en ECG, superando en algunos casos la interpretación humana[1][2][3].
- Estudios recientes sugieren que la IA puede mejorar la estratificación de riesgo y acelerar el diagnóstico en urgencias, pero requieren validación clínica rigurosa y evaluación ética[4][5][6].
- El diseño cegado permite evaluar el impacto potencial sin comprometer la seguridad ni la ética clínica, siguiendo recomendaciones para la introducción de nuevas tecnologías en salud[6].
Este protocolo permite evaluar el valor añadido de una app de IA para la interpretación del ECG en urgencias, sin alterar la práctica clínica actual, y aporta evidencia para su posible implementación futura en la evaluación del SICA en pacientes con dolor torácico.
Fuentes
- https://pmc.ncbi.nlm.nih.gov/articles/PMC12058093/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC11247966/
- https://bjihs.emnuvens.com.br/bjihs/article/download/2912/3097
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10999797/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC7752970/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC11663949/
- https://www.imrpress.com/journal/RN/74/4/10.33588/rn.7404.2021236
- https://www.semanticscholar.org/paper/062b105d070923ecba930c9d70b10ed27aea5a28
- https://revistadecomunicacion.com/article/view/3899
- https://www.semanticscholar.org/paper/9b04b3f59c68da0babebe8434304f2785fe327fd
- https://pmc.ncbi.nlm.nih.gov/articles/PMC11160516/
- https://abccardiol.org/wp-content/uploads/articles_xml/0066-782X-abc-121-02-e20230653/0066-782X-abc-121-02-e20230653.pdf
- https://iris.paho.org/bitstream/10665.2/55959/1/v46e462022.pdf
- http://www.scielo.br/pdf/rbem/v43n1s1/1981-5271-rbem-43-1-s1-0157.pdf
- https://pmc.ncbi.nlm.nih.gov/articles/PMC9097924/
- https://www.medicinaclinicaysocial.org/index.php/MCS/article/download/278/301
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10926291/
- https://www.degruyter.com/document/doi/10.1515/almed-2020-0052/pdf
- https://iris.paho.org/bitstream/10665.2/56430/1/v46e1812022.pdf
- https://pmc.ncbi.nlm.nih.gov/articles/PMC9744354/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10197326/
- https://www.degruyter.com/document/doi/10.1515/almed-2021-0076/pdf
- https://pmc.ncbi.nlm.nih.gov/articles/PMC8463769/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10804825/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10197756/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10470284/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10944101/
- https://www.imrpress.com/journal/RN/80/3/10.31083/RN33466
- http://arxiv.org/pdf/2206.01746.pdf
- https://pmc.ncbi.nlm.nih.gov/articles/PMC7831636/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10492203/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC7984972/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC11653129/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC8054276/
- https://revistabiomedica.org/index.php/biomedica/article/download/7242/5329
- https://iris.paho.org/bitstream/10665.2/55846/1/v46e2022.pdf
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10654544/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC7684114/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC7021964/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC12057703/
Respuesta generada por inteligencia artificial a partir de las fuentes citadas. Verifica las fuentes antes de aplicarla.