IA puede rastrear la efectividad de los tratamientos contra la esclerosis múltiple

Salud y medicina

Investigadores del UCL han desarrollado una nueva herramienta de inteligencia artificial (IA) que puede ayudar a interpretar y evaluar qué tan bien funcionan los tratamientos para pacientes con esclerosis múltiple (EM). La IA utiliza modelos matemáticos para entrenar computadoras mediante el uso de cantidades masivas de datos para aprender y resolver problemas de maneras que pueden parecer humanas, incluyendo cómo realizar tareas complejas como el reconocimiento de imágenes.

La herramienta, llamada MindGlide, puede extraer información clave de imágenes cerebrales (resonancias magnéticas) adquiridas durante la atención de pacientes con EM, como medir áreas dañadas del cerebro y resaltar cambios sutiles como la contracción y las placas cerebrales. La esclerosis múltiple (EM) es una enfermedad en la que el sistema inmunitario ataca el cerebro y la médula espinal. Esto causa problemas en la forma en que una persona se mueve, siente o piensa. En el Reino Unido, 130.000 personas viven con EM, lo que le cuesta al NHS más de 2.900 millones de libras al año.

Los marcadores de resonancia magnética (RM) son cruciales para estudiar y evaluar tratamientos para la EM. Sin embargo, la medición de estos marcadores requiere diferentes tipos de resonancias magnéticas especializadas, lo que limita la eficacia de muchas exploraciones hospitalarias de rutina.

Como parte de un nuevo estudio, publicado en Nature Communications, los investigadores probaron la eficacia de MindGlide en más de 14.000 imágenes de más de 1.000 pacientes con EM. Anteriormente, esta tarea requería que neurorradiólogos expertos interpretaran manualmente años de exploraciones complejas, y el tiempo de respuesta para generar el informe de estas imágenes suele ser de semanas debido a la carga de trabajo del NHS.

Sin embargo, por primera vez, MindGlide logró usar IA con éxito para detectar cómo los diferentes tratamientos afectaban la progresión de la enfermedad en ensayos clínicos y atención médica rutinaria, utilizando imágenes que antes no se podían analizar e imágenes de resonancia magnética rutinarias. El proceso tomó solo de cinco a diez segundos por imagen.

MindGlide también tuvo un mejor desempeño que otras dos herramientas de IA: SAMSEG (una herramienta utilizada para identificar y delinear diferentes partes del cerebro en exploraciones de resonancia magnética) y WMH-SynthSeg (una herramienta que detecta y mide puntos brillantes vistos en ciertas exploraciones de resonancia magnética, que pueden ser importantes para diagnosticar y monitorear afecciones como la EM), en comparación con el análisis clínico de expertos.

MindGlide fue un 60% mejor que SAMSEG y un 20% mejor que WMH-SynthSeg para localizar anomalías cerebrales conocidas como placas (o lesiones) o para monitorear el efecto del tratamiento. El primer autor, el Dr. Philipp Goebl del Instituto de Neurología Queen Square del UCL y el Instituto Hawkes del UCL, afirmó: «El uso de MindGlide nos permitirá utilizar imágenes cerebrales existentes en los archivos hospitalarios para comprender mejor la esclerosis múltiple y cómo el tratamiento afecta al cerebro».

Esperamos que la herramienta libere información valiosa de millones de imágenes cerebrales sin explotar, que antes eran difíciles o imposibles de comprender. Esto generará de inmediato información valiosa sobre la esclerosis múltiple para los investigadores y, en un futuro próximo, permitirá comprender mejor la condición del paciente mediante IA en la práctica clínica. Esperamos que esto sea posible en los próximos cinco a diez años.

Los resultados del estudio muestran que es posible utilizar MindGlide para identificar y medir con precisión tejidos y lesiones cerebrales importantes incluso con datos de resonancia magnética limitados y tipos únicos de exploraciones que normalmente no se utilizan para este propósito, como la resonancia magnética ponderada en T2 sin FLAIR (un tipo de exploración que resalta los fluidos en el cuerpo pero aún contiene señales brillantes, lo que hace que sea más difícil ver las placas). Además de funcionar mejor a la hora de detectar cambios en la capa externa del cerebro, MindGlide también funcionó bien en áreas más profundas del cerebro.

Los resultados fueron válidos y confiables tanto en un momento dado como durante períodos más largos (es decir, en exploraciones anuales a las que asistían los pacientes). Además, MindGlide pudo corroborar investigaciones previas de alta calidad sobre qué tratamientos eran más efectivos.

Los investigadores ahora esperan que MindGlide pueda usarse para evaluar tratamientos de EM en entornos del mundo real, superando las limitaciones anteriores de confiar únicamente en datos de ensayos clínicos de alta calidad, que a menudo no capturaban la diversidad total de personas con EM.

El Dr. Arman Eshaghi (Instituto de Neurología Queen Square de la UCL y Instituto Hawkes de la UCL), investigador principal del proyecto y líder del grupo MS-PINPOINT, afirmó: «Anteriormente, no analizábamos la mayor parte de las imágenes cerebrales clínicas debido a su menor calidad. La IA liberará el potencial sin explotar de la valiosa información hospitalaria para proporcionar información sin precedentes sobre la progresión de la EM y cómo funcionan los tratamientos y afectan al cerebro».

Limitaciones del estudio

La implementación actual de MindGlide se limita a exploraciones cerebrales y no incluye imágenes de la médula espinal, que son importantes para evaluar la discapacidad en personas con EM. Las investigaciones futuras deberán desarrollar una evaluación más completa de todo el sistema neuronal para abarcar tanto el cerebro como la médula espinal.

Desarrollando MindGlide

MindGlide es un modelo de aprendizaje profundo (IA), desarrollado por investigadores del UCL, para evaluar imágenes de resonancia magnética cerebral e identificar daños y cambios causados ​​por la EM. Para desarrollar MindGlide, los científicos utilizaron un conjunto de datos inicial de 4247 resonancias magnéticas cerebrales de 2934 pacientes con EM, distribuidos en 592 escáneres.

Durante este proceso, MindGlide se entrena para identificar marcadores de la enfermedad. Este nuevo estudio se llevó a cabo para validar MindGlide, comparándolo con tres bases de datos independientes de 14.952 imágenes de 1001 pacientes.

Fuente: Medical Xpress.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *