El análisis automatizado de múltiples órganos de las tomografías computadas en personas que se someten a estudios puede identificar a individuos con riesgo de diabetes tipo 2, según un estudio publicado en Radiology. Los investigadores dijeron que los hallazgos subrayan el valor de la TC en la obtención de imágenes oportunistas, es decir, el uso de información de exámenes de diagnóstico por imagen de rutina para obtener más información sobre la salud general de un paciente.
Las investigaciones han demostrado que el uso oportunista de la TC es prometedor más allá de su indicación clínica primaria en la detección incidental de la osteoporosis. La TC realizada para diversas indicaciones clínicas también tiene el potencial de predecir enfermedades cardiometabólicas como la diabetes mellitus tipo 2, un trastorno común que se diagnostica con frecuencia de manera tardía. Sin embargo, la capacidad predictiva de los parámetros de imagen individuales para las enfermedades cardiometabólicas sigue sin explorarse.
Para el nuevo estudio, investigadores en Corea del Sur evaluaron la capacidad de los marcadores automatizados derivados de la TC para predecir la diabetes y las comorbilidades cardiometabólicas asociadas.
“Dada la importante carga que supone la diabetes y sus complicaciones, nuestro objetivo era explorar si los análisis de imágenes automatizados y precisos podrían mejorar la detección temprana y la estratificación del riesgo más allá de los métodos convencionales”, dijo el Dr. Seungho Ryu, del Hospital Kangbuk Samsung de la Facultad de Medicina de la Universidad Sungkyunkwan de Seúl.
El grupo de estudio incluyó 32.166 adultos de 25 años o más que se sometieron a un examen de salud con PET/CT con 18F-fluorodesoxiglucosa (18F-FDG).
El Dr. Ryu utilizó algoritmos de Deep Learning que han sido validados clínicamente en numerosas publicaciones para analizar TC. La aplicación de algoritmos de aprendizaje automático y profundo ha hecho que el análisis de la composición corporal a partir de imágenes sea menos laborioso y menos dependiente de la intervención manual. Los algoritmos permitieron la segmentación y cuantificación en 3D de varios componentes corporales, como la grasa visceral, la grasa subcutánea, la masa muscular, la densidad hepática y el calcio aórtico.
La prevalencia de diabetes fue del 6% al inicio del estudio y la incidencia fue del 9% durante el seguimiento medio de 7,3 años.
El análisis automatizado de TC multiorgánico identificó a individuos con alto riesgo de diabetes y otras comorbilidades cardiometabólicas. El índice de grasa visceral (la llamada grasa abdominal debajo de los músculos y alrededor de los órganos del abdomen) mostró el mayor rendimiento predictivo para la diabetes prevalente e incidente. La combinación de grasa visceral, área muscular, fracción de grasa hepática y calcificación aórtica mejoró el rendimiento predictivo. Los marcadores derivados de la TC también identificaron hígado graso diagnosticado por ecografía, puntajes de calcio en la arteria coronaria de más de 100, osteoporosis y pérdida muscular relacionada con la edad llamada sarcopenia.
Estos marcadores superaron a los factores de riesgo tradicionales en la predicción de la diabetes tipo 2.
“Los resultados son alentadores, ya que demuestran el potencial de ampliar el papel de las imágenes por TC desde el diagnóstico convencional de enfermedades hasta la detección proactiva oportunista”, afirmó el Dr. Ryu. “Este análisis automatizado por TC mejora la predicción del riesgo y las estrategias de intervención temprana para la diabetes y otros problemas de salud relacionados”.
En el ámbito clínico, estos marcadores derivados de la TC tienen el potencial de mejorar el enfoque convencional para la detección de la diabetes y la evaluación del riesgo, señaló el Dr. Ryu.
“Al integrar estas técnicas avanzadas de diagnóstico por imagen en los exámenes de salud oportunos, los médicos pueden identificar a las personas con alto riesgo de diabetes y sus complicaciones con mayor precisión y precocidad que con el enfoque actual”, afirmó. “Esto podría conducir a intervenciones más personalizadas y oportunas, mejorando en última instancia los resultados de los pacientes”.
Los investigadores planean validar los hallazgos en poblaciones más amplias y diversas para garantizar la generalización del enfoque. En futuras investigaciones se explorará la integración de marcadores derivados de la TC con otras herramientas de diagnóstico y el desarrollo de modelos predictivos que incorporen una gama más amplia de datos de salud.
“También existe interés en investigar el potencial de los marcadores derivados de la TC para predecir otras enfermedades metabólicas y cardiovasculares más allá de la diabetes”, dijo el Dr. Ryu.
