Riesgo de mortalidad puede ser predicho con una sola radiografía de tórax
Por el equipo editorial de HospiMedica en español Actualizado el 14 Aug 2019 |
Un estudio nuevo sugiere que una red neuronal convolucional (CNN, por sus siglas en inglés) puede estratificar el riesgo de mortalidad por cualquier causa basándose en una sola radiografía de tórax.
Desarrollado en el Hospital General de Massachusetts (MGH; Boston, EUA), la facultad de medicina de Harvard (HMS; Boston, MA, EUA) y otras instituciones, el algoritmo CNN, denominado riesgo CXR, utiliza datos de los hallazgos de diagnóstico de los radiólogos (como la presencia de un nódulo pulmonar) en una radiografía de tórax, y lo combina con otros factores de riesgo, como la edad, el sexo y las comorbilidades para predecir la mortalidad a largo plazo, incluida la muerte por una razón diferente al cáncer. Se genera un puntaje de riesgo de CXR de aprendizaje profundo (muy bajo, bajo, moderado, alto y muy alto) en base al análisis de CNN de una radiografía enviada.
Para desarrollar la CNN, los investigadores utilizaron 41.856 radiografías del brazo de radiografía de detección del ensayo de detección de cáncer de próstata, pulmón, colorrectal y ovario (PLCO), una cohorte comunitaria de no fumadores y fumadores asintomáticos inscritos en 10 sitios de los Estados Unidos desde el 8 de noviembre de 1993 hasta el 2 de julio de 2001. Los resultados de la CNN se probaron en otros 10.464 casos del brazo de radiografía de detección del Ensayo de Cribado Nacional del Pulmón (NLST, por sus siglas en inglés), una cohorte comunitaria de fumadores intensos inscritos en 21 sitios de los Estados Unidos desde agosto de 2002 hasta abril de 2004.
Los resultados revelaron una asociación gradual entre la puntuación de riesgo de CXR y la mortalidad. El grupo de muy alto riesgo tuvo una mortalidad por todas las causas del 53% (PLCO) y 33,9% (NLST), en comparación con el grupo de muy bajo riesgo. La asociación fue sólida para el ajuste de los hallazgos de los radiólogos y los factores de riesgo. Se observaron resultados comparables para muerte por cáncer de pulmón, muerte cardiovascular no cancerosa y muerte respiratoria. El estudio fue publicado el 19 de julio de 2019 en la revista JAMA Network Open.
“Recibimos radiografías de tórax para hacer un diagnóstico como neumonía, pero nuestro estudio muestra que también hay información de pronóstico gratuita sobre la salud y la longevidad en las imágenes. Según la imagen de la radiografía de tórax sola, la IA identificó a las personas con un riesgo de muerte de hasta el 53% durante 12 años”, dijo el autor principal, Michael Lu, MD, MPH, del MGH y HMS. “Los puntajes calculados que usan la IA pueden incentivar a las personas de alto riesgo a reducir sus posibilidades de morir con prevención, detección regular y modificación del estilo de vida”.
El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA, basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de tareas. Involucra algoritmos CNN que usan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción, conversión y transformación de características y cada capa sucesiva usa la salida de la capa anterior como entrada para formar una representación jerárquica.
Enlace relacionado:
Hospital General de Massachusetts
Facultad de Medicina de Harvard
Desarrollado en el Hospital General de Massachusetts (MGH; Boston, EUA), la facultad de medicina de Harvard (HMS; Boston, MA, EUA) y otras instituciones, el algoritmo CNN, denominado riesgo CXR, utiliza datos de los hallazgos de diagnóstico de los radiólogos (como la presencia de un nódulo pulmonar) en una radiografía de tórax, y lo combina con otros factores de riesgo, como la edad, el sexo y las comorbilidades para predecir la mortalidad a largo plazo, incluida la muerte por una razón diferente al cáncer. Se genera un puntaje de riesgo de CXR de aprendizaje profundo (muy bajo, bajo, moderado, alto y muy alto) en base al análisis de CNN de una radiografía enviada.
Para desarrollar la CNN, los investigadores utilizaron 41.856 radiografías del brazo de radiografía de detección del ensayo de detección de cáncer de próstata, pulmón, colorrectal y ovario (PLCO), una cohorte comunitaria de no fumadores y fumadores asintomáticos inscritos en 10 sitios de los Estados Unidos desde el 8 de noviembre de 1993 hasta el 2 de julio de 2001. Los resultados de la CNN se probaron en otros 10.464 casos del brazo de radiografía de detección del Ensayo de Cribado Nacional del Pulmón (NLST, por sus siglas en inglés), una cohorte comunitaria de fumadores intensos inscritos en 21 sitios de los Estados Unidos desde agosto de 2002 hasta abril de 2004.
Los resultados revelaron una asociación gradual entre la puntuación de riesgo de CXR y la mortalidad. El grupo de muy alto riesgo tuvo una mortalidad por todas las causas del 53% (PLCO) y 33,9% (NLST), en comparación con el grupo de muy bajo riesgo. La asociación fue sólida para el ajuste de los hallazgos de los radiólogos y los factores de riesgo. Se observaron resultados comparables para muerte por cáncer de pulmón, muerte cardiovascular no cancerosa y muerte respiratoria. El estudio fue publicado el 19 de julio de 2019 en la revista JAMA Network Open.
“Recibimos radiografías de tórax para hacer un diagnóstico como neumonía, pero nuestro estudio muestra que también hay información de pronóstico gratuita sobre la salud y la longevidad en las imágenes. Según la imagen de la radiografía de tórax sola, la IA identificó a las personas con un riesgo de muerte de hasta el 53% durante 12 años”, dijo el autor principal, Michael Lu, MD, MPH, del MGH y HMS. “Los puntajes calculados que usan la IA pueden incentivar a las personas de alto riesgo a reducir sus posibilidades de morir con prevención, detección regular y modificación del estilo de vida”.
El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA, basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de tareas. Involucra algoritmos CNN que usan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción, conversión y transformación de características y cada capa sucesiva usa la salida de la capa anterior como entrada para formar una representación jerárquica.
Enlace relacionado:
Hospital General de Massachusetts
Facultad de Medicina de Harvard
Últimas TI noticias
- Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca
- Colaboración estratégica para desarrollar e integrar IA generativa en el cuidado de la salud
- Solución de quirófanos habilitada para IA ayuda a hospitales a maximizar la utilización y desbloquear la capacidad
- IA predice cáncer de páncreas tres años antes del diagnóstico a partir de registros médicos de los pacientes
- Primer sistema de autorizaciones médicas personalizadas de IA generativa totalmente autónoma reduce el retraso en la atención
- Según un estudio, registros médicos electrónicos pueden ser clave para mejorar la atención al paciente
- IA entrenada para biomarcadores vocales específicos podría predecir con precisión enfermedad de arterias coronarias
- Inteligencia artificial detecta las fracturas en los rayos X con exactitud
- Lectura capacitada por IA aumenta la exactitud de la mamografía
- Herramienta estadística predice los picos de COVID-19 en todo el mundo
- Sistema inteligente para detectar la fiebre y los contactos ayuda a que los negocios puedan reabrir
- Tecnología nueva permite la identificación a través de una máscara
- Servicio de ciberseguridad protege los dispositivos médicos de ataques
- Inteligencia artificial puede detectar los niveles de glucosa a través del ECG
- Implante neural suave de control inalámbrico estimula las células del cerebro
- Stent pequeño de polímero podría tratar las estenosis uretrales pediátricas