Algoritmo avanzado predice el resultado de pacientes con lesión cerebral grave

Reeditado por Platón

seguidores: 0

Un equipo de investigadores con sede en EE. UU. ha creado un modelo innovador de aprendizaje profundo que analiza las tomografías computarizadas y la información clínica para predecir los resultados a los seis meses de los pacientes con lesión cerebral traumática (TBI) grave. Además de superar las predicciones de los neurocirujanos, el algoritmo también puede guiar con precisión a los pacientes con TBI hacia una atención que les salve la vida.

Mejores decisiones clínicas

Como parte de la investigación, los científicos de datos del Escuela de Medicina de la Universidad de Pittsburgh trabajó con cirujanos de neurotrauma en el Centro Médico de la Universidad de Pittsburgh (UPMC) para crear un nuevo modelo de inteligencia artificial que procese múltiples tomografías computarizadas de la cabeza de pacientes con TBI grave. El algoritmo, descrito en Radiología, también analiza los signos vitales, los análisis de sangre y la función cardíaca de los pacientes, así como estimaciones de la gravedad del coma.

googletag.cmd.push (function () {googletag.display ('div-gpt-ad-3759129-1');});

En reconocimiento del hecho de que las técnicas de imágenes cerebrales evolucionan con el tiempo y que la calidad de la imagen puede variar sustancialmente de un paciente a otro, el equipo tuvo en cuenta la irregularidad de los datos entrenando el algoritmo en una variedad de protocolos de imágenes diferentes.

Los investigadores, dirigidos por los primeros autores matthew guisante y Dooman Aréfan, validó su modelo probándolo en dos cohortes de pacientes, una compuesta por más de 500 pacientes con TBI grave tratados anteriormente en UPMC y la otra por 220 pacientes de 18 instituciones de todo el país, a través del consorcio TRACK-TBI. Compararon el rendimiento del modelo con el del IMPACTO modelo y las predicciones de tres neurocirujanos.

El modelo desarrollado podía predecir con precisión el riesgo de muerte y los resultados desfavorables de los pacientes seis meses después del incidente traumático. Es importante destacar que el modelo mantuvo su capacidad cuando se probó en una cohorte multiinstitucional independiente del consorcio TRACK-TBI. También se demostró que el modelo supera las predicciones hechas por tres neurocirujanos asistentes.

Como coautores principales Shandong Wu y David Okonkwo explique, TBI es una enfermedad que interrumpe la función cerebral normal y puede conducir a una discapacidad neurológica, emocional y ocupacional permanente. Al tratar tales lesiones, los médicos confían en el pronóstico para guiar la terapia clínica, pero luchan por pronosticar con precisión los resultados en TBI grave. Como tal, señala Wu, existe una "gran necesidad y potencial para aprovechar la información clínica multimodal y el aprendizaje automático para desarrollar modelos de predicción basados en datos para mejorar la predicción de resultados para pacientes con TBI grave".

“Usamos técnicas de aprendizaje profundo y aprendizaje curricular para desarrollar modelos de predicción que procesan tanto datos de imágenes de TC de la cabeza como otras variables clínicas de los pacientes”, dice Wu. “En la práctica, este modelo puede proporcionar una predicción automatizada del potencial de recuperación de un paciente individual para informar mejor las decisiones clínicas y la atención del paciente”.

Predicciones individualizadas

Wu observa que, en los últimos años, el aprendizaje automático y el aprendizaje profundo han transformado el análisis de datos médicos y han mejorado el rendimiento para respaldar el diagnóstico de detección asistido por computadora y la clasificación de enfermedades médicas. De hecho, muchos modelos y herramientas basados en el aprendizaje automático se encuentran ahora bajo investigación académica y evaluación clínica.

En opinión de Wu, la ventaja clave del nuevo modelo es que es capaz de analizar datos multidimensionales y multimodales, como imágenes y datos clínicos que no son de imágenes, de manera automatizada. Esto significa que el aprendizaje automático puede aprender información esencial de estos datos complejos, que pueden ser difíciles de digerir y procesar para un médico humano.

La IA predice el resultado del coma a partir del trazado del EEG

“Nuestro método también puede proporcionar predicciones individualizadas en comparación con los modelos existentes, como el modelo IMPACT, que fue diseñado para guiar los ensayos clínicos y no para pronosticar pacientes individuales”, dice.

En la actualidad, el modelo se basa en los datos adquiridos al ingreso de un paciente en la sala de emergencias, pero el equipo del proyecto planea mejorarlo aún más mediante la incorporación de datos longitudinales adquiridos durante el curso de la atención del paciente con TBI.

“También planeamos explorar la evaluación e identificar posibles barreras con respecto a la implementación de dichos modelos en entornos y flujos de trabajo clínicos”, agrega Wu.

AI in Medical Physics Week cuenta con el apoyo de Sol nuclear, un fabricante de soluciones de seguridad del paciente para radioterapia y centros de diagnóstico por imágenes. Visitar www.sunnuclear.com para obtener más información.