Modelo de IA diagnostica enfermedad de la médula espinal hasta 30 meses antes

La mielopatía cervical espondilótica (MCE) es la principal causa de disfunción medular en adultos mayores y se produce cuando la artritis cervical comprime la médula espinal. Esta afección es crónica y progresiva, y suele causar dolor de cuello, debilidad muscular, dificultad para caminar y otros síntomas incapacitantes. El diagnóstico puede tardar años porque los primeros signos suelen pasarse por alto, y para cuando se detecta, las opciones de tratamiento pueden ser limitadas.

Ahora, investigadores han desarrollado un método basado en inteligencia artificial (IA) capaz de identificar a personas con riesgo de MCE hasta 30 meses antes del diagnóstico clínico, lo que podría permitir una intervención más temprana y mejores resultados.

Un equipo multidisciplinario de cirujanos científicos y especialistas en informática de la Universidad de Washington en San Luis (WashU, San Luis, Misuri, EUA) creó y evaluó siete modelos distintos de IA para analizar datos de historias clínicas electrónicas de más de dos millones de personas con y sin MCE. Los modelos examinaron patrones de interacción con el sistema de salud, incluidas pruebas diagnósticas y afecciones registradas, para identificar a pacientes cuyos antecedentes médicos se asemejaban a los de quienes ya habían sido diagnosticados con MCE.

Tanto los modelos básicos de gran tamaño, preentrenados con amplios conjuntos de datos clínicos, como los modelos más pequeños, con información clínica y centrados en variables relevantes, se entrenaron y probaron para predecir el riesgo mucho antes del diagnóstico formal.

Los modelos se entrenaron utilizando un amplio conjunto de datos externos y uno más pequeño de un sistema de salud con sede en St. Louis para evaluar la precisión de las predicciones en diferentes horizontes temporales. Los modelos fundacionales mostraron el mejor desempeño durante la validación interna en un conjunto de datos grande y heterogéneo, mientras que el modelo más pequeño, derivado clínicamente, demostró mayor capacidad de generalización y resultados más consistentes en sistemas externos. Dos modelos de escala intermedia presentaron un rendimiento inferior en los distintos puntos temporales evaluados.

Los hallazgos, publicados en npj Digital Medicine, muestran que el riesgo de MCE puede predecirse hasta 30 meses antes del diagnóstico clínico, y que modelos más simples que incorporan conocimiento clínico pueden lograr un desempeño comparable o incluso superior.

La identificación más temprana del riesgo de MCE podría permitir a los médicos intervenir en una etapa en la que el tratamiento aún pueda prevenir un mayor deterioro neurológico. Al analizar las historias clínicas electrónicas en busca de patrones de alerta sutiles, el sistema de IA podría señalar a pacientes que, de otro modo, permanecerían sin diagnosticar hasta fases avanzadas

Los investigadores sugieren que la combinación del aprendizaje profundo con el conocimiento clínico establecido puede mejorar las aplicaciones de la IA en la atención sanitaria. Los próximos trabajos se centrarán en perfeccionar los modelos y evaluar su integración en flujos de trabajo clínicos del mundo real.

“Logramos un rendimiento al menos comparable, si no superior, con un modelo mucho más simple, centrándonos en el conocimiento clínico existente y, al mismo tiempo, utilizando un modelo de aprendizaje profundo”, afirmó el profesor adjunto Jacob Greenberg, MD, coautor principal del estudio.

“La IA ofrece claramente oportunidades emergentes en medicina, pero a menudo nos centramos solo en las áreas donde las soluciones basadas exclusivamente en datos destacan. El conocimiento clínico aún tiene un papel importante, lo cual será cierto para muchas aplicaciones en el ámbito sanitario”.

Enlaces relacionados:
WashU