Salud

Este algoritmo podría detener miles de cirugías innecesarias

Este podría detener miles de innecesarias cada año

Foto: weforumorg

Cada año, 40,000 mujeres mueren de de seno solo en los Estados Unidos. Cuando el se encuentra temprano, a menudo se pueden curar. Las mamografías son la mejor prueba disponible, pero aún son imperfectas y, a menudo, dan lugar a resultados falsos positivos que pueden conducir a biopsias y cirugías innecesarias.

Una causa común de falsos positivos son las llamadas lesiones de “alto riesgo” que parecen sospechosas en las mamografías y tienen células anormales cuando se analizan mediante biopsia con aguja. En este caso, el paciente típicamente se somete a cirugía para extirpar la lesión; sin embargo, las lesiones resultan ser benignas en cirugía el 90 por ciento de las veces. Esto significa que cada año miles de mujeres pasan por cirugías dolorosas, costosas e inductoras de cicatrices que ni siquiera eran necesarias.

Entonces, ¿cómo se pueden eliminar las cirugías innecesarias mientras se mantiene el papel importante de la mamografía en la detección del cáncer? Los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del , el Hospital General de Massachusetts y la Escuela de Medicina de creen que la respuesta es recurrir a la inteligencia artificial ().

Como primer proyecto para aplicar IA para mejorar la detección y el diagnóstico, los equipos colaboraron para desarrollar un sistema de inteligencia artificial que utiliza el aprendizaje automático para predecir si una lesión de alto riesgo identificada en la biopsia con aguja después de una mamografía se convertirá en cáncer en la cirugía.

Cuando se probó en 335 lesiones de alto riesgo, el modelo diagnosticó correctamente el 97 por ciento de los cánceres de mama como malignos y redujo el número de cirugías benignas en más del 30 por ciento en comparación con los enfoques existentes.

“Debido a que las herramientas de diagnóstico son tan inexactas, existe una tendencia comprensible para los médicos a detectar el cáncer de mama en exceso”, dice Regina Barzilay, Profesora de Electrónica e Informática Delta Electronics del MIT y una sobreviviente de cáncer de mama. “Cuando hay tanta incertidumbre en los datos, el aprendizaje automático es exactamente la herramienta que necesitamos para mejorar la detección y evitar el exceso de tratamiento”.

Formado con información sobre más de 600 lesiones existentes de alto riesgo, el modelo busca patrones entre muchos elementos de datos diferentes que incluyen datos demográficos, antecedentes familiares, biopsias pasadas e informes de patología.

“Hasta donde sabemos, este es el primer estudio que aplica el aprendizaje automático a la tarea de distinguir las lesiones de alto riesgo que requieren cirugía de las que no”, dice la colaboradora Constance Lehman, profesora de la Facultad de Medicina de Harvard y directora de Breast Imaging. División en el Departamento de Radiología de MGH. “Creemos que esto podría ayudar a las mujeres a tomar decisiones más informadas sobre su tratamiento, y que podríamos proporcionar enfoques más específicos para la atención médica en general”.

Un receptor reciente de MacArthur “genius grant”, Barzilay es coautor de un nuevo artículo de revista que describe los resultados, coescrito con Lehman y Manisha Bahl de MGH, así como estudiantes graduados de CSAIL Nicholas Locascio, Adam Yedidia y Lili Yu . El artículo fue publicado hoy en la revista médica Radiology.

Cómo funciona

Cuando una mamografía detecta una lesión sospechosa, se realiza una biopsia con aguja para determinar si se trata de cáncer. Aproximadamente el 70 por ciento de las lesiones son benignas, el 20 por ciento son malignas y el 10 por ciento son lesiones de alto riesgo.

Los médicos manejan las lesiones de alto riesgo de diferentes maneras. Algunos hacen cirugía en todos los casos, mientras que otros realizan cirugía solo para lesiones que tienen índices de cáncer más altos, como “hiperplasia ductal atípica” (ADH) o “carcinoma lobular in situ” (LCIS).

El primer enfoque requiere que el paciente se someta a una cirugía dolorosa, lenta y costosa que generalmente es innecesaria; el segundo enfoque es impreciso y podría dar como resultado cánceres faltantes en lesiones de alto riesgo distintas de ADH y LCIS.

“La gran mayoría de los pacientes con lesiones de alto riesgo no tienen cáncer, y estamos tratando de encontrar los pocos que sí lo hacen”, dice Bahl, un compañero médico del Departamento de Radiología de MGH. “En un escenario como este siempre existe el riesgo de que cuando intente aumentar el número de cánceres que puede identificar, también aumentará la cantidad de falsos positivos que encuentre”.

Utilizando un método conocido como “clasificador de bosque aleatorio”, el modelo del equipo resultó en menos cirugías innecesarias en comparación con la estrategia de realizar siempre cirugía, a la vez que puede diagnosticar más lesiones cancerosas que la estrategia de solo hacer cirugía en “alta” de “lesiones por riesgo”. (Específicamente, el nuevo modelo diagnosticó el 97 por ciento de los cánceres en comparación con el 79 por ciento).

“Este trabajo destaca un ejemplo del uso de tecnología de punta en el aprendizaje automático para evitar cirugías innecesarias”, dice Marc Kohli, director de informática clínica del Departamento de Radiología e Imágenes Biomédicas de la Universidad de California en San Francisco. “Este es el primer paso hacia la comunidad médica que adopta el aprendizaje automático como una forma de identificar patrones y tendencias que de otro modo serían invisibles para los humanos”.

Lehman dice que los radiólogos de MGH comenzarán a incorporar el modelo en su práctica clínica durante el próximo año.

“En el pasado, podríamos haber recomendado que todas las lesiones de alto riesgo fueran extirpadas quirúrgicamente”, dice Lehman. “Pero ahora, si el modelo determina que la lesión tiene muy pocas probabilidades de ser cancerosa en un paciente específico, podemos tener una discusión más informada con nuestro paciente sobre sus opciones. Puede ser razonable que algunos pacientes tengan sus lesiones seguidas con imágenes en lugar de escindidas quirúrgicamente “.

El equipo dice que todavía están trabajando para perfeccionar el modelo.

“En el trabajo futuro esperamos incorporar las imágenes reales de los mamogramas y las imágenes de las diapositivas de patología, así como una información más amplia del paciente de los registros médicos”, dice Bahl.

En el futuro, el modelo también podría ajustarse fácilmente para aplicarse a otros tipos de cáncer e incluso a otras enfermedades en su totalidad.

“Un modelo como este funcionará cada vez que tenga muchos factores diferentes que se correlacionen con un resultado específico”, dice Barzilay. “Esperamos que nos permita comenzar a ir más allá de un enfoque único para el diagnóstico médico”.

no critiques, crea

Deja un comentario

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