DIAGNOSTICO

Investigadores desarrollaron y validaron un modelo basado en un algoritmo de aprendizaje profundo para la detección de Alzheimer en fotografías retinales. Para la detección de la enfermedad de Alzheimer es necesario que los pacientes pasen por pruebas costosas e incluso invasivas. A pesar de que no existen métodos simples para la detección de esta enfermedad, es posible facilitar estas tareas través del uso de soluciones basadas en Inteligencia Artificial (IA). Investigadores de Hong Kong, publicaron un estudio en The Lancet Digital Health, donde exploran el desarrollo y validación de un algoritmo de aprendizaje profundo capaz de utilizar fotografías de retina para detectar Alzheimer y demencia. El estudio detalla el entrenamiento, validación y prueba de un algoritmo de aprendizaje profundo para la detección de Alzheimer-demencia, a partir de fotografías retinales recopiladas de 11 estudios que reclutaron pacientes con estas enfermedades y sin enfermedad, en distintos países. El objetivo principal del estudio fue desarrollar un modelo bilateral para la detección de estas dos condiciones solamente utilizando fotografías de retina. El desarrollo del modelo fue posible gracias al uso de fotografías de retina de seis de los estudios recopilados, y la red EfficientNet-b2 fue implementada para extraer características de estas fotografías. Las características fueron extraídas de cuatro fotografías de retina, las cuales incluyeron campos centrados en la cabeza del nervio óptico y centrados en la mácula de ambos ojos. Para el entrenamiento y validación del modelo se utilizaron 12,949 fotografías de retina, 5,598 de 648 pacientes con Alzheimer 7,351 de y 3,240 de pacientes sin la enfermedad. “Nuestro algoritmo de aprendizaje profundo mostró un rendimiento consistentemente preciso para diferenciar entre pacientes con enfermedad de Alzheimer-demencia e individuos sin demencia”, explicaron los autores. No obstante, los investigadores reconocen las limitaciones del estudio, por ejemplo, el tamaño del conjunto de datos de entrenamiento fue relativamente pequeño en comparación a otros estudios de aprendizaje automático. El estudio de prueba proporciona un modelo único y generalizable que podría utilizarse en entornos comunitarios para la detección de Alzheimer. Puedes conocer más sobre los resultados en el siguiente enlace: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(22)00169-8/fulltext BIBLIOGRAFÍA THE LANCET https://www.thelancet.com/journals/landig/article/PIIS2589-7500(22)00169-8/fulltext

La hipertensión arterial sistémica es una de las principales causas de enfermedades cardiacas y mortalidad prematura a nivel mundial. Investigadores de Yale University desarrollaron una herramienta de aprendizaje automático que permite la personalización del tratamiento de la presión arterial sistémica, en pacientes con o sin diabetes. El modelo permite la mejora de la toma de decisiones clínicas a través de un enfoque basado en datos. La herramienta fue descrita en un estudio publicado en The Lancet Digital Health titulado: “Individualización de la reducción intensiva de la presión arterial sistólica en la hipertensión mediante feno mapas de ensayos computacionales y aprendizaje automático: un análisis a posteriori de ensayos clínicos aleatorizados”. El objetivo del estudio fue evaluar el modelo de aprendizaje automático en ensayos clínicos de pacientes con y sin diabetes tipo 2 para definir el beneficio cardiovascular personalizado del control intensivo de la presión arterial sistólica. Los autores recopilaron datos de dos ensayos clínicos aleatorios: PRINT (Estudio de intervención de presión arterial sistólica, en inglés) y ACCORD BP (Acción para controlar el riesgo cardiovascular en la presión arterial diabética, en inglés), los cuales incluyen a 9 mil 361 participantes 4 mil 733, respectivamente. Los investigadores identificaron 59 variables diferentes que incluyen la función renal, el tabaquismo y el uso de estatinas o aspirinas, que fueron clave para desarrollar el algoritmo de aprendizaje automático, el cual fue llamado PRECISION (PREssure ​​Control In HypertenSION). De esta forma, PRECISION pudo definir a los pacientes con diabetes que se beneficiaron del manejo agresivo de la presión arterial, a comparación de aquellos con un tratamiento estándar. Asimismo, proporcionó información confiable y práctica sobre los efectos del tratamiento intensivo. “Aquí, utilizamos el aprendizaje automático para mejorar la inferencia de dos ensayos clínicos históricos en la evaluación de un beneficio cardiovascular personalizado del control intensivo de la presión arterial. El hallazgo clave es que el perfil de beneficios derivado de los pacientes sin diabetes parece definir a aquellos con diabetes que se benefician de una estrategia de tratamiento de este tipo”, explicó el Dr. Rohan Khera, autor principal del estudio y director del Laboratorio de Ciencia de Datos Cardiovasculares (CarDS). Asimismo, destacó el potencial de este enfoque para conocer más acerca de los efectos de los tratamientos personalizados en pacientes. La investigación fue fondeada por el Instituto Nacional del Corazón, los Pulmones y la Sangre de los Institutos Nacionales de Salud de Estados Unidos (NIH). BIBLIOGRAFÍA YALE MEDICINE https://medicine.yale.edu/bbs/news-article/a-machine-learning-guided-approach-for-personalized-blood-pressure-management/ THE LANCET https://www.thelancet.com/journals/landig/article/PIIS2589-7500(22)00170-4/fulltext

Una nueva herramienta de diagnóstico desarrollada por investigadores médicos en Estados Unidos, podría identificar con precisión los pacientes que tienen alto riesgo de desarrollar fibrosis pulmonar. Investigadores de Weill Cornell Medicine, NewYork-Presbyterian, la Universidad de Chicago, Brigham and Women’s Hospital y Mayo Clinic, desarrollaron esta herramienta que identifica patrones en la historia clínica electrónica, para determinar el riesgo de tener o desarrollar lesiones en los pulmones que derivan en fibrosis pulmonar. La fibrosis pulmonar idiopática es una enfermedad grave que es fatal debido a su diagnóstico tardío, ya que los tratamientos son menos efectivos. Esta enfermedad crónica y progresiva se caracteriza por la acumulación de tejido cicatricial en los pulmones que puede provocar otras enfermedades graves como cáncer de pulmón, embolia pulmonar, neumonía, entre otras. Investigadores médicos de las instituciones mencionadas anteriormente, publicaron un artículo titulado “Cribado de la fibrosis pulmonar idiopática mediante firmas de comorbilidad en las historias clínicas electrónicas”, en el cual detallan su herramienta de cribado basada en aprendizaje automático. La herramienta de aprendizaje automático, acelera y agiliza el proceso de diagnóstico a través de la detección automática del riesgo de fibrosis pulmonar, por medio de datos de la historia clínica electrónica. De esta forma los médicos pueden identificar a los pacientes que fueron identificados con riesgo de padecer esta condición y realizarles pruebas para descartar o confirmar la enfermedad. El Dr. Fernando Martínez, coautor del estudio explicó que: “Disponer de un método de cribado robusto basado en parámetros fácilmente disponibles en las historias clínicas electrónicas es un gran avance para asegurar el diagnóstico temprano”. Por otra parte, el Dr. Ishanu Chattopadhyay, explica que este método no toma ningún tiempo adicional para los pacientes. Simplemente, al realizar una visita médica en salud primaria, el médico puede ejecutar la herramienta de cribado y obtener los resultados incluso antes de que el paciente entre en la clínica. El equipo de la investigación entrenó el algoritmo con una base de datos de una compañía comercial de seguros que cubre a millones de pacientes en Estados Unidos. Los datos utilizados corresponden al periodo 2003-2018. Las pruebas de validación utilizaron tres datasets adicionales. De esta manera entre cerca de 3 millones de pacientes, se detectaron 54 mil casos de fibrosis pulmonar idiopática. Por otra parte, el estudio detalla que la detección temprana también permite aprovechar de mejor manera los recursos en los sistemas de salud. En este sentido, el diagnóstico temprano puede evitar tratamientos dolorosos y permitir una derivación más rápida para el trasplante de pulmón, que actualmente es la única cura para esta enfermedad. Consulta el estudio completo en el siguiente enlace: https://www.nature.com/articles/s41591-022-02010-y BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41591-022-02010-y WEILL CORNELL MEDICINE https://news.weill.cornell.edu/news/2022/09/new-automated-screening-tool-could-mean-earlier-more-effective-treatment-for-idiopathic HEALTH IT ANALYTICS https://healthitanalytics.com/news/ml-based-automated-screening-tool-can-determine-pulmonary-fibrosis-risk

Científicos de la Escuela de Medicina de Harvard (HMS) y de la Universidad de Stanford, desarrollaron una herramienta de diagnóstico basada en Inteligencia Artificial (IA), para la detección de enfermedades analizando imágenes de rayos X del tórax. La Universidad de Harvard, detalla que esta solución supera un obstáculo en el diseño de IA clínica, ya que puede detectar enfermedades en radiografías de tórax, a partir de descripciones en lenguaje natural contenidas en informes clínicos. La mayor parte de los modelos de IA necesitan una gran cantidad de anotaciones clínica realizadas por especialistas, estos datos deben ser etiquetados y posteriormente introducidas al modelo de IA para su entrenamiento. El reporte de estos avances fue publicado en Nature Biomedical Engineering. El artículo detalla que ro, como fue denominado el modelo, desempeñó sus tareas a la par de los radiólogos humanos en la capacidad para la detección de patologías en radiografías de tórax. El proceso más común para el entrenamiento de modelos de IA es el etiquetado de conjuntos de datos. De esta forma el modelo aprende a identificar patologías específicas. Sin embargo, este proceso requiere una cantidad masiva de anotaciones médicas, lo cual además de requerir mucho tiempo es costoso. Es decir, para etiquetar conjuntos de radiografías de tórax, los radiólogos deben observar miles de imágenes y realizar anotaciones manualmente sobre cada una.  En cambio, este modelo es auto supervisado y aprende de manera independiente sin la necesidad de contar con datos etiquetados a mano. El modelo analiza por sí mismo las anotaciones que se encuentran en informes de radiografías. No obstante, una de sus limitantes es que solo identifica notas escritas en inglés. “Estamos viviendo los primeros días de los modelos médicos de IA de próxima generación que pueden realizar tareas flexibles aprendiendo directamente del texto”, dijo el investigador principal del estudio, Pranav Rajpurkar, profesor asistente de informática biomédica en el Instituto Blavatnik en HMS. CheXZero, facilita la alimentación del modelo y el aprendizaje, ya que puede aprender conceptos en textos no estructurados y relacionarlo con patrones visuales en las imágenes médicas. El entrenamiento del modelo fue realizado con más de 377 mil radiografías de tórax y más de 227 mil notas clínicas adjuntas. Posteriormente para evaluar y probar su desempeño fue aplicado en dos conjuntos de datos separados. La prueba identificó éxito en el diagnóstico de patologías que no fueron anotadas por los médicos, lo que supera a otras herramientas de IA auto supervisadas. Por último, los científicos detallaron que el modelo puede aplicarse a otras modalidades de imágenes médicas como tomografías computarizadas, ecocardiogramas o resonancias magnéticas. Otro aspecto importante de esta investigación es que los autores han hecho público el modelo utilizado: https://github.com/rajpurkarlab/CheXzero. Asimismo, puedes consultar el estudio completo en el siguiente enlace: https://www.nature.com/articles/s41551-022-00936-9   BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41551-022-00936-9   HARVARD https://hms.harvard.edu/news/no-labels-no-problem

La aplicación de un modelo desarrollado por Google para la detección de tuberculosis con la misma precisión que radiólogos fue explorada en un estudio publicado por la Radiological Society of North America (RSNA). En el estudio, el aprendizaje profundo o deep learning, fue utilizado para la detección de tuberculosis pulmonar activa en radiografías de tórax, el cual coincidió con el rendimiento clínico de los radiólogos. Para ello el modelo fue entrenado utilizando radiografías de tórax de 1996 a 2020 de 10 países. De esta forma el modelo de deep learning fue evaluado de manera con junta a través de pruebas en cuatro países, China, India, Estados Unidos y Zambia. La Organización Mundial de la Salud, recomienda las radiografías de tórax para facilitar la detección de tuberculosis, no obstante, la interpretación de este tipo de radiografías continúa siendo muy limitada en diversas regiones del mundo. Por ello la importancia del estudio, ya que según la OMS la tuberculosis afecta a 10 millones de personas cada año, y 1.5 millones de personas mueren por razones relacionadas a tuberculosis anualmente, a pesar de que es prevenible y sobre todo curable. El objetivo del estudio fue lograr objetivos de sensibilidad del 90% o de especificidad del 70%, para cumplir con los lineamientos que exige la OMS para estos modelos. Luego de diversas pruebas, el modelo logró medir resultados a la par con los 14 radiólogos participantes, logrando una sensibilidad de 88% comparada con el 75 de los radiólogos, y una especificidad de 70% por 84 de los radiólogos. Asimismo, el modelo fue probado con una población minera de Sudáfrica, debido a que esta población tiene alta prevalencia de anomalías pulmonares y enfermedad obstructiva crónica. De igual forma el modelo se mantuvo comparable al trabajo de los radiólogos. “Nuestro estudio tiene limitaciones. Primero, este estudio fue retrospectivo; se están planificando estudios de validación prospectivos para comprender mejor los desafíos de la integración en los flujos de trabajo del mundo real. Como todos nuestros conjuntos de datos tenían una prevalencia relativamente alta, necesitaremos evaluar su desempeño en poblaciones con una prevalencia más baja”, explican los autores. Asimismo, el estudio detalla que el rendimiento del modelo no se ve afectado por los cambios de prevalencia, los cambios de prevalencia se asocian a la gravedad de la enfermedad, lo que puede afectar la sensibilidad o especificidad del modelo. Finalmente, el análisis de costos es una simulación que hace suposiciones simplificadas, como que el rendimiento de DLS no se ve afectado por los cambios de prevalencia. En la práctica, los cambios de prevalencia pueden estar asociados con la gravedad de la enfermedad, lo que puede afectar la sensibilidad o la especificidad de la DLS. Consulta los detalles del estudio en el siguiente enlace: https://pubs.rsna.org/doi/10.1148/radiol.212213 BIBLIOGRAFÍA RSNA https://pubs.rsna.org/doi/10.1148/radiol.212213 HEALTH IT ANALYTICS https://healthitanalytics.com/news/google-deep-learning-model-detects-tuberculosis-on-par-with-radiologists

Investigadores del MIT desarrollaron un dispositivo con la apariencia de un router de WiFi, que utiliza Inteligencia Artificial (IA), parala detección de Parkinson a través de patrones de respiración durante el sueño. Un estudio publicado en Nature Medicine, titulado “Detección y evaluación de la enfermedad de Parkinson mediante inteligencia artificial utilizando señales de respiración nocturna”, mostró el desarrollo de un modelo de IA que permite detectar la enfermedad de Parkinson y rastrear su progresión por medio de patrones de respiración nocturna. Los investigadores explicaron que no existen biomarcadores efectivos para diagnosticar Parkinson o rastrear su progresión. Por ello desarrollaron un modelo de IA que pudiera realizar estas tareas a partir de señales de respiración nocturna registradas por medio de un dispositivo. El modelo fue evaluado en un conjunto de datos de 7,671 personas de varios hospitales de Estados Unidos y otros conjuntos de datos públicos. La herramienta se trata de una red neuronal de algoritmos conectados que imitan el funcionamiento de un cerebro humano, Esta red es capaz de medir la gravedad de la enfermedad y hacer evaluaciones de la progresión de la enfermedad a lo largo del tiempo. Los investigadores médicos han intentado durante años potenciales herramientas para la detección y diagnóstico de Parkinson, por ejemplo, utilizando líquido cefalorraquídeo y neuroimágenes. No obstante, la mayoría de estos métodos además de ser costosos e invasivos, requieren el acceso de pacientes a centros médicos especializados. A través de un dispositivo con apariencia de un router de WiFi doméstico e IA, fue posible monitorear los patrones de respiración de pacientes mientras duermen. El dispositivo emite señales de radio y extrae los patrones de respiración del sujeto sin necesidad de ninguna intervención física. Posteriormente, la señal de la respiración es enviada a la red neuronal para evaluar pasivamente el Parkinson. “Algunos estudios médicos han demostrado que los síntomas respiratorios se manifiestan años antes que los síntomas motores, lo que significa que los atributos respiratorios podrían ser prometedores para la evaluación de riesgos antes del diagnóstico de Parkinson”, explicó, Dina Katabi del Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) del MIT. Katabi agrega que el estudio también tiene implicaciones relevantes para el desarrollo de fármacos contra la enfermedad y para la atención clínica. “En términos de desarrollo de fármacos, los resultados pueden permitir ensayos clínicos con una duración significativamente más corta y menos participantes, lo que en última instancia acelerará el desarrollo de nuevas terapias”, explica. En cuanto a la atención clínica, este modelo puede ayudar a la evaluación de pacientes en comunidades desatendidas y con menores recursos para acceder a hospitales especializados. Consulta el estudio completo en el siguiente enlace: https://www.nature.com/articles/s41591-022-01932-x BIBLIOGRAFÍA MIT https://news.mit.edu/2022/artificial-intelligence-can-detect-parkinsons-from-breathing-patterns-0822 NATURE https://www.nature.com/articles/s41591-022-01932-x

A nivel mundial la prevalencia de diabetes en adultos es 9,3%, y afecta a más de 436 millones de personas. Las estimaciones actuales de la prevalencia de diabetes a nivel global no son del todo precisas, ya que existen millones de pacientes sin un diagnóstico de diabetes. Además, la diabetes esta precedida por la prediabetes, por lo que existen también millones de personas que son propensas a desarrollar diabetes, pero también a prevenir la diabetes de manera eficaz. En este sentido al igual que en otras enfermedades crónicas, es importante desarrollar estrategias y herramientas de salud pública para la detección temprana de prediabetes y diabetes. La detección de diabetes y prediabetes se basa principalmente en la medición de glucosa en sangre y las concentraciones de hemoglobina (HbA1c). Ambas pruebas suelen ser invasivas y difíciles de implementar en entornos de bajos recursos, lo que dificulta la detección de estas afecciones. En este sentido, con el fin de desarrollar una estrategia sencilla de implementar, para el diagnóstico temprano de estas condiciones, investigadores en India presentaron un modelo de aprendizaje automático, combinado con las características no invasivas del electrocardiograma (ECG). El estudio publicado en BMJ Innovations, utilizó datos del otro estudio sobre diabetes realizado en familias de Pagpur, India, población perteneciente a la etnia sindhi, el cual utilizó la prueba de tolerancia oral a la glucosa y la estimación de HbA1c, ambas invasivas. El conjunto de datos incluyó información clínica de 1,262 personas y 10,461 latidos cardíacos alineados en el tiempo registrados digitalmente. “Se realizó un sobremuestreo minoritario para equilibrar el conjunto de datos de entrenamiento antes del inicio del entrenamiento. Se usó el refuerzo de gradiente extremo (XGBoost) para entrenar el clasificador que usó el ECG procesado por señal como entrada y predijo la pertenencia a las clases de “sin diabetes”, prediabetes o diabetes tipo 2”, explica el estudio. La prevalencia de diabetes tipo 2 y prediabetes fue de 30% y 14%, respectivamente. Asimismo, el conjunto de prueba independiente, utilizó el algoritmo DiaBeats, que predijo las clases de diabetes. Según la morfología de los latidos, el aprendizaje automático detectó diabetes y prediabetes con una precisión del 97%, una recuperación del 96% y una puntuación F1 del 96%. “El algoritmo DiaBeats basado en aprendizaje automático que utiliza datos de señales de ECG predijo con precisión las clases relacionadas con la diabetes. Este algoritmo puede ayudar en la detección temprana de diabetes y prediabetes después de una validación sólida en conjuntos de datos externos”, concluyen los autores. Los investigadores explicaron que DiaBeats puede utilizarse para estratificar a las personas según su riesgo de diabetes y prediabetes, además es ideal para replicarse en entornos de bajos recursos. Consulta el estudio completo haciendo clic en el siguiente enlace: https://innovations.bmj.com/content/early/2022/07/06/bmjinnov-2021-000759 BIBLIOGRAFÍA BMJ INNOVATIONS https://innovations.bmj.com/content/early/2022/07/06/bmjinnov-2021-000759 HEALTH IT ANALYTICS https://healthitanalytics.com/news/ai-tool-predicts-pre-diabetes-diabetes-in-high-risk-patients

Un estudio reciente publicado en Gastroenterology mostró que modelos de aprendizaje automático basados en radiómica podrían detectar tempranamente cáncer de páncreas en escaneos de tomografía computarizada. El propósito del estudio fue la detección de adenocarcinoma ductal pancreático en la etapa previa al diagnóstico, es decir de 3 a 36 meses previos al diagnóstico clínico. Para ello los autores se apoyaron en modelos de aprendizaje automático basados en radiómica para comprar el rendimiento de los radiólogos en estudios de caso. El radiólogo Ajit Goenka de Mayo Clinic, autor principal del estudio reconoció que el cáncer de páncreas es una enfermedad mortal, y una de las principales causas de muertes relacionadas con cáncer. “Es posible que hasta el 40% de los cánceres de páncreas pequeños no aparezcan en las imágenes estándar. Como resultado, la mayoría de los pacientes presentan una enfermedad avanzada y no curable”, detalló el especialista. Para ello el Dr. Goenka y su equipo de investigadores incorporaron Inteligencia Artificial (IA), para realizar exámenes radiológicos capaces de detectar cáncer de páncreas en un estado más temprano y curable. El investigador explica que la IA puede detectar el cáncer en páncreas de apariencia normal en tomografías computarizadas tomadas antes los primeros síntomas de cáncer. El estudio extrajo imágenes de cáncer temprano de tomografías realizadas entre tres meses y tres años antes de la aparición del hacer, realizadas por indicaciones no relacionadas a esta enfermedad. Posteriormente utilizaron un grupo de control de pacientes de la misma edad que no desarrollaron cáncer durante los tres años de seguimiento. En este sentido cuantificaron computacionalmente las métricas del tejido pancreático.    Con base en estos datos los investigadores construyeron modelos de aprendizaje automático para predecir el riesgo futuro de cáncer de páncreas en un tiempo medio de 386 días en rango de 97 a 1092 días antes del diagnóstico clínico con precisiones de entre 94 a 98%. “En comparación, los radiólogos no pudieron diferenciar de manera confiable entre los pacientes que desarrollaron cáncer y los que tenían un páncreas normal”, explicó Sovan Mukherjee, analista de ciencia de datos en el equipo del Dr. Goenka y otro de los autores del estudio. El modelo fue probado con variaciones en el ruido de la imagen, diferentes modelos de escáner, protocolos de adquisición de imágenes y parámetros de procesamiento, que no afectaron de ninguna manera las predicciones. “Nuestro estudio demuestra que la inteligencia artificial puede identificar a aquellas personas asintomáticas que pueden albergar un cáncer oculto en una etapa en la que la cura quirúrgica puede ser posible. Estos hallazgos pueden ayudar a superar una de las barreras clave para mejorar la supervivencia de los pacientes con cáncer de páncreas”, concluyó el Dr. Goenka. Consulta el estudio completo en el encalce a continuación:  https://www.sciencedirect.com/science/article/abs/pii/S0016508522007284?via%3Dihub BIBLIOGRAFÍA SCIENCE DIRECT https://www.sciencedirect.com/science/article/abs/pii/S0016508522007284?via%3Dihub MAYO CLINIC https://newsnetwork.mayoclinic.org/discussion/ai-applied-to-prediagnostic-cts-may-help-diagnose-pancreatic-cancer-at-earlier-more-treatable-stage/