La arritmia cardíaca se produce cuando la sinfonía habitual de pulsos eléctricos que mantienen sincronizados los músculos del corazón se vuelve caótica. Aunque los síntomas a menudo apenas se notan, arritmia conduce a cientos de miles de muertes por causas inesperadas, paro cardíaco repentino en los Estados Unidos cada año. Un problema importante que limita el modelado para predecir tales eventos es que es imposible medir y monitorear todos los cientos de variables que se unen para hacer latir nuestro corazón.

Un par de investigadores del Instituto Max Planck de Dinámica y Autoorganización desarrollaron un algoritmo que utiliza la inteligencia artificial de nuevas formas para modelar con precisión las excitaciones eléctricas en el músculo cardíaco. Su trabajo, apareciendo en Caos , se basa en ecuaciones diferenciales parciales que describen medios excitables y una técnica llamada redes de estado de eco (ESN) para predecir de forma cruzada variables sobre la propagación caótica de ondas eléctricas en el tejido cardíaco.

"En este caso, tienes que intentar obtener esta información sobre aquellas cantidades que no puedes medir a partir de cantidades que puedes medir, "dijo Ulrich Parlitz, autor del artículo y científico del Grupo de Investigación en Física Biomédica del Instituto Max Planck de Dinámica y Autoorganización. "Este es un problema conocido pero desafiante, para lo cual proporcionamos una solución novedosa que emplea métodos de aprendizaje automático ".

Debido a que las técnicas de aprendizaje automático se han vuelto más poderosas, ciertas redes neuronales, como ESN, puede representar sistemas dinámicos y desarrollar una memoria de eventos a lo largo del tiempo, que puede ayudar a comprender cómo las señales eléctricas arrítmicas se desincronizan.

El modelo que desarrollaron los investigadores llena estos vacíos con un observador dinámico. Después de entrenar el algoritmo en un conjunto de datos generado por un modelo físico, Parlitz y su socio, Roland Zimmermann, alimentó una nueva serie de tiempo de las cantidades medidas al ESN. Este proceso permitió al observador realizar predicciones cruzadas de vectores de estado. Por ejemplo, si los investigadores conocen el voltaje en una determinada área del corazón en un momento determinado, pueden reconstruir el flujo de corrientes de calcio.

El equipo verificó su enfoque con datos generados por los modelos Barkley y Bueno-Orovio-Cherry-Fenton, que describen dinámicas caóticas que ocurren en arritmias cardíacas, incluso vectores de estado de predicción cruzada con ruido presente. "Este artículo trata de la predicción cruzada, pero los ESN también se pueden usar para hacer predicciones de comportamiento futuro, "Dijo Parlitz.

Comprender las propiedades eléctricas del corazón es solo una parte del panorama. Parlitz dijo que él y sus colegas están buscando incluir mediciones de ultrasonido de la dinámica mecánica interna del corazón. Un día, el grupo espera combinar diferentes formas de medidas con modelos de las características eléctricas y mecánicas de un corazón que late para mejorar el diagnóstico y las terapias de las enfermedades cardíacas. "Dividimos un gran problema en muchos más pequeños, "Dijo Parlitz.