La Inteligencia artificial puede utilizarse para mejorar la velocidad y la precisión del diagnóstico y la detección de enfermedades, facilitar la atención clínica, reforzar la investigación en el ámbito sanitario y el costoso desarrollo de medicamentos y tantos otros usos en el ámbito sanitario, especialmente ahora en época de pandemia.
Ahora, según un nuevo estudio publicado en la revista 'Radiology' se ha utilizado un modelo de aprendizaje profundo de inteligencia artificial totalmente automatizado donde los investigadores han sido capaces de identificar los primeros signos de la diabetes tipo 2 en las tomografías computarizadas abdominales.
Debido a la lenta aparición de los síntomas, es importante diagnosticar la diabetes de tipo 2 en sus primeras fases. Algunos casos de prediabetes pueden durar hasta 8 años y un diagnóstico temprano permitirá a los pacientes realizar cambios en su estilo de vida para alterar la progresión de la enfermedad.
El TAC abdominal puede ser una herramienta prometedora para diagnosticar la diabetes de tipo 2. El TAC ya se utiliza ampliamente en la práctica clínica y puede proporcionar una cantidad significativa de información sobre el páncreas.
Estudios anteriores han demostrado que los pacientes con diabetes tienden a acumular más grasa visceral y grasa dentro del páncreas que los pacientes no diabéticos. Sin embargo, no se han realizado muchos trabajos para estudiar el hígado, los músculos y los vasos sanguíneos que rodean el páncreas, precisa el coautor del estudio, Ronald M. Summers, investigador principal y radiólogo del Centro Clínico de los Institutos Nacionales de Salud en Bethesda.(Estados Unidos).
"El análisis de las características tanto pancreáticas como extrapancreáticas es un enfoque novedoso y no se ha mostrado en trabajos anteriores hasta donde sabemos", añade la estudiante y primera autora.
El análisis manual de las imágenes de TC de páncreas sin contraste de baja dosis por parte de un radiólogo o un especialista capacitado es un proceso que requiere mucho tiempo y es difícil. Para hacer frente a estos desafíos clínicos, es necesario mejorar el análisis automatizado de imágenes del páncreas, apuntan los autores.
Para este estudio retrospectivo, el doctor Summers y sus colegas, en estrecha colaboración con el coautor Perry J. Pickhardt, profesor de radiología en la Escuela de Medicina y Salud Pública de la Universidad de Wisconsin, utilizaron un conjunto de datos de pacientes que se habían sometido a un cribado rutinario de cáncer colorrectal con TC en el Hospital y Clínicas de la Universidad de Wisconsin.
De los 8.992 pacientes que se habían sometido al cribado entre 2004 y 2016, 572 habían sido diagnosticados con diabetes tipo 2 y 1.880 con disglucemia, un término que se refiere a los niveles de azúcar en sangre que van demasiado bajos o demasiado altos. No hubo solapamiento entre el diagnóstico de diabetes y el de disglucemia.
Para construir el modelo de aprendizaje profundo, los investigadores utilizaron un total de 471 imágenes obtenidas de una variedad de conjuntos de datos, incluyendo el Decatlón de Datos Médicos, el Archivo de Imágenes del Cáncer y el desafío Beyond Cranial Vault. Las 471 imágenes se dividieron en tres subconjuntos: 424 para el entrenamiento, 8 para la validación y 39 para los conjuntos de prueba. Los investigadores también incluyeron datos de cuatro rondas de aprendizaje activo.
El modelo de aprendizaje profundo mostró resultados excelentes, demostrando prácticamente ninguna diferencia en comparación con el análisis manual. Además de las diversas características del páncreas, el modelo también analizó la grasa visceral, la densidad y los volúmenes de los músculos y órganos abdominales circundantes.
Los resultados mostraron que los pacientes con diabetes tenían una menor densidad del páncreas y mayores cantidades de grasa visceral que los pacientes sin diabetes.
"Descubrimos que la diabetes estaba asociada a la cantidad de grasa dentro del páncreas y en el interior del abdomen de los pacientes --resalta el doctor Summers--. Cuanta más grasa había en esas dos localizaciones, más probable era que los pacientes tuvieran diabetes durante un periodo de tiempo más largo".
Los mejores predictores de la diabetes tipo 2 en el modelo final incluyeron el porcentaje de grasa intrapancreática, la dimensión fractal del páncreas, la gravedad de la placa entre el nivel de las vértebras L1-L4, la atenuación media de la TC del hígado y el IMC. El modelo de aprendizaje profundo utilizó estos predictores para discernir con precisión los pacientes con y sin diabetes.
"Este estudio es un paso hacia un uso más amplio de los métodos automatizados para abordar los retos clínicos --señalan los autores--. También puede servir de base para futuros trabajos que investiguen el motivo de los cambios pancreáticos que se producen en los pacientes con diabetes".