El sistema de IA identifica un grupo de alto riesgo con una tasa anual de muerte súbita cardíaca del 7%, mientras que las pruebas clínicas estándar (que miden, por ejemplo, la cantidad de sangre que el corazón expulsa por latido, la fracción de eyección) detectan un grupo de alto riesgo con solo un 4.6% de tasa anual . El modelo señala un grupo de riesgo más amplio y predice mejor quién sufrirá una muerte súbita cardíaca. Estas diferencias se traducen en miles de pacientes al año que, según las medidas convencionales, parecen tener un riesgo bajo, pero que en realidad están en peligro
.
La muerte súbita cardíaca, que mata a más de 300.000 personas al año en Estados Unidos, se produce cuando el sistema eléctrico del corazón deja de funcionar de repente, sin previo aviso . Obermeyer señala que existe una cura efectiva: los desfibriladores implantables, que restablecen el ritmo cardíaco con una descarga. Sin embargo, los médicos no logran determinar quién necesita uno antes de que sea demasiado tarde
. El problema central es que las personas mueren de forma tan abrupta que es casi imposible saber qué estaba sucediendo en el interior del corazón justo antes del paro; las autopsias revelan detalles estructurales, pero no el funcionamiento eléctrico inmediatamente anterior a la muerte
.
Los investigadores planean implementar el algoritmo en sistemas de salud para ayudar a los médicos a identificar mejor qué pacientes necesitan un desfibrilador interno . El estudio también abre la puerta a nuevas investigaciones sobre el mecanismo fisiológico subyacente a los fallos eléctricos cardíacos. Obermeyer afirmó que el objetivo es "no solo tomar mejores decisiones, sino también empezar a entender qué está pasando realmente con estos pacientes antes de que su corazón se detenga"
. Dado que los electrocardiogramas son pruebas rutinarias, de bajo costo y disponibles en centros médicos de todo el mundo, esta herramienta podría aplicarse a gran escala para salvar vidas
.