Inteligencia artificial y evaluación del riesgo cardiovascular

JUSTIFICACIÓN

La enfermedad cardiovascular aterosclerótica (ASCVD, por sus siglas en inglés) sigue siendo la principal causa de mortalidad a nivel mundial, a pesar de los avances sustanciales en prevención, control de factores de riesgo y terapia farmacológica. Los modelos tradicionales de predicción de riesgos, derivados en gran medida de cohortes poblacionales y basados en un conjunto limitado de factores de riesgo clásicos y bien conocidos, han proporcionado un marco importante para estimar el riesgo cardiovascular. Sin embargo, aunque son útiles a nivel poblacional, estos modelos se quedan cortos cuando se aplican a pacientes individuales. Es posible que no capturen adecuadamente la heterogeneidad entre los grupos de edad, el sexo, la etnia y los antecedentes genéticos, y con frecuencia no tienen en cuenta la exposición a lo largo de la vida ni los cambios dinámicos en el riesgo, contribuyendo así a una carga cardiovascular residual persistente.

En los últimos años, la rápida expansión de biobancos a gran escala, historias clínicas electrónicas, modalidades avanzadas de imagen y plataformas multiómicas ha transformado profundamente el panorama de la evaluación del riesgo cardiovascular. Estos recursos ofrecen una oportunidad sin precedentes para ir más allá de una estimación del riesgo estática y simplificada hacia una comprensión más integral y dinámica de los procesos de la enfermedad. Al combinarse con enfoques de inteligencia artificial (IA) y aprendizaje automático (machine learning), estos conjuntos de datos permiten la integración de información compleja y multidimensional, capturando interacciones entre determinantes biológicos, ambientales y conductuales que a menudo no son accesibles a través de los modelos convencionales.

Dichos enfoques tienen el potencial de redefinir la prevención cardiovascular al permitir una estratificación del riesgo más precisa e individualizada, una identificación más temprana de fenotipos de alto riesgo e intervenciones terapéuticas más dirigidas. Al mismo tiempo, pueden ayudar a caracterizar mejor la enfermedad subclínica, refinar los umbrales de tratamiento y optimizar la asignación de los recursos sanitarios.

Sin embargo, aún quedan desafíos importantes. Entre ellos se encuentran la interpretabilidad y la transparencia de los modelos impulsados por IA, la necesidad de una validación rigurosa en diversas poblaciones y sistemas de salud, los problemas relacionados con la calidad y el sesgo de los datos, y la integración práctica de estas herramientas en los flujos de trabajo clínicos. Las consideraciones éticas, incluidas la gobernanza de datos y la privacidad del paciente, también representan aspectos críticos que deben abordarse para garantizar una implementación responsable.

Este taller en Fiesole está diseñado para abordar estas oportunidades y desafíos combinando conferencias plenarias de alto nivel con sesiones interactivas y prácticas. El programa proporcionará a los participantes tanto un marco conceptual sólido como habilidades prácticas, fomentando un diálogo multidisciplinar entre la cardiología, la ciencia de datos y la salud pública. El objetivo final es capacitar a clínicos e investigadores para evaluar de forma crítica, interpretar y aplicar herramientas de big data e IA en entornos del mundo real, contribuyendo así a estrategias de prevención cardiovascular más eficaces y sostenibles.