martes 26 septiembre, 2023
suscribete al newsletter

Innovación e Inteligencia Artificial en Medicina

Dr. Carlos Ingino, ENERI, Buenos Aires, Argentina

La inteligencia artificial (IA) ha sido una innovación disruptiva en el mundo de la salud y la medicina. Además del área de la investigación, la IA puede otorgar soluciones algorítmicas en cuestiones clínicas para ayudar al diagnóstico, pronóstico y tratamiento de los pacientes, así como en el reconocimiento por software de patrones visuales en el campo de la radiología y la interpretación de imágenes. 

De acuerdo a un estudio biblio-métrico recientemente publicado por Tran y col, el número de investigaciones en aplicaciones de IA en medicina se ha triplicado en los últimos 3 años, con la enfermedad cardíaca y el stroke como dos de los tres tópicos de mayor interés. El potencial de la IA para ayudar en la toma de decisiones clínicas y el manejo del stroke y enfermedades cardíacas es múltiple y está en constante expansión (Figura 1). El desarrollo de la investigación y las publicaciones de las mismas ha tenido especial crecimiento en USA (44.1% de las publicaciones mundiales y el resto dividido en más de 15 países).1 

Figura 1. Cambios en las aplicaciones de la investigación de la IA en stroke y enfermedad cardíaca durante 1991-2018.1

A modo de ejemplo, podrían mencionarse algunas aplicaciones de “machine learning” (aprendizaje automático) vinculadas a nuestra área de máxima innovación, como son:
a) predictores de placas coronarias de alto riesgo o ausencia de coronariopatía mediante bio-marcadores en paciente con sospecha de coronariopatía;2
b) selección de pacientes añosos apropiados para tratamiento endovascular para reducir riesgo de sangrado luego de la trombectomía mecánica;3
c) severidad de la estenosis coronaria y de la magnitud de la isquemia;4,7
d) predicción de la extensión de la secuela luego del stroke.8,12

Mediante el aporte de las bases de datos masivas, de múltiples parámetros y de resultados clínicos, el aprendizaje automático es muy útil para tamizar los datos y detectar patrones que ayudan al diagnóstico, por ejemplo, en pacientes con angina de pecho mediante anotaciones clínicas;13 a predecir la mortalidad de la hemorragia cerebral;14 o a identificar pacientes con insuficiencia cardíaca de los datos de registros electrónicos médicos.15 

Otra área de impactante desarrollo es el despegue de la IA robótica.1,16 A medida que la tecnología robótica se traslade al campo de la salud, los beneficios generados impactarán profundamente en diferentes áreas, como es el caso, por ejemplo, de las neuro-prótesis, la rehabilitación psicofísca robótica, o las herramientas robóticas para diferentes tipos de cirugía.1,16 

La IA se enfrenta a algunos desafíos que trascienden a las especialidades médicas. El manejo de los datos, su utilidad clínica y la confi abilidad de los mismos son de relevante importancia.16,18 El manejo de los datos debe sustentarse en un modelo de recopilación validado, funcionalmente apto y con adecuado resguardo de la confi dencialidad. Asimismo, las enfermedades deben contar con grandes bases de datos para su caracterización, que a la vez carezcan de desviaciones.

Referencias

1. Tran, BX, Vu GT, Ha GH, et al. Global Evolution of Research in Artificial Intelligence in Health and Medicine: A Bibliometric Study. J Clin Med. 2019;8:360.

2. Bom MJ, Levin E, Driessen RS, et al. Predictive value of targeted proteomics for coronary plaque morphology in patients with suspected coronary artery disease. EBioMedicine. 2019;39:109–117

3. Alawieh A, Zaraket F, Alawieh MB, et al. Using machine learning to optimize selection of elderly patients for endovascular thrombectomy. J NeuroInterv Surg. 2019;11:847–851

4. Wan T, Feng H, Tong C, et al. Automated identification and grading of coronary artery stenosis with X-ray angiography. Comput Methods Programs Biomed. 2018;167:13–22.

5. Van Hamersvelt RW, Zreik M, Voskuil M, et al. Deep learning analysis of left ventricular myocardium in CT angiographic intermediate-degree coronary stenosis improves the diagnostic accuracy for identification of functionally significant stenosis. Eur Radiol. 2019;29:2350–2359

6. Von Knebel Doeberitz PL, De Cecco CN, Schoepf UJ, et al. Coronary CT angiography-derived plaque quantification with artificial intelligence CT fractional flow reserve for the identification of lesion-specific ischemia. Eur Radiol. 2019; 29:2378–2387.

7. Hae H, Kang SJ, Kim WJ, et al. Machine learning assessment of myocardial ischemia using angiography: Development and retrospective validation. PLoS Med. 2018;15:e1002693

8. Heo J, Yoon JG, Park H, et al. Machine Learning–Based Model for Prediction of Outcomes in Acute Stroke. Stroke. 2019;50:1263–1265

9. Pinto A, McKinley R, Alves V, et al. Stroke Lesion Outcome Prediction Based on MRI Imaging Combined with Clinical Information. Front Neurol. 2018;9:1060

10. Kemmling A, Flottmann F, Forkert ND et al. Multivariate dynamic prediction of ischemic infarction and tissue salvage as a function of time and degree of recanalization. Br J Pharmacol. 2015;35:1397–1405.

11. McKinley, R.; Hani, L.; Gralla, J.; El-Koussy, M.; Bauer, S.; Arnold, M.; Fischer, U.; Jung, S.; Mattmann, K.; Reyes, M.; et al. Fully automated stroke tissue estimation using random forest classifiers (FASTER). J. Cereb. Blood Flow Metab. 2017, 37, 2728–2741.

12. Lucas, C.; Kemmling, A.; Bouteldja, N.; Aulmann, L.F.; Mamlouk, A.M.; Heinrich, M.P. Learning to Predict Ischemic Stroke Growth on Acute CT Perfusion Data by Interpolating Low-Dimensional Shape Representations. Front. Neurol. 2018, 9, 989

13. Pakhomov SS, Hemingway H, Weston SA, et al. Epidemiology of angina pectoris: Role of natural language processing of the medical record. Am Heart J. 2007;153:666–673

14. Peng SY, Chuang YC, Kang TW, et al. Random forest can predict 30-day mortality of spontaneous intracerebral hemorrhage with remarkable discrimination. Eur J Neurol. 2010;17:945–950

15. Patel YR, Robbins JM, Kurgansky KE, et al. Development and validation of a heart failure with preserved ejection fraction cohort using electronic medical records. BMC Cardiovasc. Disord. 2018;18:128

16. Loh E. Medicine and the rise of the robots: A qualitative review of recent advances of artificial intelligence in health. BMJ Lead. 2018;2:59–63

17. Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care—Addressing Ethical Challenges. N Engl J Med. 2018;378:981–983.

18. Panch T, Szolovits P, Atun R. Artificial intelligence, machine learning and health systems. J Glob Health. 2018;8:020303

19. Deo RC. Machine Learning in Medicine. Circulation 2015;132:1920–1930.

Artículos relacionados

Gran impacto en DxI de revistas de la RSNA

La RSNA anunció hoy que su revista líder en investigación de imágenes médicas, Radiology, mantiene el mayor factor de impacto en su categoría. Además,...

Finlandia: el epicentro de la salud digital en Europa

Los datos ya han transformado múltiples sectores de la sociedad y tienen un gran potencial para mejorar el bienestar de las personas. La revolución...

7 características fundamentales que deben tener los sistemas RIS y PACS

Los adelantos en la tecnología han revolucionado de manera significativa nuestro mundo, y la radiología es una fiel exponente de ello. Hoy en día,...

Calcificaciones Mamarias

Jefa del Departamento de Imágenes Mamarias del Centro de Diagnóstico Rossi, Buenos Aires, Argentina E-mail: [email protected] El nuevo paradigma para el cáncer de mama es detectarlo...

Seguinos

2,319FansMe gusta
1,318SeguidoresSeguir

Más leidos