Investigación de IA nueva ayuda a predecir las necesidades de recursos para la COVID-19 a partir de una serie de rayos X

Por el equipo editorial de HospiMedica en español
Actualizado el 19 Jan 2021
Los científicos han desarrollado modelos de aprendizaje automático (AA) que podrían ayudar a los médicos a predecir cómo se puede desarrollar la afección de un paciente con COVID-19, a fin de ayudar a los hospitales a garantizar que tengan recursos suficientes para atender a los pacientes.

Facebook AI (Menlo Park, CA, EUA), en colaboración con la Unidad de Análisis Predictivo y el Departamento de Radiología de Langone Health de NYU (Brooklyn, NY, EUA), desarrolló tres modelos de AA que pueden ayudar a los hospitales a saber si es probable que los pacientes con COVID-19 necesiten tratamiento intensificado y puedan planificar en consecuencia. El primer modelo de AA puede predecir el deterioro del paciente en función de una sola radiografía y el segundo modelo puede predecir el deterioro del paciente en función de una secuencia de rayos X, mientras que el tercer modelo puede predecir cuánto oxígeno suplementario (si lo hubiera) podrían necesitar los pacientes con base en una sola radiografía. Su modelo, que utiliza radiografías secuenciales de tórax, puede predecir con, hasta cuatro días (96 horas) de anticipación, si un paciente puede necesitar más soluciones de cuidados intensivos, generalmente superando las predicciones de expertos humanos. Estas predicciones podrían ayudar a los médicos a evitar enviar a los pacientes en riesgo a casa demasiado pronto y ayudar a los hospitales a predecir mejor la demanda de oxígeno suplementario y otros recursos limitados.

Ilustración

Los métodos anteriores a este problema se habían basado en la capacitación supervisada y utilizaron imágenes de un solo periodo de tiempo. Si bien se han logrado avances con los métodos de capacitación supervisados, el etiquetado de datos requiere mucho tiempo y, por lo tanto, es limitante. En cambio, los investigadores optaron por entrenar previamente su sistema de AA en dos grandes conjuntos de datos públicos de rayos X de tórax, MIMIC-CXR-JPG y CheXpert, utilizando una técnica de aprendizaje autosupervisada llamada Momentum Contrast (MoCo). Esto les permitió utilizar grandes cantidades de datos de rayos X de tórax no COVID, para entrenar una red neuronal que pudiera extraer información de las imágenes de rayos X de tórax. Luego, el equipo afinó el modelo de MoCo usando una versión extendida del conjunto de datos NYU COVID-19.

MoCo se basa en el aprendizaje no supervisado utilizando una función de pérdida de contraste, mapeando imágenes a un espacio latente en el que imágenes similares se mapean a vectores que están muy juntos e imágenes diferentes a vectores que están más separados. Estos vectores se pueden utilizar como representaciones de características, lo que permite entrenar clasificadores utilizando una pequeña cantidad de ejemplos etiquetados. Investigaciones recientes muestran que el aprendizaje autosupervisado, usando funciones de pérdida contrastiva, es efectivo en una variedad de tareas de clasificación. Después de entrenar previamente el modelo MoCo en MIMIC-CXR-JPG y CheXpert, los investigadores utilizaron el modelo previamente entrenado para construir clasificadores que pudieran predecir si es probable que se deteriore la condición de un paciente con COVID-19. El equipo utilizó el conjunto de datos de rayos X de tórax de NYU COVID para realizar un ajuste fino, ya que contenía 26.838 imágenes de rayos X tomadas de 4.914 pacientes. Este conjunto de datos más pequeño se etiquetó según si la condición del paciente empeoró dentro de las 24, 48, 72 o 96 horas posteriores al examen en cuestión.

Los investigadores construyeron dos tipos de clasificadores para predecir el deterioro de los pacientes. El primer modelo predice el deterioro de los pacientes basándose en una sola radiografía de forma similar a un estudio anterior. El segundo modelo predice el deterioro de los pacientes con base en una secuencia de rayos X, agregando las características de la imagen a través de un modelo Transformer. El uso del aprendizaje autosupervisado sin tener que depender de conjuntos de datos etiquetados es crucial, ya que pocos grupos de investigación tienen suficientes radiografías de tórax de COVID para entrenar los modelos de IA. La construcción de modelos de IA que pueden usar una secuencia de rayos X con fines de predicción es particularmente valiosa porque este método refleja cómo trabajan los radiólogos humanos, ya que el uso de una secuencia de rayos X es más exacto para las predicciones a largo plazo. Es importante destacar que este método también explica la evolución de las infecciones por COVID a lo largo del tiempo.

Basado en estudios de lectores, realizados por investigadores de Facebook IA con radiólogos en NYU Langone, sus modelos, que utilizaron secuencias de imágenes de rayos X, superaron a los expertos humanos en la predicción de necesidades de UCI y predicciones de mortalidad, y predicciones generales de eventos adversos a largo plazo (hasta 96 horas). Ser capaces de predecir si un paciente necesitará recursos de oxígeno también sería una novedad y podría ayudar a los hospitales a decidir cómo asignar los recursos en las próximas semanas y meses. Con el aumento de casos de COVID-19 en todo el mundo, los hospitales necesitan herramientas para predecir y prepararse para los aumentos repentinos mientras planifican la asignación de recursos. Estos modelos podrían ayudar en la lucha contra la COVID-19.

“Hemos podido demostrar que, con el uso de este algoritmo de IA, las radiografías seriadas de tórax pueden predecir la necesidad de escalar la atención en los pacientes con COVID-19”, dijo William Moore, MD, profesor de Radiología en NYU Langone Health. “Dado que la COVID-19 se mantiene como un problema importante de salud pública, la capacidad de predecir la necesidad de elevar la atención de un paciente, por ejemplo, la admisión en las UCI será esencial para los hospitales”.

Enlace relacionado:
Facebook AI
Langone Health de NYU


Últimas COVID-19 noticias