Regístrese
¿Aún no está registrado?
Información relevante

Consulte los artículos y contenidos publicados en este medio, además de los e-sumarios de las revistas científicas en el mismo momento de publicación

Máxima actualización

Esté informado en todo momento gracias a las alertas y novedades

Promociones exclusivas

Acceda a promociones exclusivas en suscripciones, lanzamientos y cursos acreditados

Crear Mi cuenta
Buscar en
Archivos de Cardiología de México
Toda la web
Inicio Archivos de Cardiología de México Herramientas de sistemas inteligentes en el diagnóstico de los síndromes coron...
Información de la revista
Vol. 88. Núm. 3.Julio - Septiembre 2018
Páginas 167-252
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Visitas
635
Vol. 88. Núm. 3.Julio - Septiembre 2018
Páginas 167-252
Investigación clínica
DOI: 10.1016/j.acmx.2017.03.002
Open Access
Herramientas de sistemas inteligentes en el diagnóstico de los síndromes coronarios agudos: una revisión sistemática
Intelligent systems tools in the diagnosis of acute coronary syndromes: A systemic review
Visitas
635
John Sprockela,
Autor para correspondencia
jjsprockel@fucsalud.edu.co

Autor para correspondencia. Cra. 19 No. 8.a-32 Pbx: 3538100.
, Miguel Tejedaa, José Yatea, Juan Diaztaglea,b, Enrique Gonzálezc
a Departamento de Medicina Interna, Hospital de San José, Fundación Universitaria de Ciencias de la Salud, Bogotá, Colombia
b Departamento de Ciencias Fisiologicas, Universidad Nacional de Colombia, Bogotá, Colombia
c Departamento de Ingeniería de Sistemas, Pontificia Universidad Javeriana, Bogotá, Colombia
Este artículo ha recibido
635
Visitas

Under a Creative Commons license
Información del artículo
Resumen
Texto Completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (3)
Mostrar másMostrar menos
Tablas (3)
Tabla 1. Estructura y características del entrenamiento de los diferentes sistemas inteligentes
Tabla 2. Rendimiento diagnóstico de los sistemas inteligentes
Tabla 3. Valoración del riesgo de sesgos mediante la herramienta QUADAS 2
Mostrar másMostrar menos
Resumen
Antecedentes

El infarto agudo de miocardio representa la primera causa de muerte no trasmisible a nivel mundial. Su diagnóstico es una tarea altamente compleja que se ha intentado modelar mediante métodos automáticos. Se expone una revisión sistemática de estudios de pruebas diagnósticas de los síndromes coronarios agudos mediante sistemas inteligentes.

Métodos

Revisión sistemática de la literatura a partir de Medline, Embase, Scopus, IEEE/IET Electronic Library, ISI Web Of Science, Latindex y LILACS de la evaluación diagnóstica de los síndromes coronarios agudos mediante sistemas inteligentes. Fue realizada por 2 revisores de manera independiente y las discrepancias se resolvieron por una tercera persona. Se extrajeron las características operativas de cada herramienta.

Resultados

En total, 35 artículos cumplieron los criterios de inclusión. En 22 (62.8%) se utilizaron redes neuronales. Cinco comparan varias herramientas de sistemas inteligentes. En 13 se abarcaba todos los síndromes coronarios agudos y en 22 solo los infartos. En 21 los datos de entrada fueron la clínica y el electrocardiograma, en 10 solo el electrocardiograma. La mayoría utilizan como referente estándar el contexto clínico. Se encontraron altos niveles de precisión diagnóstica con un mejor rendimiento en el caso de redes neuronales y máquinas de soporte de vectores en comparación con las herramientas estadísticas de reconocimiento de patrones y árboles de decisiones.

Conclusiones

Encontramos una amplia evidencia de que los abordajes a través de las herramientas de sistemas inteligentes alcanzan un alto nivel de precisión por lo que deberían ser consideradas como herramientas para el soporte de las decisiones diagnósticas de los síndromes coronarios agudos.

Palabras clave:
Diagnóstico
Infarto de miocardio
Angina inestable
Inteligencia artificial
Colombia
Abstract
Background

Acute myocardial infarction is the leading cause of non-communicable deaths worldwide. Its diagnosis is a highly complex task, for which modelling through automated methods has been attempted. A systematic review of the literature was performed on diagnostic tests that applied intelligent systems tools in the diagnosis of acute coronary syndromes.

Methods

A systematic review of the literature is presented using Medline, Embase, Scopus, IEEE/IET Electronic Library, ISI Web of Science, Latindex and LILACS databases for articles that include the diagnostic evaluation of acute coronary syndromes using intelligent systems. The review process was conducted independently by 2 reviewers, and discrepancies were resolved through the participation of a third person. The operational characteristics of the studied tools were extracted.

Results

A total of 35 references met the inclusion criteria. In 22 (62.8%) cases, neural networks were used. In five studies, the performances of several intelligent systems tools were compared. Thirteen studies sought to perform diagnoses of all acute coronary syndromes, and in 22, only infarctions were studied. In 21 cases, clinical and electrocardiographic aspects were used as input data, and in 10, only electrocardiographic data were used. Most intelligent systems use the clinical context as a reference standard. High rates of diagnostic accuracy were found with better performance using neural networks and support vector machines, compared with statistical tools of pattern recognition and decision trees.

Conclusions

Extensive evidence was found that shows that using intelligent systems tools achieves a greater degree of accuracy than some clinical algorithms or scales and, thus, should be considered appropriate tools for supporting diagnostic decisions of acute coronary syndromes.

Keywords:
Diagnosis
Myocardial infarction
Unstable angina
Artificial intelligence
Colombia
Texto Completo
Introducción

La enfermedad cardiovascular es la principal causa de muerte en los países industrializados y se espera que para el año 2020 también lo sea para los países en vía de desarrollo1. Una de sus formas de presentación, los síndromes coronarios agudos (SCA), es la principal causa mortalidad. Este síndrome es una entidad con un alto grado de complejidad que para su diagnóstico requiere considerar los datos de la historia clínica, los antecedentes personales y familiares, en conjunto con varias ayudas diagnósticas sustentadas principalmente en el electrocardiograma (ECG), biomarcadores, las pruebas de estratificación no invasivas y la angiografía coronaria. Por lo general, debe llevarse a cabo en el ambiente de urgencias en el que la rapidez del diagnóstico es esencial y existe además una amplia variedad de diagnósticos diferenciales que incluyen otras condiciones que pueden poner en peligro la vida del paciente.

Los esfuerzos en la atención clínica incluyen de manera cada vez más frecuente el uso de instrumentos de gestión electrónica, dentro de las que se incluyen las herramientas inteligentes, con el objetivo de mejorar los tiempos y la precisión en el diagnóstico para brindar una servicio de mayor calidad constituyendo esto un paradigma en el modelo de atención que incluye un soporte a las decisiones clínicas2. Se entiende como «sistemas inteligentes» aquellos intentos de emular la inteligencia humana, los cuales favorecen el razonamiento y aprendizaje en ambientes inciertos o imprecisos3, término que es sinónimo, hasta cierto punto, de los de inteligencia artificial, inteligencia computacional y reconocimiento de patrones. Está constituido principalmente por: sistemas basados en reglas (o sistemas expertos), redes neuronales artificiales (ANN), computación evolutiva, lógica difusa, máquinas de soporte de vectores (SVM), redes de creencia bayesianas, árboles de decisiones, sistemas de ensamble como Ada-Boost y Bagging, sistemas multiagentes (o agentes racionales colaborativos) entre otros.

Una revisión sistemática llevada a cabo en el 2010, en la que se evaluó el valor de los instrumentos para descartar los SCA, encontró que ninguna de ellas logró cumplir con los requerimientos de seguridad para los clínicos al momento de soportar el diagnóstico4. Dicha revisión incluyó solo herramientas basadas en reglas diseñadas por los médicos y modelos de regresión logística; no se tuvo en cuenta las que estaban basadas en sistemas inteligentes. Ninguna de las guías de práctica clínica actual que abordan el diagnóstico del dolor torácico hace alguna consideración acerca de su uso5–7.

Al tratarse de un problema altamente complejo, el diagnóstico médico ha generado la necesidad de buscar una forma para lograr su estandarización como proceso, se ha convertido en un campo de estudio para la aplicación de los sistemas inteligentes, por lo que su aplicación reviste interés especial en la entidad clínica responsable de la mayor cantidad de muertes en el mundo. Es por ello que en el presente trabajo se lleva a cabo una revisión sistemática de la literatura de los estudios de pruebas diagnósticas que evalúen la aplicación de herramientas de sistemas inteligentes en el diagnóstico de los SCA, las cuales puedan ser aplicadas al paciente que consulta por dolor torácico a urgencias.

MetodologíaEstrategia de búsqueda

Se consultaron las siguientes bases de datos; Medline, Embase, Scopus, IEEE/IET Electronic Library e ISI Web Of Science, Latindex y LILACS; la búsqueda incluyó información hasta abril de 2014 y se limitó a estudios publicados en inglés o en español. En el material suplementario se exponen los términos usados en cada base de datos. La condición a estudio fueron los SCA que se encuentran constituidos por el infarto agudo de miocardio con y sin elevación del segmento ST así como por la angina inestable. Se tomó como prueba índice los diferentes aplicativos con el uso de sistemas inteligentes para el apoyo diagnóstico de los SCA.

Al poner en consideración la evolución temporal del diagnóstico de los SCA, principalmente del infarto, se decidió no limitar el referente de diagnóstico a un conjunto predefinido de estudios revisando que fueran apropiados para la época. En todo caso se describen rigurosamente dentro de los resultados los criterios de cada estudio para la definición de los casos.

Criterios de inclusión

Se incluyeron todos los estudios publicados que utilizaron herramientas de sistemas inteligentes para el diagnóstico de los SCA independientemente de la duración del seguimiento o el estatus de la publicación. Solo se incluyeron los artículos en idioma inglés o español.

Criterios de exclusión

No se consideraron aquellos estudios que evaluaron: solo el ECG mediante procesamiento directo de la señal, estudios de Holter, formas alternas para su toma (p. ej.: ECG ortogonal, magnetocardiogramas) o procesamiento alterno de la señal de este (p. ej.: transformación discreta de ondas), el resultados de la prueba de esfuerzo convencional (ECG de ejercicio), reconocimiento de imágenes de perfusiones miocárdicas, tomografía, resonancia magnética nuclear o angiografía coronaria invasiva, telemetría u otros conceptos de computación ubicua, evaluaciones de factores de riesgo o pronóstico del SCA o intervenciones terapéuticas, se descartaron los que evaluaban el síndrome de muerte súbita, debido a que corresponde a un espectro diferente de los SCA.

Selección de los estudios y extracción de los datos

Se hizo una selección de los artículos que cumplieran los criterios de inclusión para esta revisión mediante la lectura del título y el resumen; para los artículos restantes se procedió a la lectura del texto completo. Este proceso fue ejecutado por 2 revisores de manera independiente (MT y AY). Las discrepancias se resolvieron con la participación de una tercera persona (JS). La extracción de los datos fue llevada a cabo por uno de los revisores (JS) mediante un formato establecido previamente que reunió las características de la población, de la herramienta utilizada y la exactitud diagnóstica. Se extrajeron las características operativas de las herramientas estudiadas en términos de sensibilidad, especificidad, valores predictivos o área bajo la curva ROC (receiver-operating characteristic).

Riesgo de sesgos

Se utilizó la lista de chequeo del Quality Assessment of Diagnostic Accuracy Studies (QUADAS) 28 para el cual se realizó una definición operativa de cada uno de los ítems que la constituye.

El estudio fue aprobado por el comité de investigaciones y ética de la Fundación Universitaria de Ciencias de la Salud y el Hospital de San José de Bogotá.

Resultados

Se identificaron 2,187 referencias de la búsqueda en bases de datos. A partir de los títulos y los resúmenes se seleccionaron 91 para revisión del texto completo, de los cuales 35 artículos cumplieron los criterios de inclusión. En la figura 1 se muestra el flujograma de los artículos que fueron tenidos en cuenta durante el proceso de búsqueda (). La primera tabla resume los diseños empleados y la población sobre la que se desarrolló (tabla 1) y en la segunda se muestran los resultados de su desempeño diagnóstico organizando los artículos en estricto orden cronológico (tabla 2).

Figura 1.
(0,28MB).

Flujograma de los trabajos durante el proceso de búsqueda.

Tabla 1.

Estructura y características del entrenamiento de los diferentes sistemas inteligentes

Estudio (ref.)  Descripción de las herramientas usadas  Datos de entrada  Condición clínica  Referente estándara  Número de pacientesb 
Baxt, 1991c9  RN con 20 entradas, 2 capas ocultas con 10 neuronas cada una y una salida  Clínicos y ECG  Infarto agudo  Contexto clínico  351 casos (50:50) 
Harrison et al., 1991d10  RN con 53 entradas, una capa oculta con 18 neuronas y una salida  Clínicos y ECG  Infarto agudo  Contexto clínico  300 casos (50:50) 
Furlong et al., 1991c11  RN con 21 entradas, una capa oculta con 11 neuronas y una salida  Biomarcadores  Infarto agudo  Contexto clínico  47 casos 
Aase et al., 1993c12  Bayes nativo (naïve) a partir de 31 variables  Clínicos y ECG  Todos los SCA  Contexto clínico  918 pacientes 
Baxt y Skora, 1996c13  RN con 20 entradas, 2 capas ocultas con 10 neuronas cada una y una salida  Clínicos y ECG  Todos los SCA  Contexto clínico  1,070 
Bozzola et al., 1996d14  Sistema híbrido neurofuzzy con 8 neuronas de entrada  ECG  Infarto agudo  Contexto clínico  539 casos (75:25) 
Jørgensen et al., 1996c15  RN con 5, 10 y 20 entradas, una capa oculta y una neurona de salida  Clínicos y ECG  Infarto agudo  Contexto clínico  250 casos (40:60) 
Pedersen et al., 1996c16  RN con 5, 10 y 20 entradas, una capa oculta y una neurona de salida  Clínicos y ECG  Infarto agudo  Contexto clínico  250 casos (40:60) 
Hirshberg y Guttman, 1996c17  Sistema basado en reglas  Clínicos y ECG  Todos los SCA  Contexto clínico  59 casos 
Ellenius et al., 1997d18  Varios modelos de RN: perceptron simple y multicapa  Biomarcadores  Infarto agudo  Cardiólogos  80 casos (84:16) 
Kennedy et al., 1997d19  RN con 39 entradas, una capa oculta con 18 neuronas y una salida  Clínicos y ECG  Todos los SCA  Contexto clínico  290 entren, 91 validación 
Hedén et al., 1997c20  RN con 72 entradas, una capa oculta con 15 neuronas y una salida  ECG  Infarto agudo  Contexto clínico  11572 casos 
Tsien et al., 1998c21  Árbol de decisiones C4,5 con 45 datos de entrada  Clínicos y ECG  Infarto agudo  Contexto clínico  1,252 entren, 500 validación 
Aase, 1999c22  Bayes nativo (naïve) a partir de 38 datos de la historia clínica  Clínicos  Todos los SCA  Contexto clínico  918 entren y 493 prueba 
Dreiseitl et al., 1999c23  Varios modelos: RN, red bayesiana y conjuntos de aproximación (Rough Set). Con 8 a 40 datos  Clínicos y ECG  Infarto agudo  No se describe  500 casos (67:33) 
Lu et al., 2000d24  Sistema híbrido neurofuzzy con 22 neuronas de entrada y 4 capas  ECG  Infarto agudo  No se describe  124 casos 
Wang et al., 2001d25  RN con 30 entradas, una capa oculta con 15 neuronas y una salida  Clínicos  Infarto agudo  Contexto clínico  1,253 entren, 500 validación 
Baxt et al., 2002-1c26  RN con 40 entradas, una capa oculta con 10 neuronas y una salida  Clínicos y ECG  Todos los SCA  Contexto clínico  2,204 (83:17) 
Baxt et al., 2002-2c27  RN con 40 entradas, una capa oculta con 10 neuronas y una salida  Clínicos y ECG  Todos los SCA  Contexto clínico  2,204 (83:17) 
Olsson et al., 2002c29  Sistema de ensamble de 50 RN cuya arquitectura consistía en 30 entradas, una capa oculta con 12 neuronas y una salida  ECG  Infarto agudo  Contexto clínico  518 casos (33:67) 
Haraldsson et al., 2004c29  RN probabilísticas con 48 a 108 entradas, una capa oculta con 8 neuronas y una salida  ECG  Infarto agudo  Contexto clínico  2,248 casos (67:33) 
Harrison y Kennedy, 2004c30  RN con 13 entradas, una capa oculta con 10 neuronas y una salida  ECG  Todos los SCA  Contexto clínico  1,253 entren, 1,268 validación 
Conforti y Guido, 2005d31  SVM con varios tipos de kernel con 125 o con 25 datos de entrada  Clínicos y ECG  Infarto agudo  No se describe  242 casos 
Bulgiba, 2006c32  RN con 9 datos aportados por el paciente para tamizaje  Clínicos y ECG  Infarto agudo  Contexto clínico  710 (90:10) 
Coskun et al., 2006c33  Árbol de decisiones con 6 variables, uso de telemedicina  Clínicos y ECG  Todos los SCA  Contexto clínico  365 (68:32) 
Olsson et al., 2006c34  Sistema de ensamble de 50 RN con 27 entradas, una capa oculta con 15 neuronas y una salida  ECG  Infarto agudo  Contexto clínico  4,000 casos (75:25) 
Green et al., 2006c35  Ensamble de RN por Bagging y cross-spliting S-fold. 38, 22 o 16 variables de entrada  Clínicos y ECG  Todos los SCA  Contexto clínico  634 casos 
Conforti et al., 2007c36  Varios modelos: SVM con varios kernel, Bayes naïve, árbol de decisiones y RN  Clínicos y ECG  Infarto agudo  Contexto clínico  242 casos 
Al-Naima et al., 2008d37  RN entradas: 16, 21 o 32, 2 capas ocultas con 5 y 3 neuronas, una neurona de salida  Clínicos y ECG  Infarto agudo  Contexto clínico  42 (64:36) 
Forberg et al., 2009c38  RN con 54 datos electrocardiográficos de entrada, una capa oculta con 10 neuronas. Se comparó con RL  ECG  Todos los SCA  Contexto clínico  861 casos 
Ainon et al., 2012c39  Fuzzy C-means Clustering con 48, 5 o 7 datos de entrada  Clínicos y ECG  Infarto agudo  Contexto clínico  887 casos 
Chang et al., 2012d40  SVM y modelos de mezclas de gaussianas  ECG  Infarto agudo  No se describe  1,129 entren y 200 pruebas 
Dhawan et al., 2012d41  SVM multicapa con kernel de base radial en 4 capas  ECG  Infarto agudo  Cateterísmo  201 casos 
Salari et al., 2013c42  Ocho estrategias: Modelo generalizado lineal, k-NN, ANFIS, Bayes, árbol de decisiones (ID3), Bagging, RBF y RN  Clínicos y ECG  Todos los SCA  Contexto clínico más seguimiento  809 pacientes 
Vila-Francés et al., 2013c43  Compara varias estrategias de reconocimiento estadístico de patrones: Bayes, FAN, TAN y redes bayesianas  Clínicos y ECG  Infarto agudo  Contexto clínico  1,267 casos 

ANFIS: adaptive neuro fuzzy inference system; ECG: electrocardiograma; FAN: Forest Augmented Network; k-NN: k vecinos cercanos; RBF: función de base radial; RL: regresión logística; RN: red neuronal; SCA: síndromes coronarios agudos; SVM: máquina de soporte de vectores; TAN: Tree Augmented Network.

a

El contexto clínico hace referencia a la combinación de los datos clínicos, del ECG, biomarcadores y alguna estratificación.

b

Entre paréntesis se describe cuánto fue el porcentaje tenido en cuenta para el entrenamiento y las pruebas.

c

Revistas médicas.

d

Revistas de ingeniería.

Tabla 2.

Rendimiento diagnóstico de los sistemas inteligentes

Estudio  Sensibilidad  Especificidad  Precisión  Otro reporte  Comentarios 
Baxt, 1991a9  97.2  96.2  96.6  –  Fue comparada contra el rendimiento de los médicos de urgencias 
Harrison et al., 1991b10  96  86  89  –  Con los datos clínicos se mejora el desempeño 
Furlong et al., 1991a11  85.7  66.7  82.3  –  Entrenó RN con biomarcadores seriados (CPK y LDH). Analizó una subpoblación en que se realizó un diagnóstico a partir de autopsias 
Aase et al., 1993a12  NR  NR  89  –  Evalúa la influencia del número de grupos para la clasificación 
Baxt y Skora, 1996a13  96  96  96  –  Es la validación de un anterior trabajo 
Bozzola et al., 1996b14  88  94.5  NR  –  No se describe claramente cómo se diagnosticó el infarto ni la red neuronal con la que se comparó 
Jørgensen et al., 1996a15  NR  NR  78  –  Hacen una magnífica exposición del cómo afectan los cambios en la arquitectura de la RN a su rendimiento con el ejemplo de los infartos 
Pedersen et al., 1996a16  Ingreso: 79% 24h: 99%  Ingreso: 84% 24h: 99%  Ingreso: 81% 24h: 99%  –  Hace un análisis con los datos al ingreso, a las 12 y 24h. Comparado con análisis discriminante que fue ligeramente inferior 
Hirshberg y Guttman, 1996a17  100  39  NR  –  Asigna a los cardiólogos una sensibilidad del 100% y una especificidad del 16%. Sistema comercial 
Ellenius et al., 1997b18  100  93  NR  –  Evalúan evolución en el tiempo de los biomarcadores incluido mioglobina 
Kennedy et al., 1997b19  prueba: 77.3% valid: 52.4%  prueba: 86.6% valid: 80%  prueba: 84.3% valid: 73.6%  –  Analiza una población de difícil diagnóstico, con ECG sin cambios de infarto en 2 hospitales. Comparado con análisis discriminante 
Hedén et al., 1997a20  86.3  65.9  NR  –  Para la misma sensibilidad los cardiólogos tuvieron una especificidad del 55.4% 
Tsien et al., 1998a21  81.4  92.1  89.9  VPP: 72.9  Contó con datos de 2 hospitales, se comparó con el algoritmo computacional de Goldman y un trabajo previo, así como con 2 modelos de RL 
Aase, 1999a22  84.3  77.3  79.6  –  Fue usado en urgencias como un sistema de soporte a las decisiones clínicas 
Dreiseitl et al., 1999a23  NR  NR  NR  AUC: RN 0.95, RB 0.96, RS 0.95  Compararon contra una regresión logística 
Lu et al., 2000b24  84.6  90  –  –  En la publicación no se hace la descripción de la población 
Wang et al., 2001b25  NR  NR  NR  AUC: prueba 0.83 valid 0.85  Bases de datos de 2 hospitales tomando al segundo como validación. Rendimiento similar al de RL 
Baxt et al., 2002-1a26  94  93.3  NR  AUC: 0.98  Se analiza el efecto de la falta de datos 
Baxt et al., 2002-2 a27  88.1  86.2  NR  AUC: 0.90  Comparado contra el ACI-TIPI, algoritmo de Goldman y una regresión logística 
Olsson et al., 2002a 28  87  45  –  –  Casos de pacientes con bloqueo completo de rama izquierda en el ECG 
Haraldsson et al., 2004a29  NR  NR  NR  AUC: 0.843  Comparan varias estrategias de análisis de adquisición de la información de los ECG, sin ser superior ninguna 
Harrison y Kennedy, 2004a30  Prueba: 93%, valid: 90%  Prueba: 93%, valid: 89%  NR  AUC: prueba 0.93, valid 0.95  Se comparó contra una RL que presentó un rendimiento similar 
Conforti et al., 2005b31  NR  NR  96.2  –  No describe cómo se hizo el diagnóstico, el kernel polinomial tuvo el mejor desempeño 
Bulgiba et al., 2006a32  NR  NR  NR  AUC: 0.792  Comparan las redes entrenadas por los datos extraídos por PCA vs. la recomendación del experto 
Coskun et al., 2006a33  100  60  81  –  Lo comparan contra los médicos de urgencias que logran una precisión del 85% 
Olsson et al., 2006a34  95  88  –  AUC: 0.98  Mejoraba el rendimiento diagnóstico de los médicos al tener en cuenta su reporte. Concordancia con cardiólogos κ de 0.71. 
Green et al., 2006a35  NR  NR  NR  AUC: Bagging 81.1%, Cross-spliting 81%.  El mejor rendimiento se obtuvo cuando los datos de entrada fueron solo del ECG, los 2 sistemas de ensamble fueron casi equivalentes. Bajo desempeño de la RL. El AUC de una ANN fue del 80% y de RL del 76.4% 
Conforti et al., 2007a36  NR  NR  93.8  –  En este caso el mejor kernel en pruebas fue el laplasiano. El C4.5 tuvo un 93%, Bayes un 91.7% y RN un 90.1% 
Al-Naima et al., 2008b37  90  NR  90  –  Multicéntrico, 2 hospitales. Solo basa su diagnóstico en la derivación DIII. 
Forberg et al., 2009a38  95  44  NR  AUC: 0.86  Le fue mejor a la regresión logística (AUC 0.88 y especificidad del 54%), a los expertos el AUC fue de 0.78 sensibilidad del 82% y especificidad del 63% 
Ainon et al., 2012a39  NR  NR  NR  AUC: 0.75  Extraen los datos de los registros electrónicos de la historia clínica. Comparan con RN con AUC 0.79 
Chang et al., 2012b40  NR  NR  83  –  Pobre referencia de la base de datos, la precisión de la SVM fue del 71% 
Dhawan et al., 2012b41  86.8  95  NR  –  Comparado con cardiólogos que tuvieron una sensibilidad del 55.3% y especificidad del 83.7% 
Salari et al., 2013a42  NR  NR  83.2  –  El mejor resultado lo tuvo la RN, seguido por 7 NN. El Bagging de ID3 tuvo mejor resultado que el ID3 solo 
Vila-Francés et al., 2013a43  87.1  61.1  68.9  AUC: Bayes 0.72, FAN 0.74  El mejor resultado lo tuvieron las redes bayesianas aunque no reportan su AUC 

ANN: redes neuronales artificiales; AUC: área bajo la curva ROC; CPK: creatinfosfocinasa; ECG: electrocardiograma; FAN: Forest Augmented Network; LDH: lactato deshidrogenasa; PCA: análisis de componentes principales; RL: regresión logística; RN: red neuronal; SVM: máquina de soporte de vectores.

a

Revistas médicas.

b

Revistas de ingeniería.

Al realizar el análisis del riesgo de sesgos mediante la herramienta QUADAS 2 (tabla 3), podemos notar que en general se obtuvo un bajo riesgo en la mayor parte de los estudios. El problema más frecuentemente descrito se centró en la descripción de la base de datos usada con lo que no quedan claro algunos aspectos de la selección de los pacientes y del referente para el diagnóstico11,14,22–24,37,39–41,43 (fig. 2). Los casos de riesgo alto incluyen estudios donde se usó solo las derivación DIII37 y V1 a V440 del ECG para el diagnóstico de los infartos, limitando la posibilidad diagnóstica a un subgrupo de infartos (de pared inferior o anterior respectivamente).

Tabla 3.

Valoración del riesgo de sesgos mediante la herramienta QUADAS 2

Figura 2.
(0,13MB).

Distribución de las frecuencias acumuladas de los riesgos de sesgos y de aplicabilidad de acuerdo a la herramienta QUADAS 2.

Se encuentra que en 22 (62.8%) de los casos se utilizaron las redes neuronales como la herramienta de sistemas inteligentes (fig. 3), las cuales fueron evaluadas con experimentos amplios que incluían diversas distribuciones en su arquitectura (números de datos de entrada, capas ocultas, neuronas de salida), algoritmos de entrenamiento, tipo de red (perceptron simple, múltiple o red probabilística29) y contextos clínicos. En 5 trabajos se comparan los rendimientos de varias herramientas de sistemas inteligentes (uno comparó 8 estrategias)23,36,40,42,43. En los últimos años fueron publicados con mayor frecuencia estudios que evaluaron SVM31,36,40,41 y sistemas de ensamble28,34,35. En 7 casos se utilizaron estrategias de reconocimiento estadístico de patrones12,22,23,36,40,42,43 y un estudió evaluó un sistema de clustering39.

Figura 3.
(0,15MB).

Distribución de la frecuencia de las herramientas de sistemas inteligentes usadas.

En 13 trabajos se buscaba realizar el diagnóstico de todos los SCA9,12,13,17,19,22,26,27,30,33,35,38,42 y en 22 solo de los infartos (uno de ellos en casos de bloqueos completos de rama izquierda28). En 21 casos se tuvo en cuenta como datos de entrada aspectos clínicos y electrocardiográficos, en 10 solo datos electrocardiográficos14,20,24,28–30,34,38,40,41, en 2 solo datos clínicos22,25 y en 2 casos solo de biomarcadores de lesión miocárdica11,18. La mayoría de los sistemas inteligentes utilizan como referente estándar el contexto clínico dado por la combinación de aspectos clínicos, ECG, biomarcadores junto a alguna estrategia de estratificación; en un estudio estuvo determinado por el concepto de los cardiólogos18, en otro por angiografía coronaria41 y en uno se tuvo en cuenta los hallazgos de enfermedad en autopsias11. Se desconoce el referente estándar en 4 estudios23,24,31,40. En 7 casos se compararon los resultados con regresión logística21,23,25,27,30,35,38. En 4 casos se comparó con el desempeño de los médicos de urgencias9,33,34,38, en 3 casos con cardiólogos17,18,41 y en 2 casos se compararon con algoritmos computacionales (Goldman y ACI-TIPI)21,27.

En la mayor parte de los casos se alcanzaron altos niveles de precisión para el diagnóstico (tabla 2), encontrando el mejor rendimiento en el caso de varias redes neuronales con precisiones tan altas como el 96 y 98%9,13,26,31.

Discusión

El primer intento documentado para desarrollar y aplicar herramientas computacionales para el soporte del diagnóstico de los SCA fue quizá el expuesto por el grupo de Pozen en 198044,45. Aún hoy, luego de 35 años de intensa búsqueda de herramientas de apoyo al diagnóstico de la entidad que da cuenta de la mayor mortalidad en el mundo, no se encuentra una solución definitiva a este tema. Los sistemas inteligentes o de reconocimiento estadístico de patrones se constituyen en una ruta prometedora. Los resultados expuestos demuestran que, por lo general, son mejores que los expuestos para las reglas de predicción clínica que se apoyan en computadores4 o son independientes de ellos46.

En la revisión realizada se encontraron 35 artículos en los que se evaluaron herramientas de sistemas inteligentes en el diagnóstico de los SCA. A través de la experiencia previa, este número no logra abarcar por completo los trabajos que abordan este tema. Debe decirse al respecto que las bases de datos procedentes de ingeniería no tienen estandarizados los términos usados como palabras clave, de manera opuesta a lo que pasa en las que proceden de medicina. Esta situación parece ser más notoria en los artículos presentados en congresos o conferencias. Como es de esperarse, los artículos que proceden de medicina hacen una descripción más completa de la población que es motivo de estudio y del referente para diagnóstico, mientras que en los de ingeniería tiende a descuidarse estos puntos y darse prelación a la descripción detallada de los aspectos metodológicos y de desarrollo del sistema.

Por tratarse de herramientas desarrolladas de manera automática a partir de la base de datos con la que se alimenta, en la que los datos de ingreso están pareados con el diagnóstico, el aspecto de flujo y tiempo por lo general no constituía riesgo de sesgo a pesar de conocerse el diagnóstico del referente de antemano. Se encuentra una amplia variabilidad en sus resultados con un mejor rendimiento aparente en el caso de ANN y SVM en comparación con las herramientas estadísticas de reconocimiento de patrones y árboles de decisiones (tabla 2). Cuando se comparó con los médicos, su resultado siempre fue superior a ellos. En los estudios en los que se podía establecer de antemano un umbral (principalmente en ANN) se dio prelación a una sensibilidad alta sacrificando la especificidad con el fin de favorecer el diagnóstico de los casos positivos.

Desde el planteamiento de la revisión se esperaba una amplia heterogeneidad entre los estudios, por lo que desde el principio se descartó la realización de un metaanálisis. Las poblaciones investigadas eran diversas, los criterios aplicados como referentes variaron con el paso del tiempo, se consideraban en algunos los biomarcadores o ECG, mientras en otros solo correspondía a datos clínicos y, aun usando la misma herramienta, el método de entrenamiento y arquitectura tiene un gran nivel de variación.

Al analizar la escasa penetración de estos sistemas en la práctica médica Richardson46 propone 3 categorías de barreras para el diagnóstico clínico basado en la evidencia: desde el punto de vista de la evidencia disponible, aspectos del diagnóstico y del sistema de salud.Al considerar el primero de estos puntos, la investigación realizada nos aporta una visión general acerca de la evidencia disponible, es claro que existe una buena cantidad de estudios que vienen llevándose a cabo desde hace bastante tiempo, pero que por lo general no son fácilmente disponibles para el profesional de la salud que finalmente tendrá a su cargo la toma de dichas decisiones. Parece ser visto como un experimento aislado, desligado de la práctica.

Una buena parte de los estudios que se encuentran en bases de datos procedentes de la ingeniería presentan limitaciones para el acceso y su consulta por parte del personal de la salud, y a no ser que sea la línea de trabajo habitual de este, no es tenida en cuenta. Vemos además que el enfoque de las publicaciones es amplio, consideran diversos espectros de la enfermedad, que van desde la isquemia inducida en laboratorio41, telemedicina33, triage inicial32 hasta la utilidad como punto definitorio de la conducta posterior22,34. En la mayor parte de ellos no se contemplan otras preguntas diagnósticas como los diagnósticos diferenciales.

Un aspecto fundamental que debe tenerse en cuenta es que existe la posibilidad que los estudios de precisión diagnóstica evalúen solo una parte del desempeño de las herramientas de soporte a las decisiones en el diagnóstico. En lugar de buscar niveles casi perfectos de sensibilidad y especificidad, otro camino podrían ser los estudios en los que se ponga de manifiesto la mejoría en la tasa de aciertos al momento de asignar a los pacientes a cierta área de hospitalización o decidir su alta. Como ejemplo presentamos los trabajos de Jonsbu et al.47 que expone como su herramienta mejora en la práctica la asignación de los pacientes en comparación con la forma tradicional, y el de Wilson et al.48 que incluye el dato de la lectura automática del ECG en la decisión de trombólisis prehospitalaria en pacientes con infarto. Ambos estudios fueron excluidos al no mostrar datos de precisión diagnóstica.

La interpretación de los hallazgos de los ECG presenta sus problemas particulares; es así como en una revisión sistemática se concluyó que tanto los médicos de diferentes especialidades como el software cometen frecuentemente errores en dicha interpretación49. En casi un tercio de los estudios de la revisión, solo se consideró como datos de entrada al sistema la señal electrocardiográfica, sometida o no a algún sistema de procesamiento; sus resultados muestran un desempeño muy bueno para el caso específico de los SCA.

Al considerar las limitaciones de la revisión encontramos que no hay una estandarización de los términos al interior de las bases de datos con lo cual es probable que algunos artículos hayan quedado fuera. A través del tiempo se ha dado una evolución en las definiciones de los SCA lo que hace que el referente no pueda ser aplicable a todos los trabajos de una forma uniforme. Por otro lado, se encuentra una heterogeneidad en la manera como es descrito el rendimiento diagnóstico de las pruebas evaluadas y en la mayor parte de los casos no se puede elaborar tablas de contingencia para ilustrar los falsos y verdaderos positivos/negativos.

Los sistemas inteligentes ya hacen parte de nuestra vida cotidiana. En medicina, el desarrollo más importante se ha centrado en el reconocimiento automático de imágenes especialmente en radiología, big data enfocado hacia farmacovigilancia y modelamiento de epidemias en salud pública. El presente trabajo expone la el extenso camino llevado a cabo en búsqueda de nuevas herramientas que ayuden al diagnóstico de los SCA, sobre todo cuando quien se enfrenta al paciente es personal médico no especializado como ocurre en muchas ocasiones. Aunque aún no se cuente con una aplicación que haga uso de estas herramientas a pie del paciente, es probable que pronto lo veamos en la práctica gracias al avance importante de la tecnología en los últimos años y la investigación creciente en estos temas.

Conclusiones

Esta revisión expone cómo las herramientas de sistemas inteligentes tienen alto rendimiento en el diagnóstico de los SCA utilizando diferentes fuentes de entradas como lo son datos clínicos, biomarcadores y ECG así como varias de estas herramientas en donde las redes neuronales son las más utilizadas. Teniendo en cuenta lo descrito se debe considerar a futuro el uso de estas herramientas en la práctica clínica habitual.

Responsabilidades éticasProtección de personas y animales

Los autores declaran que para esta investigación no se han realizado experimentos en seres humanos ni en animales.

Confidencialidad de los datos

Los autores declaran que en este artículo no aparecen datos de pacientes.

Derecho a la privacidad y consentimiento informado

Los autores declaran que en este artículo no aparecen datos de pacientes.

Financiación

Ninguna.

Conflicto de intereses

Los investigadores dejamos constancia que no poseemos ningún clonflicto de intereses.

Bibliografía
[1]
C.W. Hamm,J.P. Bassand,S. Agewall
ESC Guidelines for the management of acute coronary syndromes in patients presenting without persistent ST-segment elevation: The Task Force for the management of acute coronary syndromes (ACS) in patients presenting without persistent ST-segment elevation of the European Society of Cardiology (ESC)
Eur Heart J., 32 (2011), pp. 2999-3054 http://dx.doi.org/10.1093/eurheartj/ehr236
[2]
D. Lobach,G.D. Sanders,T.J. Bright
Enabling health care decisionmaking through clinical decision support and knowledge management
Evid Rep Technol Assess, (2012), pp. 1-784
[3]
M. Negnevitsky
Artificial intelligence. A guide to intelligent systems
2.aed, Addison Wesley, (2004)pp. 440
[4]
J. Steurer,U. Held,D. Schmid
Clinical value of diagnostic instruments for ruling out acute coronary syndrome in patients with chest pain: A systematic review
Emerg Med J., 27 (2010), pp. 896-902 http://dx.doi.org/10.1136/emj.2010.092619
[5]
A.J. Lee,M. Michail,S.A. Quaderi
Implementation of NICE Clinical Guideline 95 for assessment of stable chest pain in a rapid access chest pain clinic reduces the mean number of investigations and cost per patient
Open Heart., 2 (2015), pp. e000151 http://dx.doi.org/10.1136/openhrt-2014-000151
[6]
J.S. Skinner,L. Smeeth,J.M. Kendall,Chest Pain Guideline Development Group
NICE guidance. Chest pain of recent onset: Assessment and diagnosis of recent onset chest pain or discomfort of suspected cardiac origin
[7]
E.A. Amsterdam,J.D. Kirk,D.A. Bluemke
Testing of low-risk patients presenting to the emergency department with chest pain: A scientific statement from the American Heart Association
Circulation., 122 (2010), pp. 1756-1776 http://dx.doi.org/10.1161/CIR.0b013e3181ec61df
[8]
P.F. Whiting,A.W. Rutjes,M.E. Westwood
QUADAS-2: A revised tool for the quality assessment of diagnostic accuracy studies
[9]
W.G. Baxt
Use of an artificial neural network for the diagnosis of myocardial infarction
Ann Intern Med., 115 (1991), pp. 843-848
[10]
Harrison RF, Marshall SJ, Kennedy RL. The early diagnosis of heart attacks: A neurocomputational approach. Seattle: IEEE; 1991. p. 1–5.
[11]
J.W. Furlong,M.E. Dupuy,J.A. Heinsimer
Neural network analysis of serial cardiac enzyme data. A clinical application of artificial machine intelligence
Am J Clin Pathol., 96 (1991), pp. 134-141
[12]
O. Aase,J. Jonsbu,K. Liestøl
Decision support by computer analysis of selected case history variables in the emergency room among patients with acute chest pain
Eur Heart J., 14 (1993), pp. 433-440
[13]
W.G. Baxt,J. Skora
Prospective validation of artificial neural network trained to identify acute myocardial infarction
Lancet., 347 (1996), pp. 12-15
[14]
P. Bozzola,G. Bortolan,C. Combi
A hybrid neuro-fuzzy system for ECG classification of myocardial infarction
Comput Cardiol., (1996), pp. 241-244
[15]
J.S. Jørgensen,J.B. Pedersen,S.M. Pedersen
Use of neural networks to diagnose acute myocardial infarction. I. Methodology
Clin Chem., 42 (1996), pp. 604-612
[16]
S.M. Pedersen,J.S. Jørgensen,J.B. Pedersen
Use of neural networks to diagnose acute myocardial infarction. II. A clinical application
Clin Chem., 42 (1996), pp. 613-617
[17]
A.J. Hirshberg,T.G. Guttman
Criteria-based expert system for cardiac ischemia evaluation in the emergency department
Acad Emerg Med., 3 (1996), pp. 689-693
[18]
J. Ellenius,T. Groth,B. Lindahl
Early assessment of patients with suspected acute myocardial infarction by biochemical monitoring and neural network analysis
Clin Chem., 43 (1997), pp. 1919-1925
[19]
R.L. Kennedy,R.F. Harrison,A.M. Burton
An artificial neural network system for diagnosis of acute myocardial infarction (AMI) in the accident and emergency department: Evaluation and comparison with serum myoglobin measurements
Comput Methods Programs Biomed., 52 (1997), pp. 93-103
[20]
B. Hedén,H. Öhlin,R. Rittner
Acute myocardial infarction detected in the 12-lead ECG by artificial neural networks
Circulation., 96 (1997), pp. 1798-1802
[21]
C.L. Tsien,H.S. Fraser,W.J. Long
Using classification tree and logistic regression methods to diagnose myocardial infarction
Stud Health Technol Inform., 52 Pt 1 (1998), pp. 493-497
[22]
O. Aase
Clinical experience with a decision support computer program using Bayes’ theorem to diagnose chest pain patients
Cardiology., 92 (1999), pp. 128-134 http://dx.doi.org/10.1159/000006960
[23]
S. Dreiseitl,L. Ohno-Machado,S. Vinterbo
Evaluating variable selection methods for diagnosis of myocardial infarction
Proc AMIA Symp., (1999), pp. 246-250
[24]
Lu HL, Ong K, Chia P. Automated ECG classification system based on a neuro-fuzzy system. Comput Cardiol. 2000;27:387–90.
[25]
S.J. Wang,L. Ohno-Machado,H.S. Fraser
Using patient-reportable clinical history factors to predict myocardial infarction
Comput Biol Med., 31 (2001), pp. 1-13
[26]
W.G. Baxt,F.S. Shofer,F.D. Sites
A neural computational aid to the diagnosis of acute myocardial infarction
Ann Emerg Med., 39 (2002), pp. 366-373
[27]
W.G. Baxt,F.S. Shofer,F.D. Sites
A neural network aid for the early diagnosis of cardiac ischemia in patients presenting to the emergency department with chest pain
Ann Emerg Med., 40 (2002), pp. 575-583
[28]
S.E. Olsson,M. Ohlsson,H. Ohlin
Neural networks–a diagnostic tool in acute myocardial infarction with concomitant left bundle branch block
Clin Physiol Funct Imaging., 22 (2002), pp. 295-299
[29]
H. Haraldsson,L. Edenbrandt,M. Ohlsson
Detecting acute myocardial infarction in the 12-lead ECG using Hermite expansions and neural networks
Artif Intell Med., 32 (2004), pp. 127-136 http://dx.doi.org/10.1016/j.artmed.2004.01.003
[30]
R.F. Harrison,R.L. Kennedy
Artificial neural network models for prediction of acute coronary syndromes using clinical data from the time of presentation
Ann Emerg Med., 46 (2005), pp. 431-439 http://dx.doi.org/10.1016/j.annemergmed.2004.09.012
[31]
D. Conforti,R. Guido
Kernel-based support vector machine classifiers for early detection of myocardial infarction
Optim Methods Softw., 20 (2005), pp. 401-413
[32]
A.M. Bulgiba
Using neural networks and just nine patient-reportable factors of screen for AMI
Health Informatics J., 12 (2006), pp. 213-225 http://dx.doi.org/10.1177/1460458206066665
[33]
O. Coskun,A. Eren,M. Eren
A computer based telemedicine protocol to predict acute coronary syndrome in patients with chest pain at home
Int Heart J., 47 (2006), pp. 491-500
[34]
S.E. Olsson,M. Ohlsson,H. Ohlin
Decision support for the initial triage of patients with acute coronary syndromes
Clin Physiol Funct Imaging., 26 (2006), pp. 151-156 http://dx.doi.org/10.1111/j.1475-097X.2006.00669.x
[35]
M. Green,J. Björk,J. Forberg
Comparison between neural networks and multiple logistic regression to predict acute coronary syndrome in the emergency room
Artif Intell Med., 38 (2006), pp. 305-318 http://dx.doi.org/10.1016/j.artmed.2006.07.006
[36]
Al-Naima FM, Ali AH, Mahdi SS. Data acquisition for myocardial infarction classification based on wavelets and Neural Networks. In IEEE SSD 2008. 5th International Multi-Conference on Systems, Signals and Devices; 2008. p. 1–6.
[37]
Al-Naima FM, Ali AH, Mahdi SS. Data acquisition for myocardial infarction classification based on wavelets and Neural Networks. Seattle: IEEE; 2008. p. 1–6.
[38]
J.L. Forberg,M. Green,J. Björk
In search of the best method to predict acute coronary syndrome using only the electrocardiogram from the emergency department
J Electrocardiol., 42 (2009), pp. 58-63 http://dx.doi.org/10.1016/j.jelectrocard.2008.07.010
[39]
R.N. Ainon,A.M. Bulgiba,A. Lahsasna
AMI screening using linguistic fuzzy rules
J Med Systems., 36 (2010), pp. 463-473
[40]
P.-C. Chang,J.-J. Lin,J.-C. Hsieh
Myocardial infarction classification with multi-lead ECG using hidden Markov models and Gaussian mixture models
Appl Soft Comput., 12 (2012), pp. 3165-3175
[41]
A. Dhawan,B. Wenzel,S. George
Detection of acute myocardial infarction from serial ECG using multilayer support vector machine
Conf Proc IEEE Eng Med Biol Soc., 2012 (2012), pp. 2704-2707 http://dx.doi.org/10.1109/EMBC.2012.6346522
[42]
N. Salari,S. Shohaimi,F. Najafi
Application of pattern recognition tools for classifying acute coronary syndrome: An integrated medical modeling
Theor Biol Med Model., 10 (2013), pp. 57 http://dx.doi.org/10.1186/1742-4682-10-57
[43]
J. Vila-Francés,J. Sanchís,E. Soria-Olivas
Expert system for predicting unstable angina based on Bayesian networks
Expert Syst Appl., 40 (2013), pp. 5004-5010
[44]
Pozen MW, D’Agostino RB, Mitchell JB, et al. The usefulness of a predictive instrument to reduce inappropriate admissions to the coronary care unit. Ann Intern Med. 1980; 92 (2 Pt 1): 238–42.
[45]
Hess EP, Thiruganasambandamoorthy V, Wells GA, et al. Diagnostic accuracy of clinical prediction rules to exclude acute coronary syndrome in the emergency department setting: a systematic review. CJEM. 2008; 10: 373–82.
[46]
W.S. Richardson
We should overcome the barriers to evidence-based clinical diagnosis!
J Clin Epidemiol., 60 (2007), pp. 217-227 http://dx.doi.org/10.1016/j.jclinepi.2006.06.002
[47]
J. Jonsbu,O. Aase,A. Rollag
Prospective evaluation of an EDB-based diagnostic program to be used in patients admitted to hospital with acute chest pain
Eur Heart J., 14 (1993), pp. 441-446
[48]
R.E. Wilson,H.S. Kado,R.F. Percy
An algorithm for identification of ST-elevation myocardial infarction patients by emergency medicine services
Am J Emerg Med., 31 (2013), pp. 1098-1102 http://dx.doi.org/10.1016/j.ajem.2013.04.013
[49]
S.M. Salerno,P.C. Alguire,H.S. Waxman
Competency in interpretation of 12-lead electrocardiograms: A summary and appraisal of published evidence
Ann Intern Med., 138 (2003), pp. 751-760
Copyright © 2017. Instituto Nacional de Cardiología Ignacio Chávez
es en pt
Política de cookies Cookies policy Política de cookies
Utilizamos cookies propias y de terceros para mejorar nuestros servicios y mostrarle publicidad relacionada con sus preferencias mediante el análisis de sus hábitos de navegación. Si continua navegando, consideramos que acepta su uso. Puede cambiar la configuración u obtener más información aquí. To improve our services and products, we use "cookies" (own or third parties authorized) to show advertising related to client preferences through the analyses of navigation customer behavior. Continuing navigation will be considered as acceptance of this use. You can change the settings or obtain more information by clicking here. Utilizamos cookies próprios e de terceiros para melhorar nossos serviços e mostrar publicidade relacionada às suas preferências, analisando seus hábitos de navegação. Se continuar a navegar, consideramos que aceita o seu uso. Você pode alterar a configuração ou obter mais informações aqui.
es en pt

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

Você é um profissional de saúde habilitado a prescrever ou dispensar medicamentos