Los bomberos arriesgan regularmente sus vidas en situaciones peligrosas, pero la mayoría de las muertes en el trabajo no son causadas directamente por el fuego o la inhalación de humo.
En esta foto de 2013, las enfermeras científicas Becki Vincent y Mary Carey de la Universidad de Rochester recopilan datos del electrocardiograma de un bombero en la estación de bomberos de Dewey Avenue en Rochester, Nueva York.
Ahora, una década después, los investigadores del NIST, Rochester y Google han utilizado estos datos para entrenar un modelo de IA para predecir eventos cardíacos.
Crédito: Karen O’Hern/Escuela de Enfermería de la Universidad de Rochester
Los bomberos arriesgan regularmente sus vidas en situaciones peligrosas, pero la mayoría de las muertes en el trabajo no son causadas directamente por el fuego o la inhalación de humo. En cambio, aproximadamente el 40% de las muertes en el trabajo provienen de una muerte cardíaca súbita.
Ahora, los investigadores del Instituto Nacional de Estándares y Tecnología (NIST) y sus colegas han utilizado una forma de IA conocida como aprendizaje automático para identificar con precisión los ritmos cardíacos anormales en los bomberos. Los investigadores esperan que su trabajo finalmente conduzca a un monitor cardíaco portátil que los bomberos puedan usar para detectar señales de advertencia tempranas de problemas cardíacos y pedirles que busquen atención médica antes de que sea demasiado tarde.
El equipo, que incluye investigadores del NIST, la Universidad de Rochester y Google, publicó sus resultados en Fire Safety Journal .
La muerte cardíaca súbita se cobró la vida de 36 bomberos en servicio en 2022, según la Asociación Nacional de Protección contra Incendios . La muerte cardíaca súbita ocurre cuando un ritmo cardíaco irregular hace que el corazón deje de bombear sangre, más comúnmente debido a un ataque al corazón. Los eventos cardíacos repentinos matan a los bomberos en servicio a una tasa dos veces mayor que la de los agentes de policía y cuatro veces mayor que la de otros servicios de emergencia.
“Año tras año, los eventos cardíacos repentinos son, con mucho, la principal causa de muerte entre los bomberos”, dijo Chris Brown, investigador del NIST. “Los eventos cardíacos también causan lesiones que terminan con la carrera y discapacidades a largo plazo”.
Un grupo de bomberos de carrera de la Compañía de Rescate No. 1 en Buffalo, Nueva York, después de una llamada de emergencia. Estos bomberos usaron electrodos para medir los datos del electrocardiograma (ECG) durante un período de 24 horas.
Crédito: Mary Carey, Escuela de Enfermería de la Universidad de Rochester
Los bomberos trabajan en entornos notablemente extenuantes, cargando objetos pesados, subiendo escaleras y soportando temperaturas extremas con una capacidad limitada para refrescarse. Y si bien pueden experimentar una incomodidad significativa, los informes han demostrado que los bomberos a menudo intentan superar estas situaciones sin darse cuenta de que pueden estar en riesgo de muerte cardíaca súbita.
Para abordar este problema, los investigadores del NIST se pusieron en contacto con colegas de la Escuela de Enfermería de la Universidad de Rochester. Hace una década, la investigadora de Rochester Mary Carey y sus colegas recopilaron 24 horas de datos de electrocardiograma (ECG) de cada uno de los 112 bomberos, que tenían electrodos atados al pecho. Los datos del ECG abarcaron turnos de servicio de 16 horas y turnos fuera de servicio de ocho horas durante los cuales los bomberos participaron en sus actividades diarias, como responder llamadas médicas y de bomberos, hacer ejercicio, comer, descansar y dormir.
«Los datos de los bomberos que recopilamos son únicos», dijo el coautor de Rochester, Dillon Dzikowicz. “Tener datos sólidos es esencial para hacer avanzar nuestro trabajo y proteger a los bomberos”.
Luego, los investigadores utilizaron el aprendizaje automático y el conjunto de datos de Rochester para construir lo que ellos llaman el modelo de Monitoreo de la Salud del Corazón (H2M). Entrenaron a H2M con segmentos de 12 segundos de una gran parte de los datos del ECG. Los latidos cardíacos individuales en los ECG se clasificaron como latidos normales o latidos anormales indicativos de ritmos cardíacos irregulares, como fibrilación auricular o taquicardia ventricular.
“El modelo está diseñado para aprender efectivamente los patrones de ECG de latidos normales y anormales”, dijo el investigador invitado del NIST, Jiajia Li.
Una vez que H2M fue entrenado y validado, analizó los datos de ECG de los bomberos del conjunto de datos de Rochester que no había visto antes. Cuando se le presentaron aproximadamente 6000 muestras de ECG anormales, H2M las identificó correctamente con una precisión de alrededor del 97 %. Como verificación, H2M también recibió capacitación utilizando conjuntos de datos de ECG de personas que no son bomberos. Cuando utilizó estos datos que no eran de bomberos, H2M tuvo una tasa de error de alrededor del 40 % en la identificación de eventos cardíacos en los datos de los bomberos.
“Usar el conjunto de datos correcto para entrenar el modelo de IA fue fundamental”, dijo Wai Cheong Tam, investigador del NIST.
En el futuro, los investigadores prevén que este modelo podría incorporarse a los monitores cardíacos portátiles que los bomberos podrían usar para advertirles sobre irregularidades cardíacas en tiempo real. Tal asistente de IA podría ser lo más parecido a un cardiólogo que acompaña a un equipo que lucha contra un incendio.
“Esta tecnología puede salvar vidas”, dijo Tam, y agregó que este enfoque podría ampliarse para ayudar a otros grupos si la IA se entrena con conjuntos de datos de ECG apropiados. “Podría beneficiar no solo a los bomberos sino también a otros socorristas y poblaciones adicionales en el público en general”.
Papel: Jiajia Li, Christopher Brown, Dillon J. Dzikowicz, Mary G. Carey, Wai Cheong Tam, Michael Xuelin Huang. Hacia el monitoreo de la salud del corazón en tiempo real en la extinción de incendios utilizando redes neuronales convolucionales. Revista de seguridad contra incendios. Publicado en línea el 28 de junio de 2023. DOI: 10.1016/j.firesaf.2023.103852
INFO NIST