Diagnóstico de aterosclerosis con inteligencia artificial: un enfoque innovador para una enfermedad compleja

• Autores: Farneti, Melanie Belen; Ceschin, Danilo Guillermo
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: Aterosclerosis; Inteligencia artificial; Diagnóstico
• Institución: Consejo Nacional de Investigaciones Científicas y Técnicas

La aterosclerosis es una enfermedad inflamatoria crónica, progresiva y multifactorial, caracterizada por la acumulación de placas ateromatosas en las paredes arteriales, lo que puede provocar eventos cardiovasculares graves como infartos de miocardio y accidentes cerebrovasculares. Su patogénesis es compleja e involucra una interacción dinámica entre dislipidemia, inflamación crónica, disfunción endotelial y estrés oxidativo, factores que con-tribuyen a su alta mortalidad y morbilidad global. Dado su impacto económico y sanitario significativo, la predicción temprana y precisa de la aterosclerosis es esencial para mejorar los resultados clínicos y reducir los costos de salud. En este contexto, la inteligencia artificial (IA) ha surgido como una herramienta poderosa en la predicción y diagnóstico de la aterosclerosis. La integración de datos clínicos, ómicos y de dispositivos wearables mediante técnicas de IA, como el aprendizaje automático y el aprendizaje profundo, ofrece un enfoque innovador para la medicina personalizada y de precisión. Estos sistemas pueden identificar patrones sutiles en grandes volúmenes de datos, lo que permite una mejor evaluación del riesgo, per-sonalización del tratamiento y optimización de recursos sanitarios. Sin embargo, persisten desafíos en la necesidad de conjuntos de datos grandes y diversos para entrenar los modelos, así como en la interpretabilidad de los resultados. A pesar de estos retos, la IA presenta un gran potencial para revolucionar el diagnóstico y tratamiento de la aterosclerosis, lo que justifica la necesidad de seguir perfeccionando estas tecnologías.
Atherosclerosis is a chronic, progressive, and multifactorial inflammatory disease characterized by the accumulation of atheromatous plaques in the arterial walls, which can lead to severe cardiovascular events such as myocardial infarctions and strokes. Its pathogenesis is complex and involves a dynamic interaction between dyslipidemia, chronic inflammation, endothelial dysfunction, and oxidative stress, factors that contribute to its high global mortality and morbidity. Given its significant economic and healthcare impact, the early and accurate prediction of atherosclerosis is essential for improving clinical outcomes and reducing healthcare costs. In this context, artificial intelligence (AI) has emerged as a powerful tool in the prediction and diagnosis of atherosclerosis. The integration of clinical data, omics data, and wearable devices through AI techniques such as machine learning and deep learning offers an innovative approach to personalized and precision medicine. These systems can identify subtle patterns in large volumes of data, enabling better risk assessment, treatment personalization, and optimization of healthcare resources. However, challenges persist, such as the need for large and diverse datasets to train models and the interpretability of results. Despite these challenges, AI holds great potential to revolutionize the diagnosis and treatment of atherosclerosis, underscoring the need for continued refinement of these technologies.
Fil: Farneti, Melanie Belen. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Investigación Médica Mercedes y Martín Ferreyra. Grupo Vinculado Centro de Investigación en Medicina Traslacional Severo R. Amuchástegui - Cimetsa | Universidad Nacional de Córdoba. Instituto de Investigación Médica Mercedes y Martín Ferreyra. Grupo Vinculado Centro de Investigación en Medicina Traslacional Severo R. Amuchástegui - Cimetsa | Instituto de Investigación Médica Mercedes y Martín Ferreyra. Instituto de Investigación Médica Mercedes y Martín Ferreyra. Grupo Vinculado Centro de Investigación en Medicina Traslacional Severo R. Amuchástegui - Cimetsa; Argentina. Universidad Católica de Córdoba; Argentina. Instituto Universitario de Ciencias Biomédicas de Córdoba; Argentina
Fil: Ceschin, Danilo Guillermo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Investigación Médica Mercedes y Martín Ferreyra. Grupo Vinculado Centro de Investigación en Medicina Traslacional Severo R. Amuchástegui - Cimetsa | Universidad Nacional de Córdoba. Instituto de Investigación Médica Mercedes y Martín Ferreyra. Grupo Vinculado Centro de Investigación en Medicina Traslacional Severo R. Amuchástegui - Cimetsa | Instituto de Investigación Médica Mercedes y Martín Ferreyra. Instituto de Investigación Médica Mercedes y Martín Ferreyra. Grupo Vinculado Centro de Investigación en Medicina Traslacional Severo R. Amuchástegui - Cimetsa; Argentina. Instituto Universitario de Ciencias Biomédicas de Córdoba; Argentina